-
公开(公告)号：CN116029967A
公开(公告)日：2023-04-28
申请号：CN202211097690.8
申请日：2022-09-08
Applicant: 北京医准智能科技有限公司
IPC: G06T7/00 , G06T7/11 , G06V10/774 , G06V10/80 , G06N3/0464 , G06N3/08
Abstract: 本公开提供了一种肺栓塞图像的处理方法、装置、设备及存储介质，通过将待测图像经过预处理操作，得到候选肺部图像；将所述候选肺部图像输入肺动脉分割组合模型，得到目标肺动脉血管树；根据所述目标肺动脉血管树的半径异常矩阵和密度异常矩阵，计算所述待测图像中各个像素点的肺栓塞状态值，不仅能够精确定位到肺栓塞的位置信息，还能提供给相关人员肺栓塞图像中各点相关信息，使其更为全面的了解肺栓塞情况。
-
公开(公告)号：CN115984190A
公开(公告)日：2023-04-18
申请号：CN202211606621.5
申请日：2022-12-12
Applicant: 北京医准智能科技有限公司
IPC: G06T7/00 , G06V10/764 , G06T5/30 , G06V10/774 , G06V10/26
Abstract: 本公开提供了一种基于CT图像的处理方法、装置、设备及存储介质，将经过预处理的待处理图像进行分割处理，确定所述待处理图像内各个子椎体精细图像及其类别；将所述各个子椎体精细图像输入骨折分类模型，得到所述各个子椎体精细图像内各个子椎体的骨折分值及其类别；通过所述待处理图像获取与其对应的待处理骨密度图像，并通过所述待处理骨密度图像确定所述各个子椎体骨松质密度图像的骨质状态，不仅能够准确的判断其子椎体是否具有骨质疏松骨折特征，还能够通过骨密度确定骨质状态。
-
公开(公告)号：CN114758360B
公开(公告)日：2023-04-18
申请号：CN202210435881.4
申请日：2022-04-24
Applicant: 北京医准智能科技有限公司
IPC: G06V40/10 , G06V10/40 , G06V10/764 , G06V10/774 , G06V10/82 , G06N3/048 , G06N3/08
Abstract: 本公开提供了一种多模态图像分类模型训练方法、装置及电子设备，包括：确认训练图像集；将训练图像集中的第一超声图像和第一超声造影图像输入至多模态图像分类模型包括的图像序列化模块和特征提取模块中，获得第一超声图像对应的第一特征编码集合和第一超声造影图像对应的第二特征编码集合；将第一特征编码集合和第二特征编码集合输入至多模态图像分类模型包括的多模态聚合模块中，获得第一超声图像和第一超声造影图像对应的分类预测结果；基于第一超声图像和所述第一超声造影图像对应的分类标注结果与分类预测结果之间的差异，调整多模态图像分类模型的参数；其中，所述多模态聚合模块包括多头自注意力层和多层感知机。
-
公开(公告)号：CN115222665B
公开(公告)日：2023-04-07
申请号：CN202210660969.6
申请日：2022-06-13
Applicant: 北京医准智能科技有限公司
Abstract: 本申请公开了一种斑块检测方法、装置、电子设备及可读存储介质，该方法包括：获取待检测原始图像对应的血管拉直图像，血管拉直图像包括血管中心线上的多个中心点对应的多个血管子图像；基于第一网络对各中心点对应的血管子图像进行特征提取，得到各中心点对应的第一特征；将各中心点对应的第一特征与各中心点对应的位置编码进行融合，得到各中心点对应的第二特征；基于第二网络对各中心点对应的第二特征进行斑块分析，得到各中心点对应的斑块分析结果。采用血管拉直图像进行斑块分析，去除了大量的冗余信息和噪声信息，可以使得第二网络不被大量的冗余信息和噪声信息所干扰，提高脂质斑块和混合斑块的检测准确度，从而得到精确的斑块分析结果。
-
公开(公告)号：CN114820590B
公开(公告)日：2023-04-07
申请号：CN202210635893.1
申请日：2022-06-06
Applicant: 北京医准智能科技有限公司
Abstract: 本公开实施例提供了一种图像处理方法、装置、电子设备及介质。该图像处理方法包括获得乳腺断层影像，该乳腺断层影像包括由多个影像组成的第一体位影像序列和第二体位影像序列；以乳头位置为原点建立坐标系；经过旋转、长度归一化的操作统一不同体位下的乳腺断层影像中的坐标系，以建立不同体位影像序列中的位置映射。
-
Patent Agency Ranking
公开(公告)号：CN114581382B
公开(公告)日：2023-02-21
申请号：CN202210156933.4
申请日：2022-02-21
Applicant: 北京医准智能科技有限公司
IPC: G06T7/00 , G06N3/08 , G06N3/0464 , G06V10/44 , G06V10/764 , G06V10/82
Abstract: 本发明公开了一种针对乳腺病灶的训练方法、装置及计算机可读介质，本发明一实施例的方法首先将具有恶性标签的乳腺数据和具有良性标签的乳腺数据均作为训练样本，得到训练样本数据；其中，乳腺数据至少包括乳腺超声图像和对应病例的影响因素量化值；其次针对训练样本数据中任一训练样本：对训练样本中乳腺超声图像进行图像特征提取，得到乳腺图像特征；之后将训练样本中影响因素量化值和乳腺图像特征进行融合处理，得到病灶融合特征；最后对病灶融合特征进行有监督的分类学习，生成病灶分类模型。由此，充分融合了乳腺图像特征和乳腺癌的影响因素量化值，从而提高了模型训练的准确性，使得病灶分类模型能够对乳腺病灶进行准确预测。
-
公开(公告)号：CN115631370A
公开(公告)日：2023-01-20
申请号：CN202211226934.8
申请日：2022-10-09
Applicant: 北京医准智能科技有限公司
IPC: G06V10/764 , G06V10/75 , G06V10/40 , G06V10/80 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 本公开提供了一种基于卷积神经网络的MRI序列类别的识别方法及装置，所述方法包括：获取MRI影像及对应的MRI序列；通过卷积神经网络对所述MRI影像进行特征提取，得到图像特征；通过检索模型对所述图像特征进行检索，得到与所述图像特征匹配的目标特征；根据所述目标特征确定所述MRI序列对应的目标类别。本公开的方法将图像检索方法应用到MRI序列类别的识别中，可以自动识别出MRI序列对应的目标类别，且不受MRI序列类别数量的限制，对MRI扫描机器型号及医院环境的变化不敏感。
-
公开(公告)号：CN114529759B
公开(公告)日：2023-01-17
申请号：CN202210088317.X
申请日：2022-01-25
Applicant: 北京医准智能科技有限公司
IPC: G06V10/764 , G06V10/80 , G06V10/82 , G06F18/25 , G06N3/0464 , G06N3/047 , G06N3/09
Abstract: 本发明公开了一种甲状腺结节的分类方法、装置及计算机可读介质，属于图像处理技术领域。该方法首先将甲状腺结节的目标视频数据作为训练样本；其中，所述目标视频数据携带有征象特征标签；其次，对所述训练样本中征象特征进行有监督的分类学习，得到征象分类结果和第一损失函数；之后，基于所述训练样本和所述征象分类结果，对征象特征的得分进行有监督的回归学习，得到第二损失函数；最后基于所述第一损失函数和所述第二损失函数，对模型进行优化，生成结节得分模型。由此，基于甲状腺结节的视频数据，对甲状腺结节的征象特征和征象得分进行监督学习，从而提高了结节得分模型训练的准确性，使得TIRADS预测更加准确且符合临床诊断步骤。
-
公开(公告)号：CN114677536B
公开(公告)日：2022-12-16
申请号：CN202210197831.7
申请日：2022-03-02
Applicant: 北京医准智能科技有限公司
IPC: G06V10/764 , G06V10/774 , G06V10/80
Abstract: 本发明公开了一种基于Transformer结构的预训练方法及装置，该方法先获取目标对象的图像和视频；针对图像和视频中任一分割区域：将分割区域的特征符号作为分割区域的标签；分别对图像的部分分割区域和视频的部分分割区域进行掩膜处理得到第一训练样本和第二训练样本；基于Transformer结构对第一训练样本中掩膜区域的特征符号进行有监督预测学习得到初始模型；之后基于初始模型初始化预训练模型得到初始预训练模型；最后利用初始预训练模型对第一训练样本和第二训练样本中进行有监督联合训练得到最终预训练模型。由此，使得模型同时学习到视频数据的空间特征和时间特征，进而为下游任务提供了很好的预训练模型。
-
公开(公告)号：CN115439453A
公开(公告)日：2022-12-06
申请号：CN202211111988.X
申请日：2022-09-13
Applicant: 北京医准智能科技有限公司
Abstract: 本公开提供了一种脊椎椎体定位方法、装置、电子设备及存储介质，包括对原始三维脊椎图像中第一椎体检测，得到包括多个第一椎体的检测框的第一三维脊椎图像，根据检测框对应的第一椎体的位置信息，确定位置连续的多个第一椎体组成的第一区段；对原始三维脊椎图像中第二椎体检测，得到包括多个第二椎体的检测框的第二三维脊椎图像；将第一三维脊椎图像和第二三维脊椎图像合并得到第三三维脊椎图像；将第一三维脊椎图像与所第三三维脊椎图像比对，确定第三三维脊椎图像中与第一区段位置相同的第二区段，将第一区段中第一椎体的位置信息作为第二区段中对应目标椎体的位置信息；根据目标椎体的位置信息，确定第三三维脊椎图像中每个椎体的位置信息。
-
-
-
-
-
-
-
-
-
Search Results
201
records
(took 0.033 seconds)
