-
公开(公告)号：CN117808827A
公开(公告)日：2024-04-02
申请号：CN202311805376.5
申请日：2023-12-26
Applicant: 中国科学院苏州生物医学工程技术研究所
Abstract: 本申请公开了一种脑部梗死区域的分割方法，该方法通过获取脑部检测图像数据和预设阈值，基于所述预设阈值对所述脑部检测图像数据进行阈值分割得到脑部检测预分割图像数据，获取多个预设尺度滤波器，基于所述多个预设尺度滤波器对所述脑部检测预分割图像数据进行特征提取处理，得到脑部梗死特征提取结果，对所述脑部梗死特征提取结果与所述脑部检测图像数据进行拼接处理，得到拼接处理结果，对所述拼接处理结果进行区域分割处理，确定得到所述脑部检测图像数据的目标梗死区域，解决了信息处理技术领域中对缺血性脑卒中梗死区的分割准确性的问题，提高了特征对比度，提高了数据的信噪比，提升了脑部梗死区域的分割精度和分割效率。
-
公开(公告)号：CN117765301A
公开(公告)日：2024-03-26
申请号：CN202311648340.0
申请日：2023-12-04
Applicant: 中国科学院苏州生物医学工程技术研究所 , 丽水市中心医院
IPC: G06V10/764 , G06V10/82 , G06V10/54 , G06N3/0464 , G06N3/042 , G06N3/0499 , G06V10/44
Abstract: 本发明提供基于知识引导的肺部病理细胞多分类方法、设备及介质，该方法包括以下步骤：将肺部病理细胞图像作为输入被同时送入双分支分类网络的两个分支中；其中，双分支分类网络的两个分支为图卷积空间拓扑信息分支和纹理卷积特征分支；将两个分支生成的特征向量进行拼接；通过多层感知机根据拼接后的特征向量生成最终的分类结果。本发明在保留神经网络自动提取特征的基础上，将临床诊断的先验知识引入网络结构中辅助分类，能够提升分类的准确性；并且能够简化前处理过程并将特征的筛选由神经网络自发的完成，不仅能够提升分类网络效率，也有助于提升分类的准确率，即实现了在简化前处理过程的同时提升了肺部病理细胞分类的准确性。
-
公开(公告)号：CN110236482B
公开(公告)日：2024-03-22
申请号：CN201910471543.4
申请日：2019-05-31
Applicant: 中国科学院苏州生物医学工程技术研究所
Abstract: 本发明公开了一种一体化眼脑部视觉功能成像系统，包括：视觉刺激呈现设备，呈现包含多种刺激诱发范式的图片和视频；眼部视觉成像设备，是基于多光谱的视网膜和瞳孔成像设备；脑部视觉成像设备，是基于近红扩散相关谱技术的视觉脑皮层血流信号成像设备；协同工作站，包括成像采集控制模块和图像分析模块，用于协同控制眼部视觉成像设备和脑部视觉成像设备，并将获取到的多光谱视网膜、瞳孔图像和视觉脑皮层血流图像进行处理与分析。通过该系统能够实现眼部视网膜、瞳孔和大脑视觉皮层神经功能响应的同步记录，对多模态多参数的视觉生理信号进行联合分析，为视觉信息编解码、视觉重建机理研究、视觉神经调控定量评估受损定位等提供方法。
-
公开(公告)号：CN113763441B
公开(公告)日：2024-01-26
申请号：CN202110984076.2
申请日：2021-08-25
Applicant: 中国科学院苏州生物医学工程技术研究所
IPC: G06T7/33 , G06N3/0464 , G06N3/048
Abstract: 本发明公开了一种无监督学习的医学图像配准方法及系统，该方法包括以下步骤：1)构建深度学习配准网络，其包括空间自注意力配准网络和多分辨率图像配准网络；2)将固定图像F和待配准的浮动图像M输入深度学习配准网络中，得到F和M之间的形变场 3)基于形变场 采用三线性插值对M进行空间变换，得到最终的配准结果 将 与F的结构信息相似测度、平滑约束项和雅可比负值折叠罚项共同作为深度学习配准网络的损失函数L来引导网络参数的优化。本发明无需预先准备的分割标签或形变场标签，可对不同模态中的大形变区域得到较好的配准精度，且本发明的配准速度快、可达到实时性效果。
-
公开(公告)号：CN112163987B
公开(公告)日：2024-01-26
申请号：CN202010640114.8
申请日：2020-07-06
Applicant: 中国科学院苏州生物医学工程技术研究所 , 苏州科技城医院
Abstract: 本发明公开了一种穿刺路径规划系统，包括：三维影像分割模块、三维影像配准模块、二维影像显示模块、三维影像显示模块、穿刺规划路径交互选择模块以及穿刺自动规划和风险评估模块。本发明通过三维影像配准模块可将多模态影像配准到同一个坐标系中，将术前和术中的不同模态影像对齐，从而可以使模态影像得到充分利用；本发明中，穿刺路径在人为设定基础上，通过穿刺自动规划和风险评估模块可进行穿刺风险评估及进一步优化，从而能降低风险；本发明中穿刺路径不仅在三维影像显示模块中显示，还映射到二维影像显示模块中，通过二维影像显示模块中与三维影像显示模块相互补充，能提高穿刺路径评估的精确性。
-
Patent Agency Ranking
公开(公告)号：CN112820372B
公开(公告)日：2024-01-23
申请号：CN202110136898.5
申请日：2021-02-01
Applicant: 中国科学院苏州生物医学工程技术研究所 , 丽水市中心医院
IPC: G16H20/00 , G16H50/70 , G06F16/903 , G06F16/906
Abstract: 本发明公开了一种护理方案自动生成方法及系统，该方法包括以下步骤：1)建立患病特征数据库；2)建立疾病类型数据库；3)建立患者护理方案数据库；4)对入院患者，利用所述患病特征数据库、所述疾病类型数据库匹配，判断得到患者所患的最低级别病种的名称，最后结合患者的基础信息从所述患者护理方案数据库中匹配得到该患者的个性化护理方案。本发明能够实现护理方案的自动生成，能减小医生的工作量，且能生成规范化的护理方案，防止出现护理方案缺失、信息遗漏等问题；本发明通过以患者的病种结合患者的个人特征信息为依据，能得出针对患者特征的个性化护理方案，使得护理方案能更加贴合患者的实际需求，具有更好的护理效果。
-
公开(公告)号：CN115239677A
公开(公告)日：2022-10-25
申请号：CN202210911231.2
申请日：2022-07-29
Applicant: 中国科学院苏州生物医学工程技术研究所 , 苏州大学附属第二医院
Abstract: 本申请公开了一种医学影像的分割方法、装置及计算机设备，包括：获取目标医学影像的点击位置，以该点击位置为中心，向外获取多条等角度的射线及每条射线上的等间距体素的距离测度值，以该距离测度值基础，以点击位置为中心，进行多次分割，获取目标连接区域、目标分割区域及球面凸包区域的并集区域，进而确定该点击位置所对应的组织器官的最终的分割结果。解决了由于现有技术的缺失，亟需一种新的医学影像的分割方法以解决手动分割费时费力、效率低下的问题，在手动点击的基础上，利用无监督、无需训练的智能化方法，最大程度的实现了点击区域的边缘自动识别和分割，显著提高了手动分割的效率，并保留了手动分割的高兼容性、高准确性。
-
公开(公告)号：CN115205459A
公开(公告)日：2022-10-18
申请号：CN202210833395.8
申请日：2022-07-14
Applicant: 中国科学院苏州生物医学工程技术研究所
Abstract: 本发明提供了一种医学影像处理显示方法及系统，该方法包括如下步骤：获取采集对象对应的医学模态影像集，利用所述医学模态影像集建立第一三维重建模型，生成初始图像，通过光场显示器将所述初始图像显示为用于人眼观察的三维初始图像；确定观察者在所述三维初始图像上的目标观察点；确定所述目标观察点的位置对应的目标对象，所述目标对象为所述采集对象中局部组织；调取所述目标对象的多视角二维图像集，将所述多视角二维图像集生成目标图像，通过所述光场显示器将所述目标图像显示为用于人眼观察的三维目标图像。观察者在观察过程中，全程无需手动操作，即可多角度、立体、直观的观察目标对象。
-
公开(公告)号：CN114372143A
公开(公告)日：2022-04-19
申请号：CN202111566765.8
申请日：2021-12-20
Applicant: 中国科学院苏州生物医学工程技术研究所 , 苏州市急救中心
Abstract: 本发明公开了一种用于电子病历的分级预测方法、系统以及计算机设备，该方法包括以下步骤：1)构建创伤患者的电子病历数据集；2)进行类别标签划分，挑选部分数据作为训练集，剩余数据隐藏标签后作为无标签语料库；3)利用无标签语料库对预训练的语言模型进行进一步训练，得到进一步训练后的语言模型；4)利用进一步训练得到的语言模型表示训练集样本，进行分类训练，得到最终的分级预测模型；5)将待分级的电子病历输入所述分级预测模型，得到电子病历的分级结果。本发明能够利用电子病历数据，对急救创伤患者的分诊等级进行精确的分级预测，从而为医生的进一步处理提供具有参考价值的信息，能提高分级预测的精度、减小医疗人员的工作量。
-
公开(公告)号：CN110705293A
公开(公告)日：2020-01-17
申请号：CN201910785097.4
申请日：2019-08-23
Applicant: 中国科学院苏州生物医学工程技术研究所
Abstract: 本发明属于医疗信息数据处理技术领域，具体涉及一种基于预训练语言模型的电子病历文本命名实体识别方法，包括：从公开数据集收集电子病历文本作为原始文本，并预处理；基于规范医疗术语集对经预处理的原始文本实体标注，得标注文本；将标注文本输入预训练语言模型，得字向量表示的训练文本；构建BiLSTM-CRF序列标注模型，对训练文本进行学习，得训练的标注模型；以训练的标注模型作为实体识别模型，输入测试文本即可输出标注的类别标签序列。利用在超大规模中文语料中训练得到深层语言模型中的文本特征和语义信息，能够提供更好的语义压缩效果，避免人工标注繁琐复杂的问题，且不依赖词典和规则，提高了命名实体识别的查全率和准确率。
-
-
-
-
-
-
-
-
-
Search Results
114
records
(took 0.058 seconds)
