-
公开(公告)号：CN119831945A
公开(公告)日：2025-04-15
申请号：CN202411867570.0
申请日：2024-12-18
Applicant: 北京大学口腔医学院 , 北京羽医甘蓝信息技术有限公司
IPC: G06T7/00 , G06T7/11 , G06N3/0464 , G06N3/08
Abstract: 本申请公开了一种下颌智齿自动识别方法、装置、设备、介质及产品，涉影像处理领域，该方法包括：获取口腔颌面锥形束计算机断层扫描影像；采用预先训练好的第一深度学习模型，对口腔颌面锥形束计算机断层扫描影像中的下颌智齿兴趣区域进行分割定位，得到下颌智齿分割掩膜图像，从口腔颌面锥形束计算机断层扫描影像中裁切出下颌智齿兴趣区域图像；采用预先训练好的第二深度学习模型，对下颌智齿兴趣区域图像进行三维分割，得到三维分割掩膜图像；根据下颌智齿兴趣区域图像及三维分割掩膜图像，采用预先训练好的第三深度学习模型，确定下颌智齿识别结果。本申请提高了下颌智齿的识别准确度和识别效率。
-
公开(公告)号：CN113888535B
公开(公告)日：2025-04-04
申请号：CN202111392779.2
申请日：2021-11-23
Applicant: 北京羽医甘蓝信息技术有限公司
Abstract: 本发明提供一种智齿阻生类型识别方法及系统，属于图像处理技术领域，获取待识别的口腔根尖片影像图像；利用训练好的智齿分割模型对获取的待识别的口腔根尖片影像图像进行处理，获得分割图像；对分割图像进行智齿区域裁剪，获得智齿区域图像；利用训练好的阻生类型识别模型对智齿区域图像进行处理，获得智齿阻生类型识别结果。本发明利用二阶段深度学习方法，分别对智齿进行分割及阻生类型的识别，采用了多通道输入，可以快速准确的对口腔根尖片影像中智齿的阻生类型进行识别，保证了分类准确率。
-
公开(公告)号：CN111967539B
公开(公告)日：2021-08-31
申请号：CN202011046290.5
申请日：2020-09-29
Applicant: 北京大学口腔医学院 , 北京羽医甘蓝信息技术有限公司
Abstract: 本发明涉及图像处理领域，其实施方式提供了一种基于CBCT数据库的颌面部骨折的识别方法，所述方法包括：将待识别的颌面部CBCT数据按解剖结构分解为不同解剖区域的图像块序列；将所述图像块序列中的每个图像块分别输入对应的训练好的骨折判别模型，得到所述图像块的骨折判别结果序列；确定所述骨折判别结果序列满足骨折判别条件，输出对应的图像块和骨折位置。同时还提供了对应的基于CBCT数据库的颌面部骨折的识别装置，以及一种终端设备。本发明提供的实施方式适用于医学图像中的CBCT图像中的骨折识别，提升了效率。
-
公开(公告)号：CN111967540A
公开(公告)日：2020-11-20
申请号：CN202011046297.7
申请日：2020-09-29
Applicant: 北京大学口腔医学院 , 北京羽医甘蓝信息技术有限公司
Abstract: 本发明涉及图像处理领域，其实施方式提供了一种基于CT数据库的颌面部骨折的识别方法，所述方法包括：获取不同骨折类型的颌面部骨折的CT数据样本；对所述CT数据样本进行标注处理和分类处理；采用同一骨折类型的经处理的CT数据样本训练骨折判别模型，训练好的骨折判别模型通过识别输入图像块是否包括某一骨折类型对应的图像特征来确定是否存在对应的骨折类型；将输入的颌面部CT数据输入对应的训练好的骨折判别模型，以确定输入的颌面部CT数据是否存在对应的骨折类型。同时还提供了对应的基于CT数据库的颌面部骨折的识别装置，以及一种终端设备。本发明提供的实施方式适用于医学图像中的CT图像中的骨折识别，提升了识别效率。
-
公开(公告)号：CN109360198A
公开(公告)日：2019-02-19
申请号：CN201811168824.4
申请日：2018-10-08
Applicant: 北京羽医甘蓝信息技术有限公司
Abstract: 本发明提供一种基于深度学习的骨髓细胞分类方法及分类装置，其中该方法包括：对骨髓细胞样本图像中的骨髓细胞标注细胞位置以及其分类标签；从骨髓细胞样本图像中提取预设尺寸的具有单一分类标签的图像块样本；构建骨髓细胞分类任务的卷积神经网络，然后利用由图像块样本组成的训练集进行训练，得到骨髓细胞分类模型；将骨髓细胞待测图像切割成预设尺寸的多个测试图像块，将多个测试图像块遍历地输入骨髓细胞分类模型，检测出多个测试图像块中的骨髓细胞边缘，并输出骨髓细胞对应的分类标签以及分类置信概率。
-
Patent Agency Ranking
公开(公告)号：CN107945181A
公开(公告)日：2018-04-20
申请号：CN201711492182.9
申请日：2017-12-30
Applicant: 北京羽医甘蓝信息技术有限公司
CPC classification number: G06T7/0012 , G06T7/11 , G06T7/136 , G06T7/187 , G06T7/194 , G06T2207/20081 , G06T2207/20084 , G06T2207/30068 , G06T2207/30096
Abstract: 本发明提供一种用于乳腺癌淋巴转移病理图像的处理方法和装置。本发明的用于乳腺癌淋巴转移病理图像的处理方法包括：步骤S1：获取范例图像，然后获取范例图像对应的范例图像标定信息；步骤S2：根据范例图像和范例图像标定信息生成训练样本集；步骤S3：根据训练样本集进行深度学习网络的训练和参数优化，得到卷积神经网络模型；步骤S4：利用卷积神经网络模型对测试图像进行测试，检出目标区域。本发明的用于乳腺癌淋巴转移病理图像的处理方法和装置采用深度学习的技术实现图像的自动分类，解决人工阅片分类工作的一致性差、精确度低等技术问题，提高了工作效率，降低了失误概率。
-
公开(公告)号：CN107832838A
公开(公告)日：2018-03-23
申请号：CN201711219680.6
申请日：2017-11-28
Applicant: 北京羽医甘蓝信息技术有限公司
CPC classification number: G06N3/0454 , G01N21/84 , G06N3/08
Abstract: 本发明提供一种评价细胞涂片标本满意度的方法和装置，能够智能客观地对宫颈液基细胞涂片标本满意度进行评价。本发明的一种评价细胞涂片标本满意度的方法包括：基于卷积神经网络技术构建细胞识别模型；利用细胞识别模型对测试细胞标本图像进行细胞识别，得到识别结果；根据识别结果判断测试细胞标本图像是否为满意标本图像。
-
公开(公告)号：CN115546106B
公开(公告)日：2025-04-04
申请号：CN202211082844.6
申请日：2022-09-06
Applicant: 北京羽医甘蓝信息技术有限公司
Abstract: 本发明涉及椎骨和气道的定位技术领域，尤其涉及一种椎骨和气道的定位方法和系统，方法包括：将第一颈椎图像输入到预先训练好的用于识别椎骨的第一语义分割网络模型中，得到第一输出图像，判断第一输出图像中是否包含第三节椎骨和第四节椎骨的完整图像，得到第一判断结果，当第一判断结果为是时，将第一输出图像输入第一HRnet网络模型中，对第三节椎骨和第四节椎骨进行定位，并标注在第一颈椎图像中，同理对气道进行定位，并标注在第二颈椎图像中，能够准确定位出第三节椎骨和第四节椎骨的位置，并标注在第一颈椎图像中，以及能够准确定位出气道的位置，并标注在第二颈椎图像中，便于直观查看，准确度高，省时省力。
-
公开(公告)号：CN115732100A
公开(公告)日：2023-03-03
申请号：CN202211413476.9
申请日：2022-11-11
Applicant: 北京羽医甘蓝信息技术有限公司
IPC: G16H70/20 , G16H30/00 , G06F18/2431 , G06F18/22 , G06F16/2458 , G06T5/00 , G06V10/82 , G06V10/774 , G06N3/0455 , G06N3/08
Abstract: 本发明设计口腔影像处理技术领域，尤其涉及一种自动生成活动义齿设计方案的方法、系统和电子设备，方法包括：获取目标用户的口腔曲面断层全景片；对口腔曲面断层全景片进行数据增强操作；利用训练好的网络模型对经数据增强操作的口腔曲面断层全景片进行识别，得到待修复牙齿的病变情况；根据待修复牙齿的病变情况，构建待修复牙齿对应的决策树；从预设数据库中，匹配出与待修复牙齿对应的决策树相似度最大的目标决策树；当最大相似度大于预设相似度阈值时，将目标决策树对应的活动义齿设计方案确定为待修复牙齿对应的活动义齿设计方案。能够快速且准确地确定待修复牙齿对应的活动义齿设计方案，既能节省医疗资源，还能降低用户的医疗成本。
-
公开(公告)号：CN115661458A
公开(公告)日：2023-01-31
申请号：CN202211354895.X
申请日：2022-11-01
Applicant: 北京羽医甘蓝信息技术有限公司
IPC: G06V10/26 , G06V10/25 , G06V10/764 , G06V10/774 , G06V10/778 , G06V10/80
Abstract: 本发明属于牙齿图像处理技术领域，提供了一种基于深度学习的牙位识别和牙齿分割方法及系统。其中，该方法包括提取自然光口腔图像的全局和局部特征，得到大小尺度不同的特征图；融合所有尺度的特征图，生成特征金字塔，确定出所有候选的感兴趣区域；对候选的感兴趣区域依次进行过滤和归一化；将归一化的感兴趣区域分别经预先训练的分类模型和实例分割处理，得到每颗牙齿的牙位初步识别结果和实例分割初步结果；对每颗牙齿的实例分割初步结果进行非极大值抑制处理，以确保每颗牙有且只有一颗；根据非极大值抑制处理后的牙齿质心，去除牙位初步识别结果中重复牙位；对去重的牙位进行质心排序，得到最终的牙位识别结果和牙齿分割结果。
-
-
-
-
-
-
-
-
-
Search Results
49
records
(took 0.038 seconds)
