-
公开(公告)号：CN112102294B
公开(公告)日：2024-03-01
申请号：CN202010975996.3
申请日：2020-09-16
Applicant: 推想医疗科技股份有限公司
IPC: G06T7/00 , G06T7/33 , G06N3/0464 , G06N3/0455 , G06N3/0475 , G06N3/094 , G06N3/048
Abstract: 本发明提供了一种生成对抗网络的训练方法及装置、图像配准方法及装置。该生成对抗网络的训练方法包括：利用生成网络对样本浮动图像和样本参考图像进行配准，生成样本浮动图像配准至样本参考图像的预测变换参数；基于预测变换参数和变换参数标签，对判别网络和生成网络进行交替对抗训练，得到训练后的生成对抗网络，能够提高图像配准的效率。
-
公开(公告)号：CN112734740B
公开(公告)日：2024-02-23
申请号：CN202110065815.8
申请日：2021-01-18
Applicant: 推想医疗科技股份有限公司
IPC: G06T7/00 , G06T7/136 , G06V10/764 , G06V10/774 , G06V10/82 , G06N3/04 , G06N3/08
Abstract: 本发明提供了一种训练目标检测模型的方法，该方法包括：获取训练图像的特征图；确定所述特征图中的预测框，所述预测框用于指示所述训练图像中的目标区域；确定所述预测框的候选损失值及所述候选损失值对应的权重，所述权重是根据所述预测框与真值之间的差异确定的；根据所述候选损失值及所述权重确定损失值；根据所述损失值训练所述目标检测模型。本发明实施例中的方法可以解决现有技术中目标检测模型在训练过程中不易收敛的问题。
-
公开(公告)号：CN112529863B
公开(公告)日：2024-01-23
申请号：CN202011413929.9
申请日：2020-12-04
Applicant: 推想医疗科技股份有限公司 , 中南大学
IPC: G06T7/00 , G06T7/11 , G06T5/30 , G06N3/0455 , G06N3/0464 , G06N3/08 , A61B6/50 , A61B6/03
Abstract: 本发明提供了一种测量骨密度的方法及装置，所述方法由骨密度测量模型执行，所述骨密度测量模型是基于深度学习方法预先训练后得到的，所述骨密度测量模型包括特征提取模块、图像分割模块及骨密度估算模块，包括：使用所述特征提取模块获取输入图像的特征图，所述输入图像包括待测量脊柱椎体；使用所述图像分割模块基于所述特征图对所述输入图像进行椎体分割，得到所述输入图像中待测量脊柱椎体的图像分割结果，所述图像分割结果用于确定所述待测量脊柱椎体中的目标区域；使用所述骨密度估算模块，根据所述图像分割结果进行骨密度值估算，得到所述目标区域的骨密度值。本发明实施例中的方法能够提高骨密度测量的效率。
-
公开(公告)号：CN112116005B
公开(公告)日：2024-01-23
申请号：CN202010987247.2
申请日：2020-09-18
Applicant: 推想医疗科技股份有限公司
IPC: G06V10/764 , G06V10/44 , G06V10/80 , G06V10/82 , G06T7/73 , G06N3/0464 , G06N3/045 , G06N3/0475 , G06N3/08
Abstract: 本发明提供了一种影像分类模型的训练方法及装置、存储介质和电子设备。该训练方法包括分别对整体影像和整体影像中的局部影像进行特征提取得到第一特征和第二特征，整体影像中除局部影像之外的区域具有病灶，局部影像包含由病灶引起的结构变异；融合第一特征和第二特征得到第三特征；对第三特征进行分类输出最终分类结果；根据最终分类结果训练影像分类模型，从而能够实现采用本发明实施例中的影像分类模型对整体影像中的难以定位或区分的病灶进行准确分类。
-
公开(公告)号：CN111368827B
公开(公告)日：2023-08-29
申请号：CN202010124647.0
申请日：2020-02-27
Applicant: 推想医疗科技股份有限公司
Abstract: 本发明实施例公开了一种医学图像处理方法、装置、计算机设备及存储介质，该方法包括：确定同一扫描数据对应的至少两个窗宽窗位图像；将所确定的所述至少两个窗宽窗位图像同时输入已训练的神经网络模型中，以得到所述扫描数据对应的感兴趣区识别结果。解决了现有技术的临床医学图像诊断中存在感兴趣区识别准确率较低的问题，达到了提高临床医学图像中的感兴趣区识别的准确率、速度和全面性。
-
Patent Agency Ranking
公开(公告)号：CN115690143B
公开(公告)日：2023-07-11
申请号：CN202211176669.7
申请日：2022-09-26
Applicant: 推想医疗科技股份有限公司
IPC: G06T7/187 , G06T7/155 , G06N3/0464 , G06N3/084
Abstract: 本发明公开了一种图像分割方法、装置、电子设备及存储介质。该方法包括：获取待分割血管图像，将待分割血管图像输入至预先训练完成的掩膜分割模型，得到初始掩膜分割图像；基于初始掩膜分割图像确定至少一个采样中心点，遍历各所述采样中心点分别执行以下操作：对于当前采样中心点，基于当前采样中心点对待分割血管图像进行切块，得到当前采样中心点对应的血管切块图像；并确定当前采样中心点的切块拼接图像；将当前采样中心点的切块拼接图像输入至分割追踪模型，得到当前采样中心点对应的切块分割图像；基于各采样中心点的切块分割图像确定目标血管分割图像。上述技术方案，提高了血管分割的连贯性，从而避免血管分割断裂的情况发生。
-
公开(公告)号：CN111445456B
公开(公告)日：2023-06-27
申请号：CN202010223799.6
申请日：2020-03-26
Applicant: 推想医疗科技股份有限公司
IPC: G06T7/00 , G06T7/11 , G06T7/155 , G06T7/187 , G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/08 , G06N20/10 , G06T5/30
Abstract: 本申请公开了一种分类模型、网络模型的训练方法及装置、识别方法及装置。该网络模型的训练方法包括：根据包含脑部的血肿区域的样本图像，通过分类模型，确定所述血肿区域的征象类别的第一分类结果；根据所述第一分类结果和所述包含脑部的血肿区域的样本图像，训练预设网络模型，以生成所述网络模型，所述网络模型用于识别所述血肿区域的易扩张性。利用本申请实施例提供的网络模型的训练方法训练生成的网络模型，能够减少识别血肿是否易扩大所花费的时间，同时提高识别血肿是否易扩大的准确率和效率。
-
公开(公告)号：CN116128819A
公开(公告)日：2023-05-16
申请号：CN202211658622.4
申请日：2022-12-22
Applicant: 推想医疗科技股份有限公司 , 北京大学人民医院
Abstract: 本申请公开了一种图像处理方法、模型训练方法和装置及电子设备。该方法包括：对肺部医学影像的纵隔区域进行分区，得到至少两个纵膈分区图像，其中，不同纵膈分区图像包括纵隔区域的不同解剖结构；根据至少两个纵膈分区图像，通过神经网络模型中的至少两个分支网络，对不同解剖结构进行病变检测，得到肺部医学影像的纵膈区域的病变检测结果，其中，一个分支网络至少用于检测一个纵膈分区图像的解剖结构中的纵膈病变。一个分支网络至少用于检测一个纵膈分区图像的解剖结构中的病变，也就是说，对于不同的纵膈分区图像采用不同的分支网络进行病变检测，以实现最佳的病变检测性能，从而提高了纵膈病变检测的准确性。
-
公开(公告)号：CN115937127A
公开(公告)日：2023-04-07
申请号：CN202211524950.5
申请日：2022-11-30
Applicant: 推想医疗科技股份有限公司
Abstract: 本申请提供了一种颈动脉斑块狭窄类别检测方法，包括：基于头颈部CTA图像、头颈部CTA图像的血管类别分段数据、斑块分割数据和血管中线，确定头颈部CTA图像中的颈动脉包括的斑块对应的斑块区域图像和斑块拉直区域图像；分别对斑块区域图像和斑块拉直区域图像进行稀疏卷积特征提取操作和卷积特征提取操作，得到斑块狭窄率预测数据；基于斑块狭窄率预测数据，确定斑块对应的斑块狭窄类别检测结果。该方法能够有效利用斑块稀疏性特点，从而有效利用图像信息，提高特征提取的鲁棒性，进而实现提高斑块狭窄类别检测结果准确性的目的。此外，本申请采用稀疏卷积特征提取操作，能够降低算力要求，从而降低对设备显存要求，进而实现降低硬件成本的目的。
-
公开(公告)号：CN111275719B
公开(公告)日：2023-04-07
申请号：CN202010062860.3
申请日：2020-01-19
Applicant: 推想医疗科技股份有限公司
IPC: G06T7/11 , G06V10/764 , G06V10/774 , G06V10/82 , G06N3/0464 , G06N3/084
Abstract: 本发明实施例公开了一种钙化假阳识别及其模型训练的方法、装置、终端及介质，其中模型训练方法包括：获取样本乳腺图像，及样本乳腺图像中的第一候选钙化点，并对第一候选钙化点中的假阳钙化点进行标记；根据第一候选钙化点对样本乳腺图像进行裁剪，得到第一候选钙化点的区域图像，并对区域图像进行卷积处理；将区域图像以及卷积处理后的区域图像输入钙化假阳识别模型，输出假阳钙化点，以输出的假阳钙化点与标记的假阳钙化点的偏量小于预设阈值为目标，对钙化假阳识别模型进行训练。通过经权利要求1‑5中任一项所述模型训练方法训练得到的识别模型可实现对假阳钙化点的识别，从而可有效降低钙化识别的假阳率，有利于提高医师阅片效率，以及后续对对钙化区域形态和分别的识别处理。
-
-
-
-
-
-
-
-
-
Search Results
389
records
(took 0.042 seconds)
