-
公开(公告)号：CN106780475B
公开(公告)日：2019-10-01
申请号：CN201611235221.2
申请日：2016-12-27
Applicant: 北京市计算中心
Abstract: 本发明提供一种基于病理组织切片图像组织区域的图像处理方法及装置，该方法包括：步骤1，对病理组织切片图像进行预处理，得到子图像块；步骤2，基于深度卷积神经网络模型提取子图像块特征，整合得到病理组织切片图像特征并预分类，获取异常的病理组织切片图像；步骤3，量化临床就诊信息；步骤4，根据异常的病理组织切片图像特征和所述临床就诊信息，采用多源数据融合技术得到融合特征；步骤5，采用分类器对所述融合特征进行分类。该装置包括：预处理模块，特征提取模块，分类模块，量化模块，数据融合模块。该方法及装置克服了现有技术中病理组织切片图像的组织区域检测效果不佳的问题。
-
公开(公告)号：CN106909778B
公开(公告)日：2019-08-27
申请号：CN201710071847.2
申请日：2017-02-09
Applicant: 北京市计算中心
Abstract: 本发明提供一种基于深度学习的多模态医学影像识别方法，包括：基于患者待检测部位的多模态医学影像利用配准方法将多模态医学影像在同一三维空间内显示，基于多模态医学影像利用R‑CNN，识别多模态医学影像中的病变区域，根据病变区域在多模态医学影像中的坐标在同一三维空间内显示病变体，根据确诊的病变区域对应的图像块利用稠密采样方法和CNN获取各预设病种的发生概率。本发明提供一种基于深度学习的多模态医学影像识别装置，包括：多模态医学影像显示模块，病变区域检测模块，病变体显示模块，预设病种发生概率模块。本发明实现了医学影像中病变区域的自动识别，并为医生的进一步诊断提供了有效的参考数据。
-
公开(公告)号：CN105513054B
公开(公告)日：2019-03-29
申请号：CN201510845616.3
申请日：2015-11-26
Applicant: 北京市计算中心
Abstract: 本发明公开了一种基于三维扫描的拓印方法，所述方法包括以下步骤：S1、利用三维扫描仪采集的点云数据；S2、对所述步骤S1得到的数据进行处理，消除所述步骤S1采集得到的底面，得到三维的基准平面数据；S3、利用所述步骤S2得到的所述基准平面数据构造二维矩阵，所述二维矩阵用于存贮所述基准平面数据中的数据，其中所述二维矩阵中的每一个像素代表一个数据；S4、将所述步骤S2中得到的基准平面数据的空间深度信息映射到所述二维矩阵中。本发明利用扫描数据特点计算制成数字拓印图片，能够提取字模根部文字的轮廓信息，将三维数据还原为二维字帖。避免了因人工干预带来结果的误差；并且，在不降低精度的前提下，两分钟左右处理500万点数据。
-
公开(公告)号：CN105486249B
公开(公告)日：2018-01-16
申请号：CN201510844100.7
申请日：2015-11-26
Applicant: 北京市计算中心
IPC: G01B11/24
Abstract: 本发明公开了一种三维扫描数据的自适应底面消除方法，包括以下步骤：S1、将三维扫描数据通过坐标转换投影到近似投影平面上；S2、根据近似投影平面上的数据形成按矩阵形式排列的数据；将数据进行区域划分，并为每一个分区数据建立局部坐标系，将每个分区的数据在对应的局部坐标系进行转换；S3、针对每一个分区，利用差值参量，根据其局部坐标系中每个数据的坐标值计算在拓印基准面上对应的坐标值；S4、对步骤S3处理得到的拓印基准面上的数据投影到平面上，之后进行去噪。本发明的方法在不降低原始三维数据精度的前提下，对全局的三维数据在不转化为面绘制模型数据的基础上直接进行处理。在处理过程中避免了多余的人工参与对数据的干扰。
-
公开(公告)号：CN105513054A
公开(公告)日：2016-04-20
申请号：CN201510845616.3
申请日：2015-11-26
Applicant: 北京市计算中心
CPC classification number: G06K9/34 , G06K9/72 , G06K2209/011 , G06T2207/10028
Abstract: 本发明公开了一种基于三维扫描的拓印方法，所述方法包括以下步骤：S1、利用三维扫描仪采集的点云数据；S2、对所述步骤S1得到的数据进行处理，消除所述步骤S1采集得到的底面，得到三维的基准平面数据；S3、利用所述步骤S2得到的所述基准平面数据构造二维矩阵，所述二维矩阵用于存贮所述基准平面数据中的数据，其中所述二维矩阵中的每一个像素代表一个数据；S4、将所述步骤S2中得到的基准平面数据的空间深度信息映射到所述二维矩阵中。本发明利用扫描数据特点计算制成数字拓印图片，能够提取字模根部文字的轮廓信息，将三维数据还原为二维字帖。避免了因人工干预带来结果的误差；并且，在不降低精度的前提下，两分钟左右处理500万点数据。
-
Patent Agency Ranking
公开(公告)号：CN105486249A
公开(公告)日：2016-04-13
申请号：CN201510844100.7
申请日：2015-11-26
Applicant: 北京市计算中心
IPC: G01B11/24
CPC classification number: G01B11/24
Abstract: 本发明公开了一种三维扫描数据的自适应底面消除方法，包括以下步骤：S1、将三维扫描数据通过坐标转换投影到近似投影平面上；S2、根据近似投影平面上的数据形成按矩阵形式排列的数据；将数据进行区域划分，并为每一个分区数据建立局部坐标系，将每个分区的数据在对应的局部坐标系进行转换；S3、针对每一个分区，利用差值参量，根据其局部坐标系中每个数据的坐标值计算在拓印基准面上对应的坐标值；S4、对步骤S3处理得到的拓印基准面上的数据投影到平面上，之后进行去噪。本发明的方法在不降低原始三维数据精度的前提下，对全局的三维数据在不转化为面绘制模型数据的基础上直接进行处理。在处理过程中避免了多余的人工参与对数据的干扰。
-
公开(公告)号：CN104933283A
公开(公告)日：2015-09-23
申请号：CN201510059884.2
申请日：2015-02-05
Applicant: 北京市计算中心
IPC: G06F19/00
Abstract: 本发明公开了三维彩色病变模拟展示系统模型库，包括数据库端和前端，所述数据库端包括：(1)模型的分类；(2)模型信息；(3)模型的管理；(4)用户数据管理。所述前端包括：(1)模型初始状态；(2)展示系统的其他功能。与现有技术相比，本发明具有以下突出效果：(1)直观、逼真。本发明设计的彩色器官模型库可以直观地使用户感受人体器官的构成机理。(2)器官模型全面、细分层次可调；结构可拓展、更新迅速。针对医学领域的新发现及时更新数据。(3)集成性高。采用XML数据格式，也为基于本器官模型库的二次开发工作提供了方便的解决途径。(4)应用范围广。
-
公开(公告)号：CN104722056A
公开(公告)日：2015-06-24
申请号：CN201510059881.9
申请日：2015-02-05
Applicant: 北京市计算中心
Abstract: 本发明公开了一种运用虚拟现实技术的康复训练系统及方法，包括如下三个阶段：第一阶段：通过体感设备Kinect采集人体骨骼节点，生成骨架系统。第二阶段：准备模型并绑定骨骼，搭建数据库环境，通过深度信息以及彩色信息的机器学习获得各个骨骼节点位置，由3Dmax软件工具建模，建立人体骨骼IK/FK，绑定模型的节点一一对应。第三阶段：将Kinect的数据通过接口函数传入Unity3D当中，驱动场景模型进行运动。第四阶段：导入角色，调试环境。第五阶段：数据的写入以及读出，并控制数据可视化。本发明摆脱传感器束缚，实现自然肢体运动监测成为可能；采用体感交互设备Kinect，降低了系统的成本，消除了训练过程中穿戴输入设备的繁琐性。
-
公开(公告)号：CN106420052B
公开(公告)日：2019-08-27
申请号：CN201610798926.9
申请日：2016-08-31
Applicant: 北京市计算中心
Abstract: 本发明实施例提供一种靶点位置的导航方法及系统，该方法包括：基于待手术器官的三维模型，获取所述三维模型中待手术器官的靶点所在度数以及所述三维模型在每一角度的二维图像；获取待手术器官当前的二维图像，将当前的二维图像与所述三维模型在每一角度的二维图像进行匹配，确定所述当前的二维图像的度数；根据所述当前的二维图像的度数以及所述靶点所在度数，进行靶点位置的导航。该方法能够利用预先设置的靶点度数，对靶点位置进行导航，解决了临床医生依靠个人经验来定位搭桥靶点的不确定性问题。
-
公开(公告)号：CN107280697A
公开(公告)日：2017-10-24
申请号：CN201710340309.9
申请日：2017-05-15
Applicant: 北京市计算中心
IPC: A61B6/00
CPC classification number: A61B6/52
Abstract: 本发明提供了一种基于深度学习和数据融合的肺结节分级判定方法和系统，方法包括：对获取的多个电子计算机断层扫描CT肺部图像进行预处理，得到预处理后的各CT肺结节图像；提取各CT肺结节图像的图像特征，并根据图像特征对各CT肺结节图像进行预分类；对预分类后的各CT肺结节图像的图像特征和对应的综合临床就诊数据进行反复训练和迭代，得到诊断模型；基于诊断模型对CT肺部图像进行CT影像肺结节的分级判定。本发明采用深度学习中的卷积神经网络模型，并结合多源数据整合技术，通过验证与测试得出专门针对CT肺结节进行分级判定的方法，且判定过程全面且可靠，有效提高了判定结果的准确性，进而能够有效地辅助医生进行疾病诊断工作。
-
-
-
-
-
-
-
-
-
Search Results
16
records
(took 0.04 seconds)
