一种图像去噪方法及装置
    41.
    发明授权

    公开(公告)号:CN106097257B

    公开(公告)日:2019-03-05

    申请号:CN201610375435.3

    申请日:2016-05-30

    Abstract: 本发明涉及一种图像去噪方法及装置。该图像去噪方法包括步骤a:根据给定的原始图像加噪声之后的图像In,提取图像像素特征,根据图像像素特征构建特征向量;步骤b:根据给定的原始图像I0,提取像素值I(i,j)作为相对In在给定位置提取的特征向量的目标值;步骤c:根据提取特征向量以及特征向量的目标值得到输入样本,将输入样本带入极限学习机,求得输出权重值,并确定极限学习机去噪的数学模型;步骤d:根据极限学习机去噪数学模型对其他含噪图像进行去噪操作,完成图像去噪。本发明实施例的图像去噪方法及装置能够有效的滤除图像中的噪声,提高图像质量,并且该方法的均方误差小,峰值信噪比大,对多种噪声的去噪效果明显。

    基于树莓派的内窥镜诊疗系统、方法及装置

    公开(公告)号:CN108309206A

    公开(公告)日:2018-07-24

    申请号:CN201810174782.9

    申请日:2018-03-02

    Abstract: 本发明适用内窥镜技术领域,提供了一种基于树莓派的内窥镜诊疗系统、方法及装置,该该系统包括:内窥镜、树莓派以及网络电子设备,本发明首先通过树莓派控制内窥镜的内窥摄像头对待诊疗部位进行视频数据采集,然后树莓派通过预先设置的访问端口向外提供该视频数据的访问,最后会诊人员在远程通过网络电子设备根据访问端口获取该视频数据并显示输出,会诊人员通过显示输出的现场实时图像对待诊疗部位进行诊疗,通过本发明的内窥镜诊疗系统实现了内窥视频的网络传输和会诊人员的远程会诊,从而提高了内窥诊疗的灵活性、便利性以及实用性,并降低了内窥诊疗系统的成本和功耗。

    内窥镜及检查方法
    43.
    发明授权

    公开(公告)号:CN103948364B

    公开(公告)日:2016-06-15

    申请号:CN201410175964.X

    申请日:2014-04-28

    Inventor: 海媛 辜嘉 秦文健

    Abstract: 本发明公开了一种内窥镜及检查方法。其中内窥镜包括内管、外管、镜头和冷光源,镜头设置在内窥镜的前端,冷光源设置在镜头的前端的外管和内管之间,还包括热光源,热光源设置在冷光源之间的间隙中。本发明的内窥镜及检查方法,利用热光源在发光时将绝大多数能量转换成热能释放出来的特性,利用热光源对内窥镜的镜头的前端进行加热,减小镜头与检查腔体的之间的温度差,起到防雾的作用。且本发明的内窥镜将热光源集成在冷光源原有布局范围内,不必为新加入的加热装置预备存放空间,使整个内窥镜的前端体积保持不变,避免由于加热装置的加入而导致的内窥镜前端体积增大。

    一种数字病理切片全景图像自动分析方法及系统

    公开(公告)号:CN105550651A

    公开(公告)日:2016-05-04

    申请号:CN201510922049.7

    申请日:2015-12-14

    Abstract: 本发明提供的数字病理全景切片图像自动分析方法和系统,对病理图像进行颜色增强和归一化标准化处理,并获取图像中感兴趣特征提取区域;对所述图像标准化模块中的感兴趣特征提取区域的病理切片颜色、形态学、纹理和空间分布特征进行检测,再根据所述图像特征提取模块的检测结果,对所述病理图像进行自动分类和量化指标计算,根据所述自动分类模块的分类结果,辅助医护人员诊断,从而能够实时地、准确地实现对数字病理切片全景图像自动分析。

    肿瘤超声成像特征提取方法和系统

    公开(公告)号:CN103948402A

    公开(公告)日:2014-07-30

    申请号:CN201410201896.X

    申请日:2014-05-13

    Abstract: 本发明涉及一种肿瘤超声成像特征提取方法和系统。所述方法包括以下步骤:从超声成像图像中选取感兴趣区域;获取所述感兴趣区域的超声背散射信号;提取所述感兴趣区域的超声背散射信号的统计分布形态参数和信号频谱参数。上述肿瘤超声成像特征提取方法和系统,从超声成像图像的超声背散射信号中提取统计分布形态参数和信号频谱参数,根据所提取的参数能定量分析肿瘤情况,相比于传统的人工观察准确性高。

    一次性多功能止血钳
    46.
    发明公开

    公开(公告)号:CN103099653A

    公开(公告)日:2013-05-15

    申请号:CN201210341688.0

    申请日:2012-09-14

    Abstract: 本发明提出一种一次性多功能止血钳,其包括相互对称且相互铰接的两个钳体,每一所述钳体均包括钳柄和设置于所述钳柄顶端的钳头。所述一次性多功能止血钳采用可降解生物高分子材料制成;每一所述钳体的钳头均设置有多个通槽,所述通槽的宽度是相邻的所述通槽之间的间隔宽度的1~2倍;所述两个钳头的多个通槽在所述一次性多功能止血钳夹持时一一对应相通;所述两个钳头相对夹持的表面分别设置有相互配合的夹齿。所述一次性多功能止血钳可避免重复多次使用,有效防止因消毒不彻底而引起交叉感染;便于缩短手术时间,减少手术人员的工作量;且可避免因某些夹持部位的组织表面较光滑而产生滑落,保证手术的顺利进行。

    一种全息层析三维显微镜
    47.
    发明授权

    公开(公告)号:CN116149157B

    公开(公告)日:2025-04-18

    申请号:CN202310212031.2

    申请日:2023-03-07

    Inventor: 张旺 秦文健 曾光

    Abstract: 本申请公开了一种全息层析三维显微镜,包括:全息光路以及FPGA模块;全息光路包括光源和光学传感器,光源用于产生光束,一部分光束经过观测对象得到物光,另一部分光束作为参考光,物光和参考光叠加发生干涉,生成干涉条纹,光学传感器记录干涉条纹得到全息图像;FPGA模块包括全息重建单元以及层析三维重建单元;全息重建单元使用衍射传播算法将全息图像重建成幅度图和相位图;层析三维重建单元使用层析重建算法根据幅度图和相位图进行层析三维重建,得到三维图像。相较于现有技术中利用计算机进行三维重建,本申请利用FPGA实现基于全息图像进行三维重建,解决了相关技术中存在的全息显微镜重建速度慢、体积大、功耗高的问题。

    图像分割模型训练方法、图像分割方法、装置及设备

    公开(公告)号:CN118279579A

    公开(公告)日:2024-07-02

    申请号:CN202410266317.3

    申请日:2024-03-08

    Inventor: 郑博匀 秦文健

    Abstract: 本申请公开了一种图像分割模型训练方法、图像分割方法、装置及设备。模型训练方法包括获取样本图像;将样本图像输入风格变换模块,以输出风格变换后的第二源域图像以及风格变换后的第二目标域图像;将第一源域图像、第二源域图像、第一目标域图像、以及第二目标域图像输入分割网络,以输出预测的第一源域图像分割图、第二源域图像分割图、第一目标域图像分割图以及第二目标域图像分割图;利用源域的语义信息对第一源域图像分割图、第二源域图像分割图进行约束和/或利用目标域的语义信息对第一目标域图像分割图以及第二目标域图像分割图进行约束,以对图像分割模型进行训练。本申请图像分割模型的训练方法,提高了模型性能,避免了模型过拟合。

    靶区勾画方法、模型训练方法、装置及设备

    公开(公告)号:CN118212248A

    公开(公告)日:2024-06-18

    申请号:CN202410287553.3

    申请日:2024-03-13

    Abstract: 本申请公开了一种靶区勾画方法、模型训练方法、装置及设备,该方法包括获取待勾画靶区目标的医学图像数据;调用训练好的图像分割模型,输入医学图像数据以输出对应的靶区勾画结果及插植针分割结果;其中,图像分割模型包括用于输出靶区勾画结果的靶区勾画网络以及用于输出插植针分割结果的插植针分割网络,靶区勾画网络与插植针分割网络共享至少部分参数;基于设定的剂量计划数据及插植针分割结果对靶区勾画结果进行修正。本申请通过搭建包括靶区勾画网络以及插值针分割网络的多任务网络模型,以同时实现靶区和插植针的全自动分割;从而整体提高图像分割模型的分割能力;基于剂量计划数据及所述插植针分割结果可以对靶区的勾画结果进行修正。

    医学三维模型的生成方法、装置、电子设备及存储介质

    公开(公告)号:CN117437365B

    公开(公告)日:2024-04-12

    申请号:CN202311756147.9

    申请日:2023-12-20

    Inventor: 秦文健 陈鑫

    Abstract: 本申请提供了一种医学三维模型的生成方法、装置、电子设备及存储介质,涉及计算机技术领域。该医学三维模型的生成方法包括:响应于交互界面中的输入操作,获取医学文本;调用第一生成网络,在医学文本的引导下,对输入第一生成网络的第一张量进行学习,得到符合医学文本描述的医学二维图像;第一生成网络是经过训练、且具有从医学文本到医学二维图像的生成能力的深度学习模型;将医学二维图像输入第二生成网络进行医学三维模型的生成;第二生成网络是经过训练、且具有从医学二维图像到医学三维模型的生成能力的深度学习模型;将第二生成网络生成的医学三维模型,显示在交互界面中。本申请解决了相关技术中存在的医学三维模型真实度差的问题。

Patent Agency Ranking