-
公开(公告)号：CN111161848B
公开(公告)日：2023-08-29
申请号：CN201910638479.4
申请日：2019-10-31
Applicant: 杭州深睿博联科技有限公司 , 北京深睿博联科技有限责任公司
IPC: G16H30/20 , G06V10/774 , G06F16/51 , G06V20/70
Abstract: 本申请公开了一种CT图像的病灶标注方法。该方法包括：获取病灶检测模型；将标注的关键CT图像及与其相邻的CT图像输入所述病灶检测模型进行预测；按照预设筛选规则筛选预测结果中的伪标签，得到目标标签集合；将所述目标标签集合及其对应的CT图像加入训练集中。本申请解决了由于无法在已标注CT图像中确定漏标，且无法以半监督的方法在大量未标注的CT图像上确定标签，造成的深度学习算法性能会受到限制的技术问题。
-
公开(公告)号：CN112733731B
公开(公告)日：2022-02-11
申请号：CN202110038637.X
申请日：2021-01-12
Applicant: 北京深睿博联科技有限责任公司 , 杭州深睿博联科技有限公司
Abstract: 本发明提供了一种基于单目多模态深度图生成方法、系统、设备和存储介质，属于图像处理技术领域，解决现有深度图的获取方式无法满足全天候多场景的要求的技术问题。该方法包括：创建一个双支感知神经网络，将红外图像和可见光图像分别输入双支感知神经网络并生成红外特征图和可见光特征图；在双支感知神经网络的下采样过程中逐级将红外特征图和可见光特征图进行相互感知跨模态融合并获取特征融合图；将特征融合图经过双支感知神经网络的上采样生成一个全新的深度图。以红外图像和可见光图像两种模态的图像数据为基准在特征层面进行跨模态融合，最终生成集可见光图像和红外图像优点于一身的全新的深度图，可在全天候多场景下获得深度图。
-
公开(公告)号：CN111915556A
公开(公告)日：2020-11-10
申请号：CN202010571318.0
申请日：2020-06-22
Applicant: 杭州深睿博联科技有限公司 , 北京深睿博联科技有限责任公司
Abstract: 本申请所提供的一种基于双分支网络的CT图像病变检测方法、系统、终端及存储介质，所述方法包括：将获取的3D医学图像切分为若干2D层面图像；根据切分的2D层面图像确定双分支网络中2D分支与3D分支的输入；将双分支网络逐级进行2D分支和3D分支特征提取，确定各层级的空间结构特征和上下文特征；将双分支网络各层级的空间结构特征和上下文特征进行特征融合，得到各层级融合特征；基于所述各层级融合特征，使用目标检测方法进行病变检测；本申请通过双分支网络分别对2D空间结构信息与3D上下文信息进行建模及信息提取，并通过跨层面特征融合方法在两个分支的每一个层级之后进行特征融合，使得特征表达同时具有空间和上下文信息，提高了病变检测的性能。
-
公开(公告)号：CN107292884B
公开(公告)日：2020-09-29
申请号：CN201710666846.2
申请日：2017-08-07
Applicant: 杭州深睿博联科技有限公司 , 北京深睿博联科技有限责任公司
Abstract: 本发明公开了一种识别MRI图像中识别水肿和血肿的方法及装置，先通过预设的第一机器学习模型识别待识别的MRI图像中的肿块区域，其中预设的第一机器学习模型是通过已标注肿块区域的MRI图像训练后得到的。然后，再通过预设的第二机器学习模型识别该肿块区域中的血肿区域和水肿区域，其中，预设的第二机器学习模型是通过标注了血肿区域和水肿区域的MRI图像训练后得到的，并可以计算出血肿区域和水肿区域的体积大小、扩张方向和最大径。通过本实施例的方法，不仅可以自动、高效的识别出血肿和水肿，还可以自动的计算出血肿区域和水肿区域的体积大小、扩张方向和最大径，进而帮助医生对病情进行更准确的判断。
-
公开(公告)号：CN110969623A
公开(公告)日：2020-04-07
申请号：CN202010128396.3
申请日：2020-02-28
Applicant: 北京深睿博联科技有限责任公司 , 杭州深睿博联科技有限公司
IPC: G06T7/00
Abstract: 本申请提供一种肺部CT多征象自动检测方法、系统、终端及存储介质，包括：采集肺部CT图像；确定肺部CT图像的典型层，并利用稀疏标注的方式对典型层的每个异常征象进行标注；将标注的典型层图像数据输入至预设深度学习网络模型进行训练，得到训练好的2D框检测模型；将肺部CT图像中待检测层图像数据输入训练好的2D框检测模型，预测存在异常征象的2D检测框；根据2D检测框的类别分别设定2D检测框对应阈值，将分数超过对应阈值2D检测框输出，得到2D候选框；按照2D候选框连续层上的位置连续性合并成3D候选框；根据所述3D候选框的类别设定3D候选框对应阈值，将分数超过第二阈值3D候选框输出，得到模型检测结果；实现肺部CT中多种征象同时检测和分析。
-
Patent Agency Ranking
公开(公告)号：CN111047609B
公开(公告)日：2020-07-24
申请号：CN202010173149.5
申请日：2020-03-13
Applicant: 北京深睿博联科技有限责任公司 , 杭州深睿博联科技有限公司 , 上海深睿博联医疗科技有限公司
Abstract: 本申请实施例提供了一种肺炎病灶分割方法和装置，解决了现有肺炎病灶分割方式的准确率低和效率低的问题。该肺炎病灶分割方法包括：基于图像语义分割模型预测出阳性层面的医学影像数据上的病灶区域；以及统计各平行层面的病灶面积，并结合各平行层面的病灶面积计算出病灶体积；其中，图像语义分割模型通过如下训练步骤建立：将全部已标记或部分已标记的样本数据输入病灶分割模型，以获得病灶分割模型输出的预测结果；基于病灶检测模型预测的病灶检测框以及肺叶肺段分割模型预测出的肺部区域，从预测结果中筛除低级假阳区域以获得样本数据的伪标签，并加入未标记的样本数据；以及复查伪标签，并对标记的样本数据进行标记以更新已标记的样本数据。
-
公开(公告)号：CN111275707A
公开(公告)日：2020-06-12
申请号：CN202010173203.6
申请日：2020-03-13
Applicant: 北京深睿博联科技有限责任公司 , 杭州深睿博联科技有限公司 , 上海深睿博联医疗科技有限公司
Abstract: 本申请实施例提供了一种肺炎病灶分割方法和装置，解决了现有肺炎病灶分割方式的准确率低和效率低的问题。该肺炎病灶分割方法包括：基于图像语义分割模型预测出所述阳性层面的医学影像数据上的病灶区域；基于所述病灶检测模型预测的病灶检测框以及肺叶肺段分割模型预测出的肺部区域从预测出的病灶区域中筛除低级假阳区域；以及统计各平行层面的病灶面积，并结合所述各平行层面的病灶面积计算出病灶体积。
-
公开(公告)号：CN107492097B
公开(公告)日：2020-06-02
申请号：CN201710667240.0
申请日：2017-08-07
Applicant: 杭州深睿博联科技有限公司 , 北京深睿博联科技有限责任公司
Abstract: 本发明实施例公开了一种识别MRI图像感兴趣区域的方法及装置，该方法包括：通过已标注感兴趣区域的MRI图像，对3D卷积神经网络进行训练，得到识别感兴趣区域准确率较高的3D卷积神经网络，然后通过训练得到的3D卷积神经网络对待识别的多模态MRI图像进行感兴趣区域的分割，得到感兴趣区域，并计算该感兴趣区域的体积、扩张方向和最大径。其中，待识别的多模态MRI图像是对齐的不同序列的MRI图像的集合。通过本实施例的方法，不仅可以自动、高效的得到表示病灶的感兴趣区域，而且识别的准确率更高，除此之外，还可以自动的计算出病灶的体积大小、扩张方向和最大径，进而帮助医生对病情进行更准确的判断结果。
-
公开(公告)号：CN111161848A
公开(公告)日：2020-05-15
申请号：CN201910638479.4
申请日：2019-10-31
Applicant: 杭州深睿博联科技有限公司 , 北京深睿博联科技有限责任公司
Abstract: 本申请公开了一种CT图像的病灶标注方法。该方法包括：获取病灶检测模型；将标注的关键CT图像及与其相邻的CT图像输入所述病灶检测模型进行预测；按照预设筛选规则筛选预测结果中的伪标签，得到目标标签集合；将所述目标标签集合及其对应的CT图像加入训练集中。本申请解决了由于无法在已标注CT图像中确定漏标，且无法以半监督的方法在大量未标注的CT图像上确定标签，造成的深度学习算法性能会受到限制的技术问题。
-
公开(公告)号：CN107480677B
公开(公告)日：2020-04-28
申请号：CN201710666441.9
申请日：2017-08-07
Applicant: 北京深睿博联科技有限责任公司 , 杭州深睿博联科技有限公司
Abstract: 本发明公开了一种自动识别三维CT图像中感兴趣区域的方法及装置，该方法包括：通过标注了感兴趣区域的三维CT图像，对3D卷积神经网络进行训练，得到识别感兴趣区域准确率较高的3D卷积神经网络，然后通过训练得到的3D卷积神经网络对三维CT图像进行识别，得到感兴趣区域，并计算该感兴趣区域的体积、扩张方向和扩张直径。通过本实施例的方法，不仅可以自动、高效的得到表示病灶的感兴趣区域，而且识别的准确率更高，除此之外，还可以自动的计算出病灶的体积大小、扩张方向和扩张直径，进而帮助医生对病情进行更准确的判断结果。
-
-
-
-
-
-
-
-
-
Search Results
44
records
(took 0.039 seconds)
