-
公开(公告)号：CN209707371U
公开(公告)日：2019-11-29
申请号：CN201821756046.6
申请日：2018-10-26
Applicant: 中国科学院苏州生物医学工程技术研究所
Abstract: 本实用新型公开了一种用于循环肿瘤细胞快速检测的大视场生物成像、扫描、分析装置，包括大面积单层细胞推片系统、大视场高分辨率反射式成像系统及小视场多光谱荧光显微成像系统；所述大视场高分辨率反射式成像系统包括大面阵探测器、整合控制模块、及图像处理模块；所述小视场多光谱荧光显微成像系统包括支撑框架、激发光光源模块、成像光路模块、显微物镜和三维移动载物台。本实用新型相比于现有循环肿瘤细胞检测设备，能够提高检测效率、降低假阳性、缩短检测时长、减低成本、隔绝样品交叉污染，本实用新型能实现全自动检测、扫描、成像，操作和使用上更为简便，也能够大大降低人工干预及主观判断引起的误差。(ESM)同样的发明创造已同日申请发明专利
-
公开(公告)号：CN207785668U
公开(公告)日：2018-08-31
申请号：CN201621420450.7
申请日：2016-12-23
Applicant: 中国科学院苏州生物医学工程技术研究所
Abstract: 本实用新型公开一种核黄素紫外胶联系统，包括：紫外组件，其包括位移可调节的紫外灯；位移可调节的定位组件，其包括出射光形成交汇点对准到眼部病灶区域的第一激光灯和第二激光灯；第一激光灯与紫外灯的出射光同光路；图像采集组件，其包括采集眼部实时图像的红外摄像头；控制器，其分别通信连接到紫外灯、第一激光灯、第二激光灯以及红外摄像头；控制器根据接收眼部实时图像，分别实时调节定位组件和紫外灯的位移，以实时对准紫外灯发出的紫外光与眼部病灶区域。本实用新型提供的核黄素紫外胶联系统，紫外光自动跟踪患者眼球位置以定位眼部最佳治疗位置，可实时监控及调整紫外光光强以保证最佳的治疗效果。(ESM)同样的发明创造已同日申请发明专利
-
公开(公告)号：CN206292164U
公开(公告)日：2017-06-30
申请号：CN201621355193.3
申请日：2016-12-12
Applicant: 中国科学院苏州生物医学工程技术研究所
IPC: G01N21/64
Abstract: 本实用新型公开一种生物成像仪，包括：放置透明载片的平台，样本供给装置用于向载片供给样本溶液；位于载片上的推片装置，用于推动样本溶液使其细胞单层平铺于载片；嵌设于平台的载玻片，用于透明承载平铺有单层样本细胞后的载片；位于载玻片下方的大视场成像装置，其，用于照射平铺有单层样本细胞的载片、若干次反射单层样本细胞的荧光以及阵列探测经若干次反射的单层样本细胞的荧光以输出载片的大视场图像；位于载玻片上的显微成像装置，用于照射载片并对载片上单层样本细胞进行显微成像；控制器。本实用新型提供的生物成像仪，实现同时兼顾大视场成像和高分辨率成像，完成稀有细胞或痕量微生物的大批量、快速、精确地识别与检测。
-
公开(公告)号：CN112862924B
公开(公告)日：2022-11-25
申请号：CN202011627364.4
申请日：2020-12-31
Applicant: 哈尔滨工业大学(威海)
IPC: G06T11/60
Abstract: 本发明提供一种多模态成像中图像重建方法、装置和系统，包括：接收数字滤波装置输出的任一滤波后信号；若所述任一滤波后信号为超声类型或光声类型，则基于多角度观测相控聚焦空间复合成像确定输出的所述任一滤波后信号对应的复合图像；若所述任一滤波后信号为弹性模态类型，则对所述任一滤波后信号依次进行组织位移估计、方向性滤波器和波速估计，确定输出的所述任一滤波后信号对应的弹性重建图像。本发明提供的方法、装置和系统，实现了多模态成像中图像重建输出的任一类型滤波后信号对应的重建图像都提升效果、提高分辨率且降低运算量，并且多种模态类型信号进行图像合成使最终成像更准确效果更好。
-
公开(公告)号：CN110880196A
公开(公告)日：2020-03-13
申请号：CN201911096094.6
申请日：2019-11-11
Applicant: 哈尔滨工业大学(威海)
Abstract: 本发明实施例提供基于深度学习的肿瘤光声图像快速重建方法及装置，方法包括：通过k-Wave工具箱和迭代重建算法，获取稀疏采样下，不同数量、形状、大小、位置、光吸收系数及信噪比的肿瘤光声仿真数据集，通过光声实验补充实验数据集；构建端到端的SEU-Net；采用预训练策略及有监督的学习方法在肿瘤光声仿真数据集和实验数据集上递进式训练SEU-Net，依次实现迭代重建算法重建图像到高质量标签图像、初始光声信号图到高质量标签图像的重建任务，得到训练好的肿瘤光声图像重建模型；将目标肿瘤的初始光声信号图输入肿瘤光声图像重建模型，输出重建后的高质量肿瘤光声图像。可实现基于稀疏采样的快速、高质量的肿瘤光声图像重建。
-
Patent Agency Ranking
公开(公告)号：CN110755755A
公开(公告)日：2020-02-07
申请号：CN201911096092.7
申请日：2019-11-11
Applicant: 哈尔滨工业大学(威海)
IPC: A61N5/067
Abstract: 本发明实施例提供一种智能自学习激光功率控制系统及光热治疗系统，智能自学习激光功率控制系统包括：自学习控制器和双闭环控制系统；自学习控制器，用于根据预设期望治疗温度和预设温度误差阈值，利用迭代自学习算法，获取双闭环控制系统的参考温度输入信号；所述双闭环控制系统采用内外两环控制结构，完成双闭环控制系统的整个环路的负反馈有差控制，以调节光热治疗系统中的加热治疗设备的输出功率达到设定值，使靶区温度稳定在预设范围。本发明实施例能够减小对光热治疗系统中的加热治疗设备的输出功率的控制误差，使靶区温度稳定在预设范围，避免利用光热治疗系统进行光热治疗期间对靶区组织边界处的正常组织造成伤害。
-
公开(公告)号：CN111127320B
公开(公告)日：2023-08-04
申请号：CN201911341072.1
申请日：2019-12-23
Applicant: 哈尔滨工业大学(威海)
IPC: G06T3/40
Abstract: 本发明实施例提供一种基于深度学习的光声图像超分辨重建方法及装置，其中，方法包括：通过k‑Wave工具箱、迭代重建算法，制备光声图像超分辨重建仿真数据集，并通过光声实验和图像下采样算法补充实验数据集；构建超分辨率网络SE‑EDSR；采用预训练策略在仿真数据集和实验数据集上递进式地训练SE‑EDSR，依次完成×2、×3、×4的超分辨重建任务，得到最终的光声图像×4超分辨重建模型；将目标光声图像输入训练好的光声图像×4超分辨重建模型，输出超分辨重建后的×4的高分辨图像。可实现基于深度学习的光声图像超分辨重建，显著降低传统重建算法对光声信号质量的严苛要求，有效节省信号采集带来的经济成本及时间成本。
-
公开(公告)号：CN110755755B
公开(公告)日：2021-05-28
申请号：CN201911096092.7
申请日：2019-11-11
Applicant: 哈尔滨工业大学(威海)
IPC: A61N5/067
Abstract: 本发明实施例提供一种智能自学习激光功率控制系统及光热治疗系统，智能自学习激光功率控制系统包括：自学习控制器和双闭环控制系统；自学习控制器，用于根据预设期望治疗温度和预设温度误差阈值，利用迭代自学习算法，获取双闭环控制系统的参考温度输入信号；所述双闭环控制系统采用内外两环控制结构，完成双闭环控制系统的整个环路的负反馈有差控制，以调节光热治疗系统中的加热治疗设备的输出功率达到设定值，使靶区温度稳定在预设范围。本发明实施例能够减小对光热治疗系统中的加热治疗设备的输出功率的控制误差，使靶区温度稳定在预设范围，避免利用光热治疗系统进行光热治疗期间对靶区组织边界处的正常组织造成伤害。
-
公开(公告)号：CN111127320A
公开(公告)日：2020-05-08
申请号：CN201911341072.1
申请日：2019-12-23
Applicant: 哈尔滨工业大学(威海)
IPC: G06T3/40
Abstract: 本发明实施例提供一种基于深度学习的光声图像超分辨重建方法及装置，其中，方法包括：通过k-Wave工具箱、迭代重建算法，制备光声图像超分辨重建仿真数据集，并通过光声实验和图像下采样算法补充实验数据集；构建超分辨率网络SE-EDSR；采用预训练策略在仿真数据集和实验数据集上递进式地训练SE-EDSR，依次完成×2、×3、×4的超分辨重建任务，得到最终的光声图像×4超分辨重建模型；将目标光声图像输入训练好的光声图像×4超分辨重建模型，输出超分辨重建后的×4的高分辨图像。可实现基于深度学习的光声图像超分辨重建，显著降低传统重建算法对光声信号质量的严苛要求，有效节省信号采集带来的经济成本及时间成本。
-
公开(公告)号：CN110880196B
公开(公告)日：2023-06-09
申请号：CN201911096094.6
申请日：2019-11-11
Applicant: 哈尔滨工业大学(威海)
IPC: G06T11/00 , G06N3/08 , G06N3/0464
Abstract: 本发明实施例提供基于深度学习的肿瘤光声图像快速重建方法及装置，方法包括：通过k‑Wave工具箱和迭代重建算法，获取稀疏采样下，不同数量、形状、大小、位置、光吸收系数及信噪比的肿瘤光声仿真数据集，通过光声实验补充实验数据集；构建端到端的SEU‑Net；采用预训练策略及有监督的学习方法在肿瘤光声仿真数据集和实验数据集上递进式训练SEU‑Net，依次实现迭代重建算法重建图像到高质量标签图像、初始光声信号图到高质量标签图像的重建任务，得到训练好的肿瘤光声图像重建模型；将目标肿瘤的初始光声信号图输入肿瘤光声图像重建模型，输出重建后的高质量肿瘤光声图像。可实现基于稀疏采样的快速、高质量的肿瘤光声图像重建。
-
-
-
-
-
-
-
-
-
Search Results
34
records
(took 0.06 seconds)
