-
公开(公告)号：CN116229218A
公开(公告)日：2023-06-06
申请号：CN202310516976.3
申请日：2023-05-09
Applicant: 之江实验室
IPC: G06V10/774 , G06V10/74 , G06T7/33 , G06T11/00
Abstract: 本说明书公开了一种模型训练、图像配准方法及装置，可以基于第一原始图像和第二原始图像中包含的每个体素的正态分布，通过随机采样的方式生成用于训练配准模型的样本图像，并且由于生成的样本图像中包含的每个体素在采样过程中的值是随机的，所以生成的样本图像的对比度不同，但是，由于生成的样本图像中包含的每个体素在采样过程中是基于真实图像的正态分布生成的，所以生成的样本图像中包含的体素的分布仍与真实图像中包含的体素的分布相似，从而可以提升用于训练配准模型的训练样的多样性，进而可以增强配准模型的通用性以及泛化性。
-
公开(公告)号：CN115578263B
公开(公告)日：2023-03-10
申请号：CN202211435386.X
申请日：2022-11-16
Applicant: 之江实验室
Abstract: 本发明公开了一种基于生成网络的CT超分辨重建方法、系统及装置，包括如下模块：采集模块：用于采集低分辨率的原始CT图像数据；预处理模块：用于对原始CT图像进行基于全变差的超分辨重建以得到初始值；超分辨重建模块：用于对初始值进行高分辨率重建。本发明采用参数微调的方法，在不使用大量数据集进行训练的前提下，将不适用于某一患者的CT重建网络调整成适应于此患者情况的网络，此过程仅利用该患者自身的低分辨率CT数据，无需相应的高分辨率CT数据作为标签，因此可以灵活应对医学数据中因人而异情况复杂的问题，具有极佳的泛化性。此发明的技术旨在重建出的图像空间分辨率高于实际获得的图像，同时确保高信噪比。
-
公开(公告)号：CN115578263A
公开(公告)日：2023-01-06
申请号：CN202211435386.X
申请日：2022-11-16
Applicant: 之江实验室
Abstract: 本发明公开了一种基于生成网络的CT超分辨重建方法、系统及装置，包括如下模块：采集模块：用于采集低分辨率的原始CT图像数据；预处理模块：用于对原始CT图像进行基于全变差的超分辨重建以得到初始值；超分辨重建模块：用于对初始值进行高分辨率重建。本发明采用参数微调的方法，在不使用大量数据集进行训练的前提下，将不适用于某一患者的CT重建网络调整成适应于此患者情况的网络，此过程仅利用该患者自身的低分辨率CT数据，无需相应的高分辨率CT数据作为标签，因此可以灵活应对医学数据中因人而异情况复杂的问题，具有极佳的泛化性。此发明的技术旨在重建出的图像空间分辨率高于实际获得的图像，同时确保高信噪比。
-
公开(公告)号：CN115131642A
公开(公告)日：2022-09-30
申请号：CN202211047979.9
申请日：2022-08-30
Applicant: 之江实验室
IPC: G06V10/80 , G06V10/762 , G06V10/20
Abstract: 本发明公开了一种基于多视子空间聚类的多模态医学数据融合系统，首先对影像进行结构化处理得到影像特征，同时，提取电子病历中与疾病相关的临床变量得到临床特征，然后基于多视子空间聚类引导的多模态数据融合模型，对影像特征和临床特征进行筛选与融合，得到每个特征的重要性排序，最后根据设定的特征数目，得到电子病历和影像数据的融合结果，该融合结果综合电子病历信息和影像信息，从而提高相关疾病预测结果的准确性；本发明保证每种模态的数据在各自空间中可以自表示，保持块对角结构，同时保证融合数据的聚类结果是一致的。利用多视子空间的互补性原则和一致性原则可以综合多模态数据中的互补信息，保证分析结果的一致性。
-
公开(公告)号：CN114565613A
公开(公告)日：2022-05-31
申请号：CN202210466102.7
申请日：2022-04-29
Applicant: 之江实验室
IPC: G06T7/00 , G06T7/62 , G06V10/25 , G06V10/26 , G06V10/762 , G06V10/82 , G06K9/62 , G16H50/20 , A61B6/00 , A61B6/03
Abstract: 本发明公开了一种基于有监督深度子空间学习的胰腺术后糖尿病预测系统。利用深度卷积神经网络自动分割术前CT胰腺区域，利用MITK软件进行胰腺切缘模拟，获得术后的残余胰腺区域，大大减小感兴趣区域标注的工作量。对残余胰腺区域提取传统影像组学特征和深层语义特征，构建高维影像特征集；提取与糖尿病相关的临床因素，包括胰腺切除率、脂肪与肌肉组织成分、人口学信息和生活习惯，构建临床特征集。基于一个有监督的深度子空间学习网络，对影像和临床特征在子空间中进行降维表示和融合，同时训练预测模型，挖掘与预测任务高度相关的敏感特征，对患者术后患糖尿病风险进行预测，具有较高的自动化程度和判别精度。
-
Patent Agency Ranking
公开(公告)号：CN110728291B
公开(公告)日：2022-02-22
申请号：CN201910629792.1
申请日：2019-07-12
Applicant: 之江实验室
IPC: G06K9/62
Abstract: 本发明公开了一种基于多中心模式下随机森林算法的特征重要性排序系统，该系统包括部署在参与协同计算的各中心的前置机、接收并整合各中心特征重要性排序结果的中心服务器、将最终特征重要性排序结果反馈给用户的结果展示模块。本发明基于多中心的随机森林算法，在各个中心分别计算特征重要性排序结果；在中心服务器进行整合各个中心的排序结果，形成全局性的特征重要性排序结果。本发明在不暴露各个中心数据的条件下，各个中心的数据始终在各中心，只向中心服务器传递中间参数，不传递原始数据，有效保障了数据安全和数据中包含的个人隐私。
-
公开(公告)号：CN113674281A
公开(公告)日：2021-11-19
申请号：CN202111240331.9
申请日：2021-10-25
Applicant: 之江实验室
Abstract: 本发明公开了一种基于深度形状学习的肝脏CT自动分割方法，首先建立肝脏分割数据集并进行预处理，利用肝脏分割对肝脏CT进行粗分割；其次建立肝脏形状集，利用变分自编码器学习肝脏形状，并构建几何形状正则化模块，然后将几何形状正则化模块加入肝脏分割中，得到受几何形状一致性约束的肝脏分割模型，用于肝脏CT的自动分割。本发明创新性地将表示后的形状特征通过正则化模块加入到已有的深度分割网络中，在卷积神经网络的训练过程中引入形状先验信息，可以提高分割模型的正则性和泛化能力，使得分割的结果更加符合标准肝脏的医学解剖学特点。本发明具有自动化、精度高、可迁移扩展的特点，可以实现以肝脏为代表的腹部大器官的自动精准分割。
-
公开(公告)号：CN119888384A
公开(公告)日：2025-04-25
申请号：CN202510380938.9
申请日：2025-03-28
Applicant: 之江实验室
IPC: G06V10/764 , G06V10/25 , G06V10/774 , G06V10/44 , G06V10/80 , G06V10/82
Abstract: 本发明公开了一种基于混合影像组学模型的卵巢肿瘤交恶性分类系统。一方面，将Med3D网络中的骨干网络作为深度特征提取器构建目标网络，并用多模态3D磁共振影像数据对目标网络进行微调训练得到相应的卵巢肿瘤分类网络，以用于获取深度特征以及肿瘤分类结果。另一方面，提取肿瘤感兴趣区域的组学特征，并得到组学预测模型对应的肿瘤分类结果。此外，将深度特征和组学特征进行融合并通过KNN分类算法得到相应的分类结果。最后，根据以上三个分类结果的加权平均得到最终的卵巢肿瘤交恶性分类结果。本发明通过综合多种模型和算法，实现对卵巢肿瘤患者的多模态MRI影像数据进行更加全面的特征挖掘和分析，从而提高最终的卵巢肿瘤分类效果。
-
公开(公告)号：CN118916842B
公开(公告)日：2025-03-11
申请号：CN202411412220.5
申请日：2024-10-11
Applicant: 之江实验室
Abstract: 本发明公开了基于知识蒸馏的缺失多模态数据动态融合方法、系统及装置，基于分类网络构建多个单模态教师模型，通过每种单个模态数据对分类网络分别训练，得到对应的单模态教师模型；基于门限网络和一系列专家网络构建多模态动态融合网络，门限网络用于决定哪些专家网络被激活，输出一个one‑hot的向量，向量的长度为专家网络的个数，每个专家网络使用的数据是多个模态的子集进行特征融合，通过包含完整模态的数据训练完成后的多模态动态融合网络作为学生模型；利用教师模型对学生模型进行蒸馏训练，将实际获取的多模态数据输入到多模态动态融合网络，得到类别预测结果。本发明能够提高数据的有效利用率并提高多模态模型的预测准确性。
-
公开(公告)号：CN118822851B
公开(公告)日：2025-02-14
申请号：CN202411274993.1
申请日：2024-09-12
Applicant: 之江实验室
IPC: G06T3/4053 , G06T3/4046 , G06T3/4084 , G06N3/0475 , G06N3/045 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种基于扩散模型的高频信息引导的医学影像超分辨方法和装置，该方法首先获取医学影像数据并进行预处理，以构建数据集；然后构建包含高频生成网络，进一步构建结合离散小波变换和扩散模型的超分辨算法，并基于数据集对该模型进行训练；再使用数据集通过评估指标对训练好的超分辨算法的性能进行评估，并根据评估结果进一步调整模型参数，以获取最优超分辨算法模型；最后获取最优的超分辨算法模型，将低分辨率图像输入最优的超分辨算法模型以获取高分辨率图像。本发明包含了一种利用高频生成网络，结合离散小波变换和扩散模型的超分辨算法模型，避免了扩散模型加噪过程破坏高频信息的问题。
-
-
-
-
-
-
-
-
-
Search Results
54
records
(took 0.022 seconds)
