-
公开(公告)号：CN117357132A
公开(公告)日：2024-01-09
申请号：CN202311665176.4
申请日：2023-12-06
Applicant: 之江实验室
Abstract: 本说明书公开了一种基于多层脑网络节点参与系数的任务执行方法及装置。所述任务执行方法包括：先获取脑部信号数据，以针对每个预设的时间段，根据该时间段内各节点的脑部信号，得到该时间段中各节点所对应的脑部信号序列。针对每个节点，根据各时间段中该节点的脑部信号序列以及各时间段中其他节点的脑部信号序列，确定该节点在相同时间段与其他节点的节点连通度以及确定该节点在不同时间段与其他节点的节点连通度，进而确定出每个节点在脑部活动中的多参与系数，该节点对应的多参与系数用于表示该节点对应的脑区在脑部活动中与其他脑区的连通情况，再根据每个节点对应的多参与系数，执行目标任务。
-
公开(公告)号：CN113889261B
公开(公告)日：2022-06-10
申请号：CN202111113534.1
申请日：2021-09-23
Applicant: 之江实验室
Abstract: 本发明公开了一种基于病理特征辅助的PET/CT自动肺癌诊断分类模型训练方法，属于医学影像领域。该方法通过对病理图像的分类网络进行训练，优先得到一组较好的病理分类网络模型参数；通过该组参数获取病理图像的特征信息，来对PET/CT影像分类网络的特征提取进行指导，以提高PET/CT影像分类网络的精度，有利于基于PET/CT影像的早期肺癌诊断分类的推广应用，为临床医生的诊断以及后续随访提供帮助。通过本发明，可在后续不进行有创的病理检查之前，仅通过无创的PET/CT影像就可达到与病理诊断结果相接近的更准确的肺癌诊断分类结果，可以有效的提高临床医生的诊断效率，减少病患的创伤。
-
公开(公告)号：CN117036727B
公开(公告)日：2024-01-05
申请号：CN202311294411.1
申请日：2023-10-09
Applicant: 之江实验室
IPC: G06V10/40 , G06V10/80 , G06V10/764
Abstract: 本发明公开了一种脑网络数据多层嵌入向量特征提取方法及装置，该方法对多层网络的嵌入学习和流形优化得到的多层网络节点信息的层内层间网络一致性嵌入表示F和层内节点嵌入表示Fi，再分别对每一层的层内节点嵌入表示Fi和层内层间网络一致性嵌入表示F进行相干性计算获得每层层内的相干特征，再计算每层层内的相干特征的熵获得相干熵特征，即为脑网络数据的多层嵌入向量特征。本发明通过对复杂的多层网络信息进行降维与关键提取，得到更加具有代表性、更加有效的多层网络特征信息，有效的提高多层网络数据信息的利用率，利用较少的数据量实现较高准确率的分析与分类。
-
公开(公告)号：CN116344058A
公开(公告)日：2023-06-27
申请号：CN202310615536.3
申请日：2023-05-29
Applicant: 之江实验室
Abstract: 本说明书公开了一种基于图信号的阿尔兹海默风险标注方法及装置，该方法可以通过患者的脑部影像/信号数据，确定患者各脑区中的神经退化性病理性蛋白浓度以及确定各脑区之间的连通程度；基于各脑区之间的连通程度构建脑节点连接网络图，综合脑节点连接网络图和各脑区中的神经退化性病理性蛋白浓度构建神经退化性病理性蛋白图信号；根据神经退化性病理性蛋白图信号，计算每个脑节点的传播通量，并基于传播通量对每个脑节点进行阿尔兹海默症的传播风险分析，将脑节点分为高风险传播脑节点、高风险被传播脑节点和低风险脑节点三类，以在脑部影像数据中标注出目标脑区，从而能够全面的确定出存在风险的脑区，更加合理地针对阿尔兹海默症进行分析。
-
公开(公告)号：CN113506296B
公开(公告)日：2021-12-28
申请号：CN202111061904.1
申请日：2021-09-10
Applicant: 之江实验室
Abstract: 本发明公开了一种基于先验知识CT亚区影像组学的慢阻肺诊断装置，属于医学影像领域。该诊断装置包括：基于先验知识的亚区划分模块，用于根据肺内部CT值将患者CT肺部图像划分为三个亚区，其中，亚区一的肺内部CT值的范围为（‑1024，‑950）、亚区二的肺内部CT值的范围为（‑190，110）、亚区三的肺内部CT值的范围为（‑950，‑190）；特征提取模块，用于分别提取三个亚区的影像组学特征；并获取亚区一的LAA‑950I特征；分类模块，用于根据提取的特征区分病人是否患有慢性阻塞性肺疾病。本发明装置通过划分亚区，分别提取不同结构的特征，对提高慢阻肺的诊断效率有着更加积极的作用。
-
Patent Agency Ranking
公开(公告)号：CN112288041B
公开(公告)日：2021-03-30
申请号：CN202011477932.7
申请日：2020-12-15
Applicant: 之江实验室 , 明峰医疗系统股份有限公司
Abstract: 本发明公开了一种多模态深度神经网络的特征融合方法，在多模态深度三维CNN里，通过在深度学习特征域上，利用压缩激励（squeeze and excitation,S&E）模块，可获得关于模态之间的通道注意力掩膜，即在所有模态中，给予那些对于任务目标有着显著帮助的通道更大的关注，从而显式地建立了多模态三维深度特征图在通道上的权重分布；随后，利用四维卷积和Sigmoid激活函数计算，可获得关于模态之间的空间注意力掩膜，即在每个模态的三维特征图中，空间中哪些位置需要给予更大的关注，从而显式地建立了多模态三维深度特征图在空间上的相关性，对模态、通道、空间中具有重要信息的位置给予更大的关注，从而提高多模态智能诊断系统的诊断效能。
-
公开(公告)号：CN117357132B
公开(公告)日：2024-03-01
申请号：CN202311665176.4
申请日：2023-12-06
Applicant: 之江实验室
Abstract: 本说明书公开了一种基于多层脑网络节点参与系数的任务执行方法及装置。所述任务执行方法包括：先获取脑部信号数据，以针对每个预设的时间段，根据该时间段内各节点的脑部信号，得到该时间段中各节点所对应的脑部信号序列。针对每个节点，根据各时间段中该节点的脑部信号序列以及各时间段中其他节点的脑部信号序列，确定该节点在相同时间段与其他节点的节点连通度以及确定该节点在不同时间段与其他节点的节点连通度，进而确定出每个节点在脑部活动中的多参与系数，该节点对应的多参与系数用于表示该节点对应的脑区在脑部活动中与其他脑区的连通情况，再根据每个节点对应的多(56)对比文件US 2020352463 A1,2020.11.12CN 116051849 A,2023.05.02CN 107909117 A,2018.04.13Junji Ma.Integrated and segregatedfrequency architecture of the human brainnetwork《.Brain Structure and Function》.第335-350页.梁夏;王金辉;贺永.人脑连接组研究:脑结构网络和脑功能网络.科学通报.2010,(16),第41-59页.何高奇;胡云奉;杨宇;魏文浩.基于rs-fMRI数据的脑功能网络构建与分析.华东理工大学学报(自然科学版).2015,(06),第99-105页.
-
公开(公告)号：CN116344058B
公开(公告)日：2023-08-18
申请号：CN202310615536.3
申请日：2023-05-29
Applicant: 之江实验室
IPC: G06F17/00
Abstract: 本说明书公开了一种基于图信号的阿尔兹海默风险标注方法及装置，该方法可以通过患者的脑部影像/信号数据，确定患者各脑区中的神经退化性病理性蛋白浓度以及确定各脑区之间的连通程度；基于各脑区之间的连通程度构建脑节点连接网络图，综合脑节点连接网络图和各脑区中的神经退化性病理性蛋白浓度构建神经退化性病理性蛋白图信号；根据神经退化性病理性蛋白图信号，计算每个脑节点的传播通量，并基于传播通量对每个脑节点进行阿尔兹海默症的传播风险分析，将脑节点分为高风险传播脑节点、高风险被传播脑节点和低风险脑节点三类，以在脑部影像数据中标注出目标脑区，从而能够全面的确定出存在风险的脑区，更加合理地针对阿尔兹海默症进行分析。
-
公开(公告)号：CN114898193A
公开(公告)日：2022-08-12
申请号：CN202210809090.3
申请日：2022-07-11
Applicant: 之江实验室
IPC: G06V10/80
Abstract: 本发明公开了一种基于流形学习的图像特征融合方法、装置及图像分类系统。本发明首先获取若干图像的多类特征构建特征集合；将特征集合中，每类特征作为一个视角，并构建每个单一视角下的图拉普拉斯矩阵；然后构建并求解基于流形学习的多视角特征选择与融合模型，获得融合后的图像特征。本发明可以更充分利用数据的结构信息，更关注数据整体分布和特性的变化趋势，而不是特定特征的绝对值，使其更具有减弱多中心效应的潜力，更关注医学图像本质疾病表征，而非多中心带来的扰动；同时，基于流行学习的图像融合装置，也能对不同视角下的特征进行更有效的融合，提高医学图像分类性能。
-
公开(公告)号：CN112288041A
公开(公告)日：2021-01-29
申请号：CN202011477932.7
申请日：2020-12-15
Applicant: 之江实验室 , 明峰医疗系统股份有限公司
Abstract: 本发明公开了一种多模态深度神经网络的特征融合方法，在多模态深度三维CNN里，通过在深度学习特征域上，利用压缩激励（squeeze and excitation,S&E）模块，可获得关于模态之间的通道注意力掩膜，即在所有模态中，给予那些对于任务目标有着显著帮助的通道更大的关注，从而显式地建立了多模态三维深度特征图在通道上的权重分布；随后，利用四维卷积和Sigmoid激活函数计算，可获得关于模态之间的空间注意力掩膜，即在每个模态的三维特征图中，空间中哪些位置需要给予更大的关注，从而显式地建立了多模态三维深度特征图在空间上的相关性，对模态、通道、空间中具有重要信息的位置给予更大的关注，从而提高多模态智能诊断系统的诊断效能。
-
-
-
-
-
-
-
-
-
Search Results
22
records
(took 0.018 seconds)
