-
公开(公告)号：CN111640120A
公开(公告)日：2020-09-08
申请号：CN202010274508.6
申请日：2020-04-09
Applicant: 之江实验室
Abstract: 本发明公开了一种基于显著性密集连接扩张卷积网络的胰腺CT自动分割方法。该方法在从粗到细的两步分割框架下，以密集连接扩张卷积网络为基础卷积网络架构，以获得目标多尺度的图像特征表达。在粗分割阶段预测胰腺的初始分割概率图。然后通过基于测地距离变换的显著性变换，计算显著性图，并将显著性模块引入密集连接扩张卷积网络的特征提取层中，构建显著性密集连接扩张卷积网络作为精分割网络模型。利用训练样本集分别训练粗分割模型和精分割模型。新的测试数据分别通过粗分割模型和精分割模型，再对多层二维分割结果融合，获得最终胰腺精准分割结果。本发明具有自动化、精度高、可迁移扩展的特点，可以实现以胰腺为代表的小器官的自动精准分割。
-
公开(公告)号：CN118587443B
公开(公告)日：2024-12-03
申请号：CN202411074124.4
申请日：2024-08-07
Applicant: 之江实验室
IPC: G06V10/26 , G06V10/82 , G06N3/0455 , G06N3/09 , G06N3/096 , G06N3/042 , G06V10/764
Abstract: 本发明公开了一种基于自训练和先验引导的图像分割方法和装置，该方法包括：对原始图像数据集进行标注，生成对应的真实掩码；使用含有真实掩码的图像对伪掩码生成网络进行训练，训练好的伪掩码生成网络用于根据不含掩码的图像生成伪掩码；从掩码图像中提取边界，生成边界图像；所述掩码图像包括真实掩码图像和伪掩码图像；基于原始图像及其对应的掩码图像和边界图像拼接成三通道图像；所述三通道图像用于训练图像分割模型，训练好的图像分割模型用于对待求图像进行分割。在计算资源和数据有限的情况下，本发明方法可以最大限度的减少训练参数量的同时发挥现有大模型的优势。本发明方法还可以加强分割模型的先验知识，进一步提升图像分割的结果。
-
公开(公告)号：CN118800455A
公开(公告)日：2024-10-18
申请号：CN202411263071.0
申请日：2024-09-10
Applicant: 之江实验室
Abstract: 本发明公开了基于自动特征工程的类风湿性关节炎患者肺间质病变风险预测系统；通过数据输入模块输入患者的症状以及医学检测结果，构成症状和医学检测结果特征；通过自动特征工程模块生成适用于二分类机器学习问题的特征，通过该模块的子模块评估连续型特征的类条件概率密度、舍弃不符合要求的特征、自动组合运算生成新特征、根据阈值筛选和保留新特征、记录新特征生成过程；通过模型训练模块基于树的模型对自动生成的特征进行训练并保存模型；通过疾病预测模块根据类风湿性关节炎患者肺间质病变风险预测模型以及患者的输入数据，预测类风湿性关节炎患者发生肺间质病变的风险。本发明对症状和医学检测结果进行自动特征工程，耗时更短，效率更高。
-
公开(公告)号：CN118571502A
公开(公告)日：2024-08-30
申请号：CN202411053078.X
申请日：2024-08-02
Applicant: 之江实验室
IPC: G16H50/70 , G16H10/20 , G16H10/60 , G06N5/025 , G06N3/0455 , G06N3/042 , G06N3/0464 , G06N3/0475 , G06N3/094 , G06N3/084
Abstract: 本发明公开了一种基于知识引导域自适应的多中心医学数据处理方法、系统、设备、介质，包括：基于通用医学概念以及其关系、每一中心私有域中的本地医学概念及其与通用医学概念之间的关系、不同中心私有域中的本地医学概念之间的关系构建医学知识图谱；对源中心患者数据、目标中心患者数据进行编码得到源中心数据特征、目标中心数据特征；基于源中心患者数据、目标中心患者数据根据医学知识图谱构建源中心患者子图、目标中心患者子图；对源中心患者子图、目标中心患者子图进行处理，得到源中心知识特征、目标中心知识特征；设置损失函数，所述损失函数包括根据下游医学任务设置的损失，并通过对抗学习得到每一医疗中心患者之间的跨域不变特征。
-
公开(公告)号：CN117233676B
公开(公告)日：2024-03-26
申请号：CN202311521346.1
申请日：2023-11-15
Applicant: 之江实验室
IPC: G01R33/563 , G01R33/56 , A61B5/055
Abstract: 本发明公开了一种回波时间依赖的磁共振扩散成像信号生成方法和装置，包括：获取磁共振无扩散加权图像和磁共振多b值扩散加权图像；根据无扩散加权图像和人体组织内多种水成分的定量值，逐体素计算人体组织内多种水成分对应的无值加权的磁共振扩散信号；根据多b值扩散加权图像、磁共振扩散信号以及定量值，逐体素计算人体组织内多种水成分对应的扩散系数；根据多b值扩散加权图像、磁共振扩散信号、定量值以及扩散系数，逐体素计算生成使用任何回波时间采集的磁共振扩散成像信号。该方法和装置能够解决了磁共振扩散成像模型参数随磁共振序列中回波时间变化而引起测量偏差的技术问题。
-
Patent Agency Ranking
公开(公告)号：CN117012375B
公开(公告)日：2024-03-26
申请号：CN202311284104.5
申请日：2023-10-07
Applicant: 之江实验室
Abstract: 本发明公开了一种基于患者拓扑特征相似性的临床决策支持方法和系统，该方法包括：采集患者的电子健康记录数据；对电子健康记录数据进行预处理，得到标准化的每个患者的诊疗事件；根据每个患者的诊疗事件以及医疗知识图谱构建患者的异构图；通过一阶共有邻居计算患者之间的一阶相似性，通过异构元路径挖掘患者间的高阶相似性，融合两种相似性得到患者间的相似度；对相似度排序得到M个相似度最高的患者，根据该M个患者的电子健康记录数据进行临床分析，得到分析结果为医生设计治疗方案提供指导。本发明不需要专家知识库，可以兼容不同的医疗领域，同时避免了长时间训练和黑盒特性，有利于节省时间成本，有助于增强泛化能力和可解释性。
-
公开(公告)号：CN117574896A
公开(公告)日：2024-02-20
申请号：CN202410056657.3
申请日：2024-01-16
Applicant: 之江实验室
IPC: G06F40/289 , G06F40/242 , G06F40/247 , G16H10/60
Abstract: 本发明涉及一种基于电子病历文本的手术费用识别方法、装置及存储介质，其中方法包括：步骤S1：获取标准手术词集合，并构建标准手术词集合的超集；步骤S2：将非结构化的电子病历文本预处理，得到和手术相关的片段，并对各片段进行分词，分别得到关联于各片段的单词序列；步骤S3：将单词序列输入至训练好的手术词生成模型，生成原始手术词序列；步骤S4：对所有原始手术词进行合并，得到多个原始手术词集合；步骤S5：基于原始手术词集合构建手术词树；步骤S6：将手术词树中的节点映射至标准手术词，并将根节点的所有第一级子节点所映射的标准手术词的费用之和作为识别结果。与现有技术相比，本发明具有准确率高等优点。
-
公开(公告)号：CN116564535B
公开(公告)日：2024-02-20
申请号：CN202310529197.7
申请日：2023-05-11
Applicant: 之江实验室
Abstract: 本发明公开了一种基于隐私保护下局部图信息交换的中心疾病预测方法，本发明通过构建图中间变量，并在差分隐私保护下完成各个医疗机构图中间变量的交换，从而保证了医疗机构在隐私保护场景下利用其他医疗机构的关系图信息完成本地图神经网络模型的训练，进而提升全局图神经网络模型的预测准确性。本发明还提供了基于隐私保护下局部图信息交换的中心疾病预测装置。
-
公开(公告)号：CN116895372B
公开(公告)日：2024-02-09
申请号：CN202311164847.9
申请日：2023-09-11
Applicant: 之江实验室
Abstract: 本发明公开了一种基于大规模语言模型与元学习的智能急救分级系统，该系统包括信息录入模块、信息分析模块和智能急救医疗统筹模块；信息录入模块用于从多方面获取患者信息；信息分析模块基于大规模语言模型分析信息录入模块的语音录入单元获取的信息内容，提取患者相关信息；基于元学习模型实现对患者急危重程度评估，通过元学习模型中的基学习器实现急救分级、急诊分诊与响应时间估计；智能急救医疗统筹模块用于统筹安排救治顺序和协调调度，对急救与候诊患者进行实时风险预警，及时调整诊疗顺序。本发明针对院前院内衔接问题，提出智能急救分级系统，实现快速而有效的急危重程度评估与风险预警，并提供实时状态监测与统筹安排。
-
公开(公告)号：CN116978570B
公开(公告)日：2024-02-06
申请号：CN202311238621.9
申请日：2023-09-25
Applicant: 之江实验室
Abstract: 本发明公开了一种在线实时患者危重程度评估及生命体征参数预测系统，包括：患者生命体征参数获取模块；患者生理状态特征获取模块；采样实例获取模块，用于根据患者生理状态特征获取人体状态统计分布参数，配置累积测量权重，根据人体状态统计分布参数和累积测量权重获取当前的人体累积状态统计分布，对当前的人体累积状态统计分布进行采样，得到采样实例；死亡风险预测模块，用于获取患者死亡风险分布，患者死亡风险分布通过死亡率在每一区间的发生概率以及每一区间的期望死亡率表示；将死亡率在每一区间的发生概率与每一区间的期
-
-
-
-
-
-
-
-
-
Search Results
292
records
(took 0.026 seconds)
