-
公开(公告)号：CN106971198A
公开(公告)日：2017-07-21
申请号：CN201710123839.8
申请日：2017-03-03
Applicant: 北京市计算中心
CPC classification number: G06K9/6267 , G06K9/6256 , G06N3/0454 , G16H50/20
Abstract: 本发明提供一种基于深度学习的尘肺病等级判定方法，所述方法对尘肺胸片的医学影像进行分类及图像增强预处理，之后通过卷积神经网络的深度学习方法对大批量的尘肺病进行分类判定，最终利用得到的尘肺病等级判断模型实现对待判断尘肺病医学影像的判断。本发明具有可以快速、准确、高效进行尘肺病等级判断的有益效果。
-
公开(公告)号：CN106909778A
公开(公告)日：2017-06-30
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。
-
Patent Agency Ranking
公开(公告)号：CN106780475A
公开(公告)日：2017-05-31
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：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：CN106420052A
公开(公告)日：2017-02-22
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：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。
-
-
-
-
-
-
Search Results
7
records
(took 0.017 seconds)
