-
公开(公告)号：CN117009924A
公开(公告)日：2023-11-07
申请号：CN202311277196.4
申请日：2023-10-07
Applicant: 之江实验室
IPC: G06F18/25 , G06F18/214 , G06F18/24 , G16H10/60
Abstract: 本发明涉及一种电子病历引导的多模态自适应多中心数据融合方法及系统，所述融合方法包括以下步骤：在服务器端构建电子病历引导的多模态融合网络模型，该多模态网络模型包括编码器模块、电子病历引导的多模态注意力模块、电子病历引导的多头共注意力模块和自适应降采样模块；以各客户端作为参与者构建联邦学习框架，基于各客户端的本地数据完成用于多中心协作交互的基于联邦学习的多模态网络模型参数的动态更新，自适应实现多中心电子病历数据和影像数据的融合。与现有技术相比，本发明在充分挖掘多模态数据中隐藏的有用信息的基础上，引入联邦学习机制，充分利用分布在不同医疗机构的多模态信息，解决数据融合精度低及泛化性差的问题。
-
公开(公告)号：CN117009924B
公开(公告)日：2024-01-26
申请号：CN202311277196.4
申请日：2023-10-07
Applicant: 之江实验室
IPC: G06F18/25 , G06F18/214 , G06F18/24 , G16H10/60
Abstract: 本发明涉及一种电子病历引导的多模态自适应多中心数据融合方法及系统，所述融合方法包括以下步骤：在服务器端构建电子病历引导的多模态融合网络模型，该多模态网络模型包括编码器模块、电子病历引导的多模态注意力模块、电子病历引导的多头共注意力模块和自适应降采样模块；以各客户端作为参与者构建联邦学习框架，基于各客户端的本地数据完成用于多中心协作交互的基于联邦学习的多模态网络模型参数的动态更新，自适应实现多中心电子病历数据和影像数据的融合。与现有技术相比，本发明在充分挖掘多模态数据中隐藏的有用信息的基础上，引入联邦学习机制，充分利用分布在不同医疗机构的多模态信息，解决数据融合精度低及泛化性差的问题。
-
公开(公告)号：CN116823810B
公开(公告)日：2023-11-17
申请号：CN202311074898.2
申请日：2023-08-25
Applicant: 之江实验室
Abstract: 本发明公开了一种基于联邦学习的腹部多器官动态增强分割方法及系统，包括：在服务器端构建的腹部多器官部分标注动态增强网络模型；在客户端构建的用于基于本地部分标注数据进行训练的腹部多器官部分标注动态增强分割网络模型训练模块；用于客户端和服务器端进行协作交互的联邦学习框架构建模块。与现有技术相比，本发明将联邦学习机制引入多器官分割网络中，可以有效利用分布在不同医疗中心的不同部分标注种类的多器官分割图像信息来训练一个多器官分割网络，不仅打破了对多器官分割完全标注数据的限制，还可以让多个医疗中心在不共享隐私数据的基础上实现跨机构的协同建模，进一步提高模型的稳健性与泛化性，缓解医疗行业隐私保护难题。
-
公开(公告)号：CN119762787A
公开(公告)日：2025-04-04
申请号：CN202510248236.5
申请日：2025-03-04
Applicant: 之江实验室
Abstract: 本发明公开了一种基于自提示引导的动态决策图像分割方法，属于计算机视觉技术领域。所述方法包括如下步骤：获取数据集并对数据预处理；构建并通过结合特定领域知识优化SAM模型，使其能够更好地适应遥感图像和医学影像等复杂场景；通过引导模型自主生成适应性提示，摆脱传统方法对人工点、框或粗粒度掩码的依赖；设计了动态决策机制，根据图像内容动态调整决策策略，使决策过程更加灵活，有效应对复杂和变化多端的图像内容；通过优化决策过程，使模型推理过程更加透明，增强标注结果的可解释性和可信度，从而满足对高精度和高可信度有严格要求的领域需求。
-
Patent Agency Ranking
公开(公告)号：CN118782251B
公开(公告)日：2025-03-28
申请号：CN202411266240.6
申请日：2024-09-11
Applicant: 之江实验室
Abstract: 本发明公开了一种基于全肝影像和深度学习的全自动肝癌复发风险预测系统及装置，包括：增强CT肝脏自动分割模块，用于基于增强CT图像获取全肝掩码；增强CT肝癌自动分割模块，用于基于增强CT图像和全肝掩码获取肝癌掩码；基于全肝影像和深度学习的复发风险预测模块，用于基于增强CT图像和全肝掩码获取全肝感兴趣区域，并结合肝癌掩码作为共同输入，预测风险评分，并生成与复发风险相关的显著性图。本发明通过对包括肿瘤在内的全肝影像区域建模分析，充分挖掘肿瘤内和肿瘤外肝脏实质中重要的复发风险相关信息，该系统性能超出了传统临床模型和基于肿瘤的模型，并且具有全自动和非侵入性的优点，有助于改进对肝癌患者的个性化管理。
-
公开(公告)号：CN118782251A
公开(公告)日：2024-10-15
申请号：CN202411266240.6
申请日：2024-09-11
Applicant: 之江实验室
Abstract: 本发明公开了一种基于全肝影像和深度学习的全自动肝癌复发风险预测系统及装置，包括：增强CT肝脏自动分割模块，用于基于增强CT图像获取全肝掩码；增强CT肝癌自动分割模块，用于基于增强CT图像和全肝掩码获取肝癌掩码；基于全肝影像和深度学习的复发风险预测模块，用于基于增强CT图像和全肝掩码获取全肝感兴趣区域，并结合肝癌掩码作为共同输入，预测风险评分，并生成与复发风险相关的显著性图。本发明通过对包括肿瘤在内的全肝影像区域建模分析，充分挖掘肿瘤内和肿瘤外肝脏实质中重要的复发风险相关信息，该系统性能超出了传统临床模型和基于肿瘤的模型，并且具有全自动和非侵入性的优点，有助于改进对肝癌患者的个性化管理。
-
公开(公告)号：CN115187783B
公开(公告)日：2022-12-27
申请号：CN202211099106.2
申请日：2022-09-09
Applicant: 之江实验室
IPC: G06V10/26 , G06V10/52 , G06V10/764 , G06V10/774 , G06V10/80 , G06V10/82 , G06N3/08
Abstract: 本发明公开了一种基于联邦学习的多任务混合监督医疗图像分割方法及系统，包括：基于各种弱监督数据以及完全监督和未标记数据的数据采集模块；基于联邦学习的第一阶段多任务网络模型模块，基于第二阶段伪标签生成模块，基于第二阶段动态样本选择模块，基于不同阶段的联邦模型动态更新模块。本发明打破了单一标签类型的限制，提出一种基于联邦学习的多任务混合模型架构，通过检测任务辅助医学图像分割任务联合各方数据进行协同建模，确保患者隐私的基础上，打破各方的数据孤岛，不仅充分地挖掘多机构数据的潜能和深层价值，而且充分利用任务之间的关系进而挖掘有效的上下文特征，实现不同层次特征之间的信息互补，进而提高模型的准确性和鲁棒性。
-
公开(公告)号：CN115187783A
公开(公告)日：2022-10-14
申请号：CN202211099106.2
申请日：2022-09-09
Applicant: 之江实验室
IPC: G06V10/26 , G06V10/52 , G06V10/764 , G06V10/774 , G06V10/80 , G06V10/82 , G06N3/08
Abstract: 本发明公开了一种基于联邦学习的多任务混合监督医疗图像分割方法及系统，包括：基于各种弱监督数据以及完全监督和未标记数据的数据采集模块；基于联邦学习的第一阶段多任务网络模型模块，基于第二阶段伪标签生成模块，基于第二阶段动态样本选择模块，基于不同阶段的联邦模型动态更新模块。本发明打破了单一标签类型的限制，提出一种基于联邦学习的多任务混合模型架构，通过检测任务辅助医学图像分割任务联合各方数据进行协同建模，确保患者隐私的基础上，打破各方的数据孤岛，不仅充分地挖掘多机构数据的潜能和深层价值，而且充分利用任务之间的关系进而挖掘有效的上下文特征，实现不同层次特征之间的信息互补，进而提高模型的准确性和鲁棒性。
-
公开(公告)号：CN116823810A
公开(公告)日：2023-09-29
申请号：CN202311074898.2
申请日：2023-08-25
Applicant: 之江实验室
Abstract: 本发明公开了一种基于联邦学习的腹部多器官动态增强分割方法及系统，包括：在服务器端构建的腹部多器官部分标注动态增强网络模型；在客户端构建的用于基于本地部分标注数据进行训练的腹部多器官部分标注动态增强分割网络模型训练模块；用于客户端和服务器端进行协作交互的联邦学习框架构建模块。与现有技术相比，本发明将联邦学习机制引入多器官分割网络中，可以有效利用分布在不同医疗中心的不同部分标注种类的多器官分割图像信息来训练一个多器官分割网络，不仅打破了对多器官分割完全标注数据的限制，还可以让多个医疗中心在不共享隐私数据的基础上实现跨机构的协同建模，进一步提高模型的稳健性与泛化性，缓解医疗行业隐私保护难题。
-
-
-
-
-
-
-
-
Search Results
9
records
(took 0.02 seconds)
