-
公开(公告)号：CN118429289A
公开(公告)日：2024-08-02
申请号：CN202410509320.3
申请日：2024-04-25
Applicant: 推想医疗科技股份有限公司 , 中国人民解放军总医院第一医学中心
IPC: G06T7/00 , G06T7/11 , G06T5/70 , G06T9/00 , G06V10/764 , G06V10/774 , G06V10/80 , G06V10/82 , G06V10/84 , G06N3/0455 , G06N3/084
Abstract: 本申请实施例公开了一种医学图像预测方法、模型训练方法及对应装置。方法包括：获取前n‑1个时间点的医学图像构成的图像序列；对图像序列进行编码，获得前n‑1个时间点的第一隐特征表示；对第n个时间点的第一隐特征表示进行加噪，获得第n个时间点的第二隐特征表示；将前n‑1个时间点的第一隐特征表示和第n个时间点的第二隐特征表示输入扩散模型，获得扩散模型利用前n‑1个时间点的第一隐特征表示对第n个时间点的第二隐特征表示进行去噪后得到的第三隐特征表示；对第三隐特征表示进行解码，获得第n个时间点的医学图像。本申请将前n‑1个时间点的第一隐特征表示作为扩散模型的条件信息，从而更加灵活、准确地引导第n个时间点的医学图像的生成。
-
公开(公告)号：CN113506277B
公开(公告)日：2024-06-28
申请号：CN202110807629.7
申请日：2021-07-16
Applicant: 推想医疗科技股份有限公司
Abstract: 本申请提供了一种图像处理方法及装置，该方法包括：基于冠脉起源图像获取主动脉关键层面，其中主动脉关键层面包括主动脉区域、第一冠脉连通域和第二冠脉连通域；将主动脉区域的中心点为原点，建立第一预设坐标系；基于第一预设坐标系中的第一坐标轴，确定左冠脉起源点的坐标和右冠脉起源点的坐标，其中右冠脉起源点为第一冠脉连通域的中心点，左冠脉起源点为第二冠脉连通域的中心点；基于左冠脉起源点的坐标和右冠脉起源点的坐标，获得判定结果，其中判定结果用于判定冠脉起源图像是否存在冠脉起源异常的情况。本申请的技术方案能够快速、精准定位左冠脉起源点和右冠脉起源点，以及加快冠脉起源异常的判定效率。
-
公开(公告)号：CN113256672B
公开(公告)日：2024-05-28
申请号：CN202110553737.6
申请日：2021-05-20
Applicant: 推想医疗科技股份有限公司
Abstract: 本申请公开了一种图像处理方法及装置，模型的训练方法及装置，电子设备。该方法包括：根据待分割图像的当前第一椎节对应的关键点和实例分割模型，对所述待分割图像的椎骨肋骨掩模图像上的当前第二椎节对应的当前肋骨进行目标检测，以确定所述当前肋骨所在位置；根据所述当前肋骨所在位置，对所述当前肋骨进行实例分割，以获得所述待分割图像的背景和当前肋骨的实例分割结果，不仅能够避免在对肋骨进行分割时出现欠分割、过分割等现象，还能够避免肋骨间的串色。
-
公开(公告)号：CN112102294B
公开(公告)日：2024-03-01
申请号：CN202010975996.3
申请日：2020-09-16
Applicant: 推想医疗科技股份有限公司
IPC: G06T7/00 , G06T7/33 , G06N3/0464 , G06N3/0455 , G06N3/0475 , G06N3/094 , G06N3/048
Abstract: 本发明提供了一种生成对抗网络的训练方法及装置、图像配准方法及装置。该生成对抗网络的训练方法包括：利用生成网络对样本浮动图像和样本参考图像进行配准，生成样本浮动图像配准至样本参考图像的预测变换参数；基于预测变换参数和变换参数标签，对判别网络和生成网络进行交替对抗训练，得到训练后的生成对抗网络，能够提高图像配准的效率。
-
公开(公告)号：CN112734740B
公开(公告)日：2024-02-23
申请号：CN202110065815.8
申请日：2021-01-18
Applicant: 推想医疗科技股份有限公司
IPC: G06T7/00 , G06T7/136 , G06V10/764 , G06V10/774 , G06V10/82 , G06N3/04 , G06N3/08
Abstract: 本发明提供了一种训练目标检测模型的方法，该方法包括：获取训练图像的特征图；确定所述特征图中的预测框，所述预测框用于指示所述训练图像中的目标区域；确定所述预测框的候选损失值及所述候选损失值对应的权重，所述权重是根据所述预测框与真值之间的差异确定的；根据所述候选损失值及所述权重确定损失值；根据所述损失值训练所述目标检测模型。本发明实施例中的方法可以解决现有技术中目标检测模型在训练过程中不易收敛的问题。
-
Patent Agency Ranking
公开(公告)号：CN112529863B
公开(公告)日：2024-01-23
申请号：CN202011413929.9
申请日：2020-12-04
Applicant: 推想医疗科技股份有限公司 , 中南大学
IPC: G06T7/00 , G06T7/11 , G06T5/30 , G06N3/0455 , G06N3/0464 , G06N3/08 , A61B6/50 , A61B6/03
Abstract: 本发明提供了一种测量骨密度的方法及装置，所述方法由骨密度测量模型执行，所述骨密度测量模型是基于深度学习方法预先训练后得到的，所述骨密度测量模型包括特征提取模块、图像分割模块及骨密度估算模块，包括：使用所述特征提取模块获取输入图像的特征图，所述输入图像包括待测量脊柱椎体；使用所述图像分割模块基于所述特征图对所述输入图像进行椎体分割，得到所述输入图像中待测量脊柱椎体的图像分割结果，所述图像分割结果用于确定所述待测量脊柱椎体中的目标区域；使用所述骨密度估算模块，根据所述图像分割结果进行骨密度值估算，得到所述目标区域的骨密度值。本发明实施例中的方法能够提高骨密度测量的效率。
-
公开(公告)号：CN112116005B
公开(公告)日：2024-01-23
申请号：CN202010987247.2
申请日：2020-09-18
Applicant: 推想医疗科技股份有限公司
IPC: G06V10/764 , G06V10/44 , G06V10/80 , G06V10/82 , G06T7/73 , G06N3/0464 , G06N3/045 , G06N3/0475 , G06N3/08
Abstract: 本发明提供了一种影像分类模型的训练方法及装置、存储介质和电子设备。该训练方法包括分别对整体影像和整体影像中的局部影像进行特征提取得到第一特征和第二特征，整体影像中除局部影像之外的区域具有病灶，局部影像包含由病灶引起的结构变异；融合第一特征和第二特征得到第三特征；对第三特征进行分类输出最终分类结果；根据最终分类结果训练影像分类模型，从而能够实现采用本发明实施例中的影像分类模型对整体影像中的难以定位或区分的病灶进行准确分类。
-
公开(公告)号：CN111368827B
公开(公告)日：2023-08-29
申请号：CN202010124647.0
申请日：2020-02-27
Applicant: 推想医疗科技股份有限公司
Abstract: 本发明实施例公开了一种医学图像处理方法、装置、计算机设备及存储介质，该方法包括：确定同一扫描数据对应的至少两个窗宽窗位图像；将所确定的所述至少两个窗宽窗位图像同时输入已训练的神经网络模型中，以得到所述扫描数据对应的感兴趣区识别结果。解决了现有技术的临床医学图像诊断中存在感兴趣区识别准确率较低的问题，达到了提高临床医学图像中的感兴趣区识别的准确率、速度和全面性。
-
公开(公告)号：CN115690143B
公开(公告)日：2023-07-11
申请号：CN202211176669.7
申请日：2022-09-26
Applicant: 推想医疗科技股份有限公司
IPC: G06T7/187 , G06T7/155 , G06N3/0464 , G06N3/084
Abstract: 本发明公开了一种图像分割方法、装置、电子设备及存储介质。该方法包括：获取待分割血管图像，将待分割血管图像输入至预先训练完成的掩膜分割模型，得到初始掩膜分割图像；基于初始掩膜分割图像确定至少一个采样中心点，遍历各所述采样中心点分别执行以下操作：对于当前采样中心点，基于当前采样中心点对待分割血管图像进行切块，得到当前采样中心点对应的血管切块图像；并确定当前采样中心点的切块拼接图像；将当前采样中心点的切块拼接图像输入至分割追踪模型，得到当前采样中心点对应的切块分割图像；基于各采样中心点的切块分割图像确定目标血管分割图像。上述技术方案，提高了血管分割的连贯性，从而避免血管分割断裂的情况发生。
-
公开(公告)号：CN111445456B
公开(公告)日：2023-06-27
申请号：CN202010223799.6
申请日：2020-03-26
Applicant: 推想医疗科技股份有限公司
IPC: G06T7/00 , G06T7/11 , G06T7/155 , G06T7/187 , G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/08 , G06N20/10 , G06T5/30
Abstract: 本申请公开了一种分类模型、网络模型的训练方法及装置、识别方法及装置。该网络模型的训练方法包括：根据包含脑部的血肿区域的样本图像，通过分类模型，确定所述血肿区域的征象类别的第一分类结果；根据所述第一分类结果和所述包含脑部的血肿区域的样本图像，训练预设网络模型，以生成所述网络模型，所述网络模型用于识别所述血肿区域的易扩张性。利用本申请实施例提供的网络模型的训练方法训练生成的网络模型，能够减少识别血肿是否易扩大所花费的时间，同时提高识别血肿是否易扩大的准确率和效率。
-
-
-
-
-
-
-
-
-
Search Results
381
records
(took 0.041 seconds)
