-
公开(公告)号：CN112053319B
公开(公告)日：2022-12-02
申请号：CN202010709794.4
申请日：2020-07-22
Applicant: 清华大学
IPC: G06V10/764 , G06V10/82 , G06N3/04 , G06N3/08
Abstract: 本申请提出一种图像处理的方法与装置，包括以下步骤：获取M张待处理CT图像；将M张待处理CT图像输入训练后的深度卷积神经网络进行处理，得到目标类别。本发明目的在于利用计算机深度学习方法对CT图像进行识别，达到计算机快速自动识别CT图像类型的效果。
-
公开(公告)号：CN116956340A
公开(公告)日：2023-10-27
申请号：CN202310716787.0
申请日：2023-06-16
Applicant: 清华大学
IPC: G06F21/62 , G06V10/764 , G06V10/774 , G06N3/0455 , G06N3/0475 , G06N3/084 , G06N3/094 , G06N20/00
Abstract: 本申请涉及影像处理技术领域，特别涉及一种保护隐私的影像分析方法、装置、电子设备及介质，其中，方法包括：获取待分析影像；将待分析影像输入训练完成的隐私保护模型，隐私保护模型输出隐藏隐私信息的待分析影像以及对应的标注信息；将隐藏隐私信息的待分析影像以及对应的标注信息输入训练完成的机器学习模型，机器学习模型输出待分析影像的分析结果。由此，解决了相关技术中防御隐私攻击的手段在增强安全性的同时会降低机器学习模型的准确性等问题。
-
公开(公告)号：CN114974560A
公开(公告)日：2022-08-30
申请号：CN202210470750.X
申请日：2022-04-28
Applicant: 清华大学
Abstract: 本申请涉及深度学习、医学数据处理技术领域，特别涉及一种肿瘤良恶性智能诊断装置、设备及存储介质，其中，装置包括：采集模块，用于采集待诊断目标的至少一种模态数据；诊断模块，用于将至少一种模态数据输入至预先训练的肿瘤良恶性分类模型，得到待诊断目标的实际肿瘤类型，其中，肿瘤良恶性分类模型基于卷积神经网络和多层感知机训练得到。由此，本申请实施例可以针对各种模态的数据分别训练分类网络，学习有助于诊断肿瘤良恶性的特征，并采用模态dropout的方法训练模型，使模型更加鲁棒，以实现在部分模态缺失的情况下，仍然可以综合可获取的模态进行肿瘤良恶性智能诊断，满足实际需要。
-
公开(公告)号：CN114010180B
公开(公告)日：2024-04-26
申请号：CN202111306129.1
申请日：2021-11-05
Applicant: 清华大学
Abstract: 本发明公开了一种基于卷积神经网络的磁共振快速成像方法及装置，其中，该方法包括：采集磁共振图像，对磁共振图像进行傅里叶变换得到k空间数据；零初始化长度为k空间数据行数的浮点类型向量，以构建图像重建网络，对k空间数据进行采样，对采样后的k空间数据进行傅里叶逆变换得到图像，输入图像重建网络，得到输出；计算图像重建网络的输出与目标图像的L1距离作为损失函数；根据训练得到的浮点类型向量得到二值采样向量，对磁共振仪编写采样序列，将采集的磁共振图像输入图像重建网络中，得到输出的高质量磁共振图像。本发明在实际使用中，按照磁共振采样序列采集磁共振图像，将图像输入到磁共振图像重建网络中，得到清晰的磁共振图像。
-
公开(公告)号：CN113052831B
公开(公告)日：2024-04-23
申请号：CN202110401742.5
申请日：2021-04-14
Applicant: 清华大学 , 中国人民解放军总医院第一医学中心
IPC: G06T7/00 , G16H30/20 , G06N3/0455 , G06N3/0464 , G06N3/088
Abstract: 本申请提出一种脑部医学影像异常检测方法、装置、设备及存储介质，其中，具体实现方案为：获取未包含病灶的脑部三维医学影像样本；构建自编码器模型，初始化自编码器模型的模型参数，并将脑部三维医学影像样本作为输入和目标以训练所述自编码器模型；获取待检测脑部医学影像，并获取待检测脑部医学影像之中的病灶候选区域掩码图像；将待检测脑部医学影像输入至经过训练的自编码器模型，获得重构图像，并根据病灶候选区域掩码图像计算重构图像与待检测脑部医学影像间的重构误差；根据重构误差检测待检测脑部医学影像是否存在病灶。本申请降低了异常检测的实现难度和成本，同时提高了准确率。
-
Patent Agency Ranking
公开(公告)号：CN115601303A
公开(公告)日：2023-01-13
申请号：CN202211104121.1
申请日：2022-09-09
Applicant: 清华大学(CN)
Abstract: 本申请涉及一种类风湿关节炎的活动度评价方法、装置、电子设备及介质，包括：获取当前灰阶超声图像和当前多普勒超声图像；将当前灰阶超声图像和当前多普勒超声图像输入至多个预先训练的滑膜增厚评分模块，得到用户关节的多个滑膜增厚评分，并将当前多普勒超声图像输入至多个预先训练的血流评分模块，得到用户关节的多个血流评分；将多个滑膜增厚评分和多个血流评分输入至预设的多任务模型集成模块，得到用户关节的活动度评价结果。由此，解决了相关技术中对于多任务的设定，仅简单地在每一个任务上分别进行模型集成，未考虑任务间关联的问题，综合了灰阶超声和多普勒超声的优势，准确率提高，采用纠错输出编码以及多任务模型集成，方法更加鲁棒。
-
公开(公告)号：CN114010180A
公开(公告)日：2022-02-08
申请号：CN202111306129.1
申请日：2021-11-05
Applicant: 清华大学
Abstract: 本发明公开了一种基于卷积神经网络的磁共振快速成像方法及装置，其中，该方法包括：采集磁共振图像，对磁共振图像进行傅里叶变换得到k空间数据；零初始化长度为k空间数据行数的浮点类型向量，以构建图像重建网络，对k空间数据进行采样，对采样后的k空间数据进行傅里叶逆变换得到图像，输入图像重建网络，得到输出；计算图像重建网络的输出与目标图像的L1距离作为损失函数；根据训练得到的浮点类型向量得到二值采样向量，对磁共振仪编写采样序列，将采集的磁共振图像输入图像重建网络中，得到输出的高质量磁共振图像。本发明在实际使用中，按照磁共振采样序列采集磁共振图像，将图像输入到磁共振图像重建网络中，得到清晰的磁共振图像。
-
公开(公告)号：CN113888470A
公开(公告)日：2022-01-04
申请号：CN202111038996.1
申请日：2021-09-06
Applicant: 清华大学
Abstract: 本申请提出了一种基于卷积神经网络和多模态医学影像的诊断方法，涉及计算机视觉、深度学习、医学影像处理技术领域，该方法包括：采集训练数据，训练数据包括多种模态的医学影像样本以及多种模态的医学影像样本对应的诊断标注信息；根据训练数据对卷积神经网络的网络参数进行优化，得到优化后的基于卷积神经网络的分类网络；获取多种模态的医学影像，将多种模态的医学影像输入基于卷积神经网络的分类网络，以输出每种模态的医学影像对应疾病的预测概率，预测概率分别用于表征患有疾病的概率和不患有疾病的概率。采用上述方案的本申请综合多种模态的医学影像进行诊断，提高了对疾病诊断的准确性。
-
公开(公告)号：CN112053319A
公开(公告)日：2020-12-08
申请号：CN202010709794.4
申请日：2020-07-22
Applicant: 清华大学
Abstract: 本申请提出一种图像处理的方法与装置，包括以下步骤：获取M张待处理CT图像；将M张待处理CT图像输入训练后的深度卷积神经网络进行处理，得到目标类别。本发明目的在于利用计算机深度学习方法对CT图像进行识别，达到计算机快速自动识别CT图像类型的效果。
-
公开(公告)号：CN113888470B
公开(公告)日：2024-07-05
申请号：CN202111038996.1
申请日：2021-09-06
Applicant: 清华大学
IPC: G06T7/00 , G06V10/774 , G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/08 , G16H30/00 , G16H50/20
Abstract: 本申请提出了一种基于卷积神经网络和多模态医学影像的诊断方法，涉及计算机视觉、深度学习、医学影像处理技术领域，该方法包括：采集训练数据，训练数据包括多种模态的医学影像样本以及多种模态的医学影像样本对应的诊断标注信息；根据训练数据对卷积神经网络的网络参数进行优化，得到优化后的基于卷积神经网络的分类网络；获取多种模态的医学影像，将多种模态的医学影像输入基于卷积神经网络的分类网络，以输出每种模态的医学影像对应疾病的预测概率，预测概率分别用于表征患有疾病的概率和不患有疾病的概率。采用上述方案的本申请综合多种模态的医学影像进行诊断，提高了对疾病诊断的准确性。
-
-
-
-
-
-
-
-
-
Search Results
13
records
(took 0.017 seconds)
