-
公开(公告)号：CN115409856A
公开(公告)日：2022-11-29
申请号：CN202211183941.4
申请日：2022-09-27
Applicant: 北京医准智能科技有限公司
Abstract: 本公开提供了一种肺部医学图像处理方法、装置、设备及存储介质，所述方法包括：获取三维的目标肺部CT图像；将所述目标肺部CT图像输入预先训练的医学图像分割模型，得到所述目标肺部CT图像中的各个肺部病变区域图像。采用该方法，其中，医学图像分割模型为基于三维的样本肺部CT图像、预先标注的样本肺部CT图像中的各个病变区域图像和预设的实例损失函数，对待训练神经网络进行训练得到的，而实例损失函数反映了预先标注的各个病变区域图像对待训练神经网络分割所述样本肺部CT图像中的病变区域图像的影响，利用实例损失函数使得训练得到的医学图像分割模型有效地减少了肺部多发病变区域图像的漏分割，提升了肺部CT图像分割效果。
-
公开(公告)号：CN114627296B
公开(公告)日：2022-11-08
申请号：CN202210282010.3
申请日：2022-03-21
Applicant: 北京医准智能科技有限公司
Abstract: 本公开提供了图像分割模型的训练方法，方法包括：基于第一编码子网络和解码子网络，确定第一训练子集中的第一标注样本图像对应的第一标注预测图像；基于第一编码子网络、第二编码子网络和变换子网络，确定第一训练子集中全部样本图像对应的空间特征向量；基于第一标注样本图像对应的第一标注图像和第一标注预测图像确定图像分割模型的第一子损失值；基于第一训练子集中全部样本图像对应的空间特征向量确定图像分割模型的第二子损失值；基于图像分割模型的第一子损失值和第二子损失值，训练图像分割模型；其中，第一训练子集中包括至少一组样本图像对，每一组样本图像对包括从同一视频中获取的标注样本图像和非标样本图像。
-
公开(公告)号：CN115294400A
公开(公告)日：2022-11-04
申请号：CN202211013114.0
申请日：2022-08-23
Applicant: 北京医准智能科技有限公司
IPC: G06V10/764 , G06V10/774 , G06V10/80 , G06T7/00 , G06T7/11 , G06T9/00
Abstract: 本公开提供了一种图像分类模型的训练方法、装置、电子设备及存储介质，包括：确认第一样本图像和第一掩码图像；基于所述第一掩码图像训练图像分类模型包括的第一编码器，确认训练完成的第一编码器为第二编码器；将第二样本图像输入至第二编码器和全连接层分类器中，确认全连接层分类器的输出为第二样本图像的肺部预测分类结果；基于第二样本图像的肺部标注分类结果和第二样本图像的肺部预测分类结果调整全连接层分类器的参数，或者调整第二编码器和全连接层分类器的参数。
-
公开(公告)号：CN115240005A
公开(公告)日：2022-10-25
申请号：CN202210901681.3
申请日：2022-07-28
Applicant: 北京医准智能科技有限公司
IPC: G06V10/764 , G06V10/774
Abstract: 本公开提供了一种图像分类模型的训练方法、装置、设备及存储介质，包括：确认样本集；其中，所述样本集中包括正位样本图像，以及正位样本图像和侧位样本图像组成的图像对；所述图像对来源于同一目标；将所述样本集输入至所述图像分类模型中，对所述图像分类模型进行训练；其中，所述图像分类模型包括正位分支、侧位分支和融合分支，所述正位分支包括第一编码器和第一分类器；所述侧位分支包括第二编码器和第二分类器；所述融合分支包括特征融合层和第三分类器。
-
公开(公告)号：CN115082742A
公开(公告)日：2022-09-20
申请号：CN202210920449.4
申请日：2022-08-02
Applicant: 北京医准智能科技有限公司
IPC: G06V10/764 , G06V10/774
Abstract: 本公开提供了一种图像分类模型的训练方法、装置、电子设备及存储介质，包括：获取目标对象对应的横切图像和纵切图像所对应的视觉特征；基于图像分类模型包括的图间变换器，将所述视觉特征映射至第一属性图包括的各目标节点，确定各目标节点的属性特征的预测概率；基于图像分类模型包括的图内变换器，对所述分类图中各分类节点进行特征融合，确定各分类节点对应的分类预测概率；基于所述各目标节点的属性特征的预测概率，以及各目标节点的属性特征的标签确认第一子损失；基于所述各分类节点对应的分类预测概率，以及所述目标对象的分类标签确认第二子损失；基于所述第一子损失和所述第二子损失调整所述图像分类模型的参数。
-
Patent Agency Ranking
公开(公告)号：CN115049590A
公开(公告)日：2022-09-13
申请号：CN202210541331.0
申请日：2022-05-17
Applicant: 北京医准智能科技有限公司
IPC: G06T7/00 , G06V10/22 , G06V10/764 , G06V10/82 , G06T7/73 , G06T7/66 , G06T7/11 , G06T5/30 , G06T3/40
Abstract: 本申请提供了一种图像处理方法、装置、电子设备及存储介质；获取血管对应的三维图像；确定所述三维图像中的血管图像和所述血管图像对应的第一候选区域；确定所述第一候选区域中的钙化成份的位置信息和所述钙化成份对应的第二候选区域；确定所述第二候选区域中的钙化成份特征点和非钙化成份特征点；基于所述钙化成份特征点和所述非钙化成份特征点，确定所述血管包括的成份类别。通过本申请，能够提高图像处理的精度。
-
公开(公告)号：CN113902692B
公开(公告)日：2022-09-02
申请号：CN202111128432.7
申请日：2021-09-26
Applicant: 北京医准智能科技有限公司
Abstract: 本发明公开了一种血管的分割方法、装置及计算机可读介质，属于图像处理技术领域。该方法包括：将所述血管电子计算机断层扫描CT图像作为训练样本，对所述训练样本进行图像特征提取，得到血管特征图；对所述血管特征图分别进行位置特征提取和语义特征提取，得到血管的位置特征向量和语义特征向量；基于所述位置特征向量和所述语义特征向量，进行模型训练，得到血管分割模型；利用所述血管分割模型对待测血管CT图像进行预测处理，生成血管分割结果。由此，能够避免血管分割结果出现血管断裂和/或静脉血管粘连等问题，提高了血管分割的准确性，解决了现有技术中存在的血管图像远距离依赖问题。
-
公开(公告)号：CN114972242A
公开(公告)日：2022-08-30
申请号：CN202210563950.X
申请日：2022-05-23
Applicant: 北京医准智能科技有限公司
IPC: G06T7/00 , G06T3/00 , G06N3/04 , G06T7/66 , G06T7/73 , G06V10/22 , G06V10/40 , G06V10/764 , G06V10/774 , G06V10/82
Abstract: 本公开提供了一种心肌桥检测模型的训练方法、装置及电子设备，包括：获取心脏图像训练集的第一样本图像中第一血管对应的第一血管拉直图像，以及所述第一血管拉直图像对应的心脏掩码图像；将所述第一血管拉直图像和所述心脏掩码图像输入至心肌桥检测模型包括的特征提取模块中，确定所述特征提取模块的输出为第一图像特征；将所述第一图像特征输入至所述心肌桥检测模型包括的检测模块中，确定所述检测模块的输出，为所述第一血管被覆盖心肌桥的预测概率；基于心脏掩码图像中第一血管的标注，与所述第一血管被覆盖心肌桥的预测概率，调整所述心肌桥检测模型的参数。
-
公开(公告)号：CN114943717A
公开(公告)日：2022-08-26
申请号：CN202210612213.4
申请日：2022-05-31
Applicant: 北京医准智能科技有限公司
IPC: G06T7/00 , G06V10/22 , G06V10/40 , G06V10/764 , G06V10/766 , G06V10/80 , G06V10/82 , G06T3/40 , G06N3/04
Abstract: 本申请公开了一种乳腺病灶检测方法、装置、电子设备及可读存储介质，该方法包括：采用第一网络提取待检测乳腺断层影像的第一特征，及与待检测乳腺断层影像相邻的多张乳腺断层影像的第二特征；将第一特征及第二特征进行拼接，得到第三特征；采用第二网络对第三特征进行处理，得到第四特征；采用第三网络对第四特征进行处理，得到待检测乳腺断层影像对应的乳腺病灶检测结果。本申请实施例考虑了三维空间中不同层的乳腺断层影像之间的关联性，有效地利用到了待检测乳腺断层影像的三维上下文信息，可以大大地提升乳腺断层影像中乳腺病灶的检测准确性。
-
公开(公告)号：CN114881937A
公开(公告)日：2022-08-09
申请号：CN202210397848.7
申请日：2022-04-15
Applicant: 北京医准智能科技有限公司
Abstract: 本发明实施例提供一种针对超声切面的检测方法及装置，该方法首先将第一标准超声切面图像与第二标准超声切面图像组合形成正样本对；将第一标准超声切面图像与M个异常超声切面图像中任一异常超声切面图像组合形成负样本对，得到M个负样本对；将正样本对和M个负样本对共同作为训练样本；然后对正样本对和负样本对进行特征提取处理，得到第一特征向量、第二特征向量、以及M个异常切面特征向量；之后基于正样本对的相似度，以及每个负样本对的相似度，进行自监督的对比学习得到损失函数；最后对模型参数进行迭代更新，当对损失函数趋于最小时，得到超声切面检测模型。由此能够提高模型训练的准确性，进而有利于对异常超声切面图像进行准确检测。
-
-
-
-
-
-
-
-
-
Search Results
201
records
(took 0.052 seconds)
