-
公开(公告)号：CN113034373B
公开(公告)日：2024-08-06
申请号：CN201911346343.2
申请日：2019-12-24
Applicant: 无锡祥生医疗科技股份有限公司
IPC: G06F30/27
Abstract: 本发明提供一种超声图像去噪神经网络，基于Unet网络，包括一个初始层结构和若干个下层结构；初始层结构和各下层结构中均包含卷积层，其主要改进之处在于：每一层结构中的至少一个卷积层采用混合深度卷积层。所述混合深度卷积层中，卷积层的通道分为数组，每组采用不同尺寸的卷积核。所述混合深度卷积层中，第i组卷积核的尺寸为(2i+1)x(2i+1)。本发明能够将带有标记的超声图像中的标记去除，以获得“干净”的超声图像。
-
公开(公告)号：CN113034373A
公开(公告)日：2021-06-25
申请号：CN201911346343.2
申请日：2019-12-24
Applicant: 无锡祥生医疗科技股份有限公司
Abstract: 本发明提供一种超声图像去噪神经网络，基于Unet网络，包括一个初始层结构和若干个下层结构；初始层结构和各下层结构中均包含卷积层，其主要改进之处在于：每一层结构中的至少一个卷积层采用混合深度卷积层。所述混合深度卷积层中，卷积层的通道分为数组，每组采用不同尺寸的卷积核。所述混合深度卷积层中，第i组卷积核的尺寸为(2i+1)x(2i+1)。本发明能够将带有标记的超声图像中的标记去除，以获得“干净”的超声图像。
-
公开(公告)号：CN110751179A
公开(公告)日：2020-02-04
申请号：CN201910882495.8
申请日：2019-09-18
Applicant: 无锡祥生医疗科技股份有限公司
Abstract: 本发明涉及图像处理技术领域，具体涉及病灶信息获取方法、病灶预测模型的训练方法及超声设备，其中病灶信息获取方法包括：获取超声图像；基于所述超声图像，利用病灶预测模型预测超声图像中的病灶区域及病灶类别；利用预测出的病灶区域，确定与预测出的病灶区域对应的第一目标病灶区域；获取预测出的病灶类别对应的第一目标病灶类别；第一目标病灶区域和第一目标病灶类别为超声图像的病灶信息。对于获取到的超声图像先利用病灶预测模型预测该超声图像中的病灶区域及病灶类别，对病灶信息的获取形成辅助引导，以减轻病灶信息获取的工作量；同时再结合对调节区域及预测出的病灶类别的调节结果(即人工辅助调节)，从而可以得到精确的病灶信息。
-
公开(公告)号：CN113239951B
公开(公告)日：2024-01-30
申请号：CN202110329907.2
申请日：2021-03-26
Applicant: 无锡祥生医疗科技股份有限公司
IPC: G06F7/00
Abstract: 本申请涉及一种超声乳腺病灶的分类方法、装置及存储介质，方法包括：获取待分类的目标超声乳腺信息；确定目标超声乳腺图像是否为乳腺切面所对应的乳腺图像；若是乳腺切面所对应的乳腺图像则识别病灶区域；将病灶区域分割为n1*n2个数据块；将每个数据块转换为p1*p2*c维的向量数据；将n1*n2个数据块对应的向量数据合并，得到n1n2×p1p2c的二维数据矩阵；根据每个数据块在目标超声乳腺图像中的位置，生成位置对应的位置编码向量，并将位置编码向量添加至二维数据矩阵中，得到的待处理的数据矩阵；将待处理的数据矩阵输入图像分类网络中，得到的目标超声乳腺病灶的病灶性质分类；解决了人工分类时分类效率较低的问题；提高对超声乳腺图像进行分类的准确率及效率。
-
公开(公告)号：CN110751179B
公开(公告)日：2022-04-12
申请号：CN201910882495.8
申请日：2019-09-18
Applicant: 无锡祥生医疗科技股份有限公司
IPC: G06V10/74 , G06V10/774 , G16H30/20
Abstract: 本发明涉及图像处理技术领域，具体涉及超声设备，包括存储器和处理器，所述存储器和所述处理器之间互相通信连接，所述存储器中存储有计算机指令，所述处理器通过执行所述计算机指令，从而执行以下步骤：获取超声图像；基于所述超声图像，利用病灶预测模型预测超声图像中的病灶区域及病灶类别；利用预测出的病灶区域，确定与预测出的病灶区域对应的第一目标病灶区域；获取预测出的病灶类别对应的第一目标病灶类别；第一目标病灶区域和第一目标病灶类别为超声图像的病灶信息。对于获取到的超声图像先利用病灶预测模型预测该超声图像中的病灶区域及病灶类别，对病灶信息的获取形成辅助引导，以减轻病灶信息获取的工作量，以得到精确的病灶信息。
-
Patent Agency Ranking
公开(公告)号：CN113034535A
公开(公告)日：2021-06-25
申请号：CN201911345490.8
申请日：2019-12-24
Applicant: 无锡祥生医疗科技股份有限公司
Abstract: 本发明涉及超声设备技术领域，具体公开了一种胎儿头部分割方法、装置和存储介质。所述方法包括：获取胎儿超声图像，所述胎儿超声图像包括胎儿的头部；通过头部分割网络分割得到所述胎儿超声图像中的胎儿头部，所述头部分割网络为根据超声图像训练集以及每张胎儿超声图像的标注信息训练得到的用于分割胎儿超声图像中的胎儿头部的网络，其中，所述标注信息用于标注每张胎儿超声图像中胎儿头部的区域以及非胎儿头部的区域。解决了现有技术中胎儿头部的图像中包括噪声干扰医生判断进而使得医生的判断效率较低的问题，达到了可以提高医生的判断效率的效果。
-
公开(公告)号：CN112699948B
公开(公告)日：2025-01-17
申请号：CN202011644067.0
申请日：2020-12-31
Applicant: 无锡祥生医疗科技股份有限公司
IPC: G06V10/764 , G06T7/00 , G06T7/10
Abstract: 本申请涉及一种超声乳腺病灶的分类方法、装置及存储介质，属于深度学习技术领域，该方法包括：将目标超声乳腺图像或视频（视频则为逐帧图像）分割为n1*n2个数据块；将每个数据块转换为p1*p2*c维的向量数据；将n1*n2个数据块对应的向量数据合并，得到n1n2×p1p2c的二维数据矩阵；根据每个数据块在目标超声乳腺图像中的位置，生成位置对应的位置编码向量，并将位置编码向量添加至二维数据矩阵中，得到的待处理的数据矩阵；将待处理的数据矩阵输入图像分类网络中，得到的目标超声乳腺病灶的病灶性质分类；可以解决人工对超声乳腺图像进行分类时，分类效率较低的问题；提高对超声乳腺图像进行分类的准确率及效率。
-
公开(公告)号：CN113239951A
公开(公告)日：2021-08-10
申请号：CN202110329907.2
申请日：2021-03-26
Applicant: 无锡祥生医疗科技股份有限公司
Abstract: 本申请涉及一种超声乳腺病灶的分类方法、装置及存储介质，方法包括：获取待分类的目标超声乳腺信息；确定目标超声乳腺图像是否为乳腺切面所对应的乳腺图像；若是乳腺切面所对应的乳腺图像则识别病灶区域；将病灶区域分割为n1*n2个数据块；将每个数据块转换为p1*p2*c维的向量数据；将n1*n2个数据块对应的向量数据合并，得到n1n2×p1p2c的二维数据矩阵；根据每个数据块在目标超声乳腺图像中的位置，生成位置对应的位置编码向量，并将位置编码向量添加至二维数据矩阵中，得到的待处理的数据矩阵；将待处理的数据矩阵输入图像分类网络中，得到的目标超声乳腺病灶的病灶性质分类；解决了人工分类时分类效率较低的问题；提高对超声乳腺图像进行分类的准确率及效率。
-
公开(公告)号：CN112837317A
公开(公告)日：2021-05-25
申请号：CN202110331903.8
申请日：2021-03-29
Applicant: 无锡祥生医疗科技股份有限公司
Abstract: 本发明涉及图像处理技术领域，涉及一种基于乳腺超声图像增强的病灶分类方法、装置及存储介质。方法包括：获取样本乳腺超声图像，样本乳腺超声图像中包括标准乳腺超声图像以及待增强图像；将待增强图像输入生成器中，确定得到增强后的乳腺超声图像；提取待增强图像、增强后的乳腺超声图像和标准乳腺超声图像中的乳腺特征；根据判别器确定标准乳腺超声图像以及待增强图像的判别结果，得到d_reals和d_fakes；根据提取得到的特征，确定图像内容评价参数和图像质量评价参数；根据d_reals和d_fakes确定损失因子；根据图像内容评价参数、图像质量评价参数和损失因子训练生成器和判别器，得到训练后的生成器和训练后的判别器。
-
公开(公告)号：CN112699948A
公开(公告)日：2021-04-23
申请号：CN202011644067.0
申请日：2020-12-31
Applicant: 无锡祥生医疗科技股份有限公司
Abstract: 本申请涉及一种超声乳腺病灶的分类方法、装置及存储介质，属于深度学习技术领域，该方法包括：将目标超声乳腺图像或视频（视频则为逐帧图像）分割为n1*n2个数据块；将每个数据块转换为p1*p2*c维的向量数据；将n1*n2个数据块对应的向量数据合并，得到n1n2×p1p2c的二维数据矩阵；根据每个数据块在目标超声乳腺图像中的位置，生成位置对应的位置编码向量，并将位置编码向量添加至二维数据矩阵中，得到的待处理的数据矩阵；将待处理的数据矩阵输入图像分类网络中，得到的目标超声乳腺病灶的病灶性质分类；可以解决人工对超声乳腺图像进行分类时，分类效率较低的问题；提高对超声乳腺图像进行分类的准确率及效率。
-
-
-
-
-
-
-
-
-
Search Results
10
records
(took 0.027 seconds)
