-
公开(公告)号：CN118587443B
公开(公告)日：2024-12-03
申请号：CN202411074124.4
申请日：2024-08-07
Applicant: 之江实验室
IPC: G06V10/26 , G06V10/82 , G06N3/0455 , G06N3/09 , G06N3/096 , G06N3/042 , G06V10/764
Abstract: 本发明公开了一种基于自训练和先验引导的图像分割方法和装置，该方法包括：对原始图像数据集进行标注，生成对应的真实掩码；使用含有真实掩码的图像对伪掩码生成网络进行训练，训练好的伪掩码生成网络用于根据不含掩码的图像生成伪掩码；从掩码图像中提取边界，生成边界图像；所述掩码图像包括真实掩码图像和伪掩码图像；基于原始图像及其对应的掩码图像和边界图像拼接成三通道图像；所述三通道图像用于训练图像分割模型，训练好的图像分割模型用于对待求图像进行分割。在计算资源和数据有限的情况下，本发明方法可以最大限度的减少训练参数量的同时发挥现有大模型的优势。本发明方法还可以加强分割模型的先验知识，进一步提升图像分割的结果。
-
公开(公告)号：CN116069956A
公开(公告)日：2023-05-05
申请号：CN202310316952.3
申请日：2023-03-29
Applicant: 之江实验室
Abstract: 本发明公开了一种基于混合注意力机制的药物知识图谱实体对齐方法及装置，本发明充分解析药物知识图谱中实体与实体之间长、短距离依赖关系，提高药物知识图谱间实体对齐的准确率。加入了对药物知识图谱中实体的固有属性信息的特征提取，同时对不同实体固有属性之间进行弱关联，从而捕捉实体间的非线性关系，进一步提高复杂知识图谱间实体对齐的准确率。本发明可以处理不同语言药物知识库之间的实体对齐问题，从而通过药物知识图谱的对齐方法解决了跨语言知识库之间的设定和构建等异质性问题。
-
公开(公告)号：CN120030162A
公开(公告)日：2025-05-23
申请号：CN202510519701.4
申请日：2025-04-24
Applicant: 之江实验室
IPC: G06F16/35 , G06V30/412 , G06V30/413
Abstract: 本申请涉及一种表格数据抽取方法、装置、计算机设备和存储介质，其中，该表格数据抽取方法包括：根据预设的第一大语言模型和第二大语言模型，确定各样本文档中的多个典型表格；其中，第一大语言模型用于对每个样本文档中的样本表格进行表格抽取，第二大语言模型用于基于表格抽取结果确定各样本文档中的多个典型表格；确定各典型表格中与目标文档中待抽取表格相匹配的目标典型表格；在目标典型表格关联有格式修正信息时，基于格式修正信息对待抽取表格进行修正；基于修正后待抽取表格的格式，对待抽取表格进行表格抽取，得到待抽取表格中的表格数据。通过本申请，解决了针对复杂表格数据的精细抽取效果不佳的问题，实现了复杂表格数据的精细抽取。
-
公开(公告)号：CN118711744B
公开(公告)日：2024-12-03
申请号：CN202411190635.2
申请日：2024-08-28
Applicant: 之江实验室
IPC: G16H15/00 , G06V10/26 , G06V10/764 , G06V10/82 , G06N3/0455 , G06N3/084 , G06N3/0985 , G06V10/25
Abstract: 本发明公开了一种融合图像识别和扩散式生成模型的超声报告生成方法。该方法首先在传统图像分割大模型的图像编码器中加入空间适配器，对超声扫描图像进行高精度的肿瘤区域分割；同时通过图像分类模型对超声图像中的肿瘤进行分类，分类和分割模型使用相同的图像空间编码器结构；进一步将诊断区域的肿瘤类型、区域和病理报告进行语义提取和对齐，作为超声报告生成的训练数据；最后使用扩散式超声图像描述生成模型完成对单张扫描图像的超声报告生成。本发明适用于大规模体检的超声报告生成，通过对分割大模型的网络结构优化，生成精准的肿瘤分割区域作为的诊断区域，提高了超声科医生的检查和诊断效率。
-
公开(公告)号：CN116309582B
公开(公告)日：2023-08-11
申请号：CN202310570690.3
申请日：2023-05-19
Applicant: 之江实验室
IPC: G06T7/00 , G06V10/764 , G06V10/82 , G06V10/774 , G06N3/0464 , G06N3/08
Abstract: 本说明书公开了一种便携式超声扫描图像的识别方法、装置及电子设备，本说明书实施例将患者病变部位的图像输入到图像识别模型中，通过图像识别模型，先对图像进行一次卷积，得到第一特征，再通过不同卷积核的卷积层，分别对第一特征进行卷积，得到第三特征和第四特征。将第三特征和第四特征进行拼接，得到第五特征。基于第五特征，确定出对图像进行病因识别的最终特征。在此方法中，同时采用不同卷积核的卷积层，对第一特征进行卷积处理，可以得到图像中不同的空间特征，再将不同的空间特征进行拼接，得到图像更多的空间特征，通过更多的空间特征进行病因识别，可以降低低质量图像对病因识别的干扰，从而提高病因识别的准确性。
-
Patent Agency Ranking
公开(公告)号：CN116030247A
公开(公告)日：2023-04-28
申请号：CN202310299830.8
申请日：2023-03-20
Applicant: 之江实验室
IPC: G06V10/25 , G06V10/762 , G06V10/774 , G06V10/80 , G06V10/82 , G06N3/04 , G06N3/08
Abstract: 本说明书公开了一种医学图像样本生成方法、装置、存储介质及电子设备。在本说明书提供的医学图像样本生成方法中，在用户分析医学图像时，采集医学图像，作为样本图像，并采集用户的视线数据；根据视线数据，在样本图像中，生成与医学信息相关的感兴趣区域，作为样本图像对应的标注图像；针对任意两个样本图像，对该两个样本图像进行融合，得到合成样本图像，并根据该两个样本图像对应的两个标注图像，得到合成标注图像，合成标注图像对应于合成样本图像；将各样本图像以及各合成样本图像确定为模型的训练样本，并将各标注图像以及各合成标注图像确定为模型的标注，进行基于深度学习框架的医学图像视线区域预测，即合成标注图像样本的生成。
-
公开(公告)号：CN118587443A
公开(公告)日：2024-09-03
申请号：CN202411074124.4
申请日：2024-08-07
Applicant: 之江实验室
IPC: G06V10/26 , G06V10/82 , G06N3/0455 , G06N3/09 , G06N3/096 , G06N3/042 , G06V10/764
Abstract: 本发明公开了一种基于自训练和先验引导的图像分割方法和装置，该方法包括：对原始图像数据集进行标注，生成对应的真实掩码；使用含有真实掩码的图像对伪掩码生成网络进行训练，训练好的伪掩码生成网络用于根据不含掩码的图像生成伪掩码；从掩码图像中提取边界，生成边界图像；所述掩码图像包括真实掩码图像和伪掩码图像；基于原始图像及其对应的掩码图像和边界图像拼接成三通道图像；所述三通道图像用于训练图像分割模型，训练好的图像分割模型用于对待求图像进行分割。在计算资源和数据有限的情况下，本发明方法可以最大限度的减少训练参数量的同时发挥现有大模型的优势。本发明方法还可以加强分割模型的先验知识，进一步提升图像分割的结果。
-
公开(公告)号：CN116030247B
公开(公告)日：2023-06-27
申请号：CN202310299830.8
申请日：2023-03-20
Applicant: 之江实验室
IPC: G06V10/25 , G06V10/762 , G06V10/774 , G06V10/80 , G06V10/82 , G06N3/04 , G06N3/08
Abstract: 本说明书公开了一种医学图像样本生成方法、装置、存储介质及电子设备。在本说明书提供的医学图像样本生成方法中，在用户分析医学图像时，采集医学图像，作为样本图像，并采集用户的视线数据；根据视线数据，在样本图像中，生成与医学信息相关的感兴趣区域，作为样本图像对应的标注图像；针对任意两个样本图像，对该两个样本图像进行融合，得到合成样本图像，并根据该两个样本图像对应的两个标注图像，得到合成标注图像，合成标注图像对应于合成样本图像；将各样本图像以及各合成样本图像确定为模型的训练样本，并将各标注图像以及各合成标注图像确定为模型的标注，进行基于深度学习框架的医学图像视线区域预测，即合成标注图像样本的生成。
-
公开(公告)号：CN116309582A
公开(公告)日：2023-06-23
申请号：CN202310570690.3
申请日：2023-05-19
Applicant: 之江实验室
IPC: G06T7/00 , G06V10/764 , G06V10/82 , G06V10/774 , G06N3/0464 , G06N3/08
Abstract: 本说明书公开了一种便携式超声扫描图像的识别方法、装置及电子设备，本说明书实施例将患者病变部位的图像输入到图像识别模型中，通过图像识别模型，先对图像进行一次卷积，得到第一特征，再通过不同卷积核的卷积层，分别对第一特征进行卷积，得到第三特征和第四特征。将第三特征和第四特征进行拼接，得到第五特征。基于第五特征，确定出对图像进行病因识别的最终特征。在此方法中，同时采用不同卷积核的卷积层，对第一特征进行卷积处理，可以得到图像中不同的空间特征，再将不同的空间特征进行拼接，得到图像更多的空间特征，通过更多的空间特征进行病因识别，可以降低低质量图像对病因识别的干扰，从而提高病因识别的准确性。
-
公开(公告)号：CN114723842A
公开(公告)日：2022-07-08
申请号：CN202210569044.0
申请日：2022-05-24
Applicant: 之江实验室
Abstract: 本发明公开了一种基于深度融合神经网络的稀疏视角CT成像方法和设备。该方法通过获取稀疏视角的投影测量数据来降低单次CT扫描照射剂量，并使用滤波反投影法得到初始CT图像；构建由初始CT图像编码器、投影测量数据编码器、深层特征融合模块、融合特征解码器和全局信息补充模块构成的深度融合神经网络，训练深度融合神经网络，在训练过程中使用模拟退火进行人工衰减，损失函数由平均绝对误差和结构相似性误差组合而成，最终获得高质量CT重建图像。本发明与其他计算量相当的CT重建方法如滤波反投影法相比，能够更有效地去除稀疏视角CT图像中的重建伪影，并能够显著提升经典的图像度量指标如均方根误差、峰值信噪比、结构相似性指标等。
-
-
-
-
-
-
-
-
-
Search Results
16
records
(took 0.017 seconds)
