-
公开(公告)号：CN106981051B
公开(公告)日：2021-01-19
申请号：CN201611128449.1
申请日：2016-12-09
Applicant: 西门子保健有限责任公司
Abstract: 公开了用于运动解析的MRI的系统和方法。一种方法包括在时间上的多个点中的每个处在导航扫描期间获取导航数据。使用笛卡尔采样在时间上的多个点处获取对应于被成像的对象的多个磁共振成像（MRI）k空间数据，k空间数据包括至少两个空间维度、时间。基于导航数据计算针对k空间数据中的每个的相应的运动状态。使用对应于至少两个运动状态和相同的在时间上的点的k空间数据重构至少一个图像而从所述多个MRI k空间数据重构所述至少一个图像。
-
公开(公告)号：CN107038698A
公开(公告)日：2017-08-11
申请号：CN201610901175.9
申请日：2016-10-13
Applicant: 西门子保健有限责任公司
CPC classification number: G06K9/66 , G06K9/036 , G06T5/001 , G06T7/0002 , G06T2207/10088 , G06T2207/20081 , G06T2207/20084 , G06T2207/30168 , G06T7/0012 , G06T2207/30004 , G06T2207/30196
Abstract: 用于个性化图像质量评估和优化的基于学习的框架。一种用于提供针对用户进行个体化的图像质量优化的计算机实现的方法包括：计算机接收从图像扫描仪获取的原始图像数据并且基于原始图像数据来标识一个或多个原始图像质量特征。计算机通过将一个或多个用户偏好应用到一个或多个原始图像质量特征来自动地确定一个或多个目标图像质量特征。计算机还基于一个或多个目标图像质量特征来自动地确定一个或多个处理参数。计算机然后可以使用一个或多个处理参数来处理原始图像数据以产生图像。
-
公开(公告)号：CN107610193A
公开(公告)日：2018-01-19
申请号：CN201710485709.9
申请日：2017-06-23
Applicant: 西门子保健有限责任公司
IPC: G06T11/00
CPC classification number: G06N3/02 , G06T5/001 , G06T5/002 , G06T5/003 , G06T5/005 , G06T7/0002 , G06T2207/10072 , G06T2207/10132 , G06T2207/20081 , G06T2207/20084 , G06T2207/30004
Abstract: 本发明涉及使用深度生成式机器学习模型的图像校正。对于来自成像系统（80）的图像的校正，深度学习生成式模型（22）被用作利用成像系统（80）的退化行为的物理模型（24）的逆解中的正则化矩阵。先验模型基于生成式模型（22），虑及在没有应用特定的均衡的情况下对图像的校正。根据好的图像来训练生成式模型（22），因此可避免或降低收集问题特定的训练数据的困难。
-
公开(公告)号：CN107545309A
公开(公告)日：2018-01-05
申请号：CN201710487019.7
申请日：2017-06-23
Applicant: 西门子保健有限责任公司
CPC classification number: G06K9/03 , G06K9/6255 , G06K9/627 , G06K9/6274 , G06K9/6277 , G06K9/66 , G06K2209/05 , G16H30/40 , G16H40/60
Abstract: 本发明公开使用深度生成机器学习模型的图像质量评分。对于对来自医学扫描仪的图像进行图像质量评分，可使用深度机器学习来创建预期好质量图像的生成模型。输入图像离生成模型的偏差被用作对于判别模型的输入特征向量。所述判别模型还可以对从输入图像导出的另一输入特征向量进行操作。基于这些输入特征向量，所述判别模型输出图像质量得分。
-
公开(公告)号：CN106510708A
公开(公告)日：2017-03-22
申请号：CN201610827542.5
申请日：2016-09-14
Applicant: 西门子保健有限责任公司
IPC: A61B5/055
CPC classification number: A61B5/0042 , A61B5/0013 , A61B5/0037 , A61B5/055 , A61B5/08 , A61B5/201 , A61B5/4064 , A61B5/7267 , A61B2576/026 , G16H50/50 , A61B5/72
Abstract: 一种用于在磁共振(MR)脑图像数据中识别异常的计算机实现的方法包括：计算机接收对象的脑部的多对比度MR图像数据；以及在多对比度MR图像数据内识别(i)包括一个或多个可疑异常的异常区域和(ii)包括健康组织的健康区域。所述计算机创建健康区域的模型，基于异常区域和模型为多对比度MR图像数据中的每个体素计算新奇得分，以及基于为多对比度MR图像数据中的每个体素计算的新奇得分创建对象的脑部的异常图。
-
Patent Agency Ranking
公开(公告)号：CN107545309B
公开(公告)日：2021-10-08
申请号：CN201710487019.7
申请日：2017-06-23
Applicant: 西门子保健有限责任公司
Abstract: 本发明公开使用深度生成机器学习模型的图像质量评分。对于对来自医学扫描仪的图像进行图像质量评分，可使用深度机器学习来创建预期好质量图像的生成模型。输入图像离生成模型的偏差被用作对于判别模型的输入特征向量。所述判别模型还可以对从输入图像导出的另一输入特征向量进行操作。基于这些输入特征向量，所述判别模型输出图像质量得分。
-
公开(公告)号：CN106981051A
公开(公告)日：2017-07-25
申请号：CN201611128449.1
申请日：2016-12-09
Applicant: 西门子保健有限责任公司
Abstract: 公开了用于运动解析的MRI的系统和方法。一种方法包括在时间上的多个点中的每个处在导航扫描期间获取导航数据。使用笛卡尔采样在时间上的多个点处获取对应于被成像的对象的多个磁共振成像（MRI）k空间数据，k空间数据包括至少两个空间维度、时间。基于导航数据计算针对k空间数据中的每个的相应的运动状态。使用对应于至少两个运动状态和相同的在时间上的点的k空间数据重构至少一个图像而从所述多个MRI k空间数据重构所述至少一个图像。
-
公开(公告)号：CN109886913B
公开(公告)日：2023-09-05
申请号：CN201811479702.7
申请日：2018-12-05
Applicant: 西门子保健有限责任公司
IPC: G06T7/00
Abstract: 成像扫描中关键发现的标识。一种审查神经扫描的方法包括接收对应于解剖区域的至少一个界标。接收包括解剖区域的组织的多个图像，并且生成被配置为在解剖区域内的健康组织和不健康组织之间进行区分的神经网络。神经网络由机器学习过程生成，所述机器学习过程被配置为接收组织的多个图像并且生成被配置为在健康组织和不健康组织之间进行区分的多个加权因子。接收包括解剖区域的组织的至少一个患者图像，以及由神经网络做出组织的至少一个患者图像是否包括健康或不健康组织的确定。
-
公开(公告)号：CN107610193B
公开(公告)日：2023-03-14
申请号：CN201710485709.9
申请日：2017-06-23
Applicant: 西门子保健有限责任公司
IPC: G06T11/00
Abstract: 本发明涉及使用深度生成式机器学习模型的图像校正。对于来自成像系统（80）的图像的校正，深度学习生成式模型（22）被用作利用成像系统（80）的退化行为的物理模型（24）的逆解中的正则化矩阵。先验模型基于生成式模型（22），虑及在没有应用特定的均衡的情况下对图像的校正。根据好的图像来训练生成式模型（22），因此可避免或降低收集问题特定的训练数据的困难。
-
公开(公告)号：CN109886913A
公开(公告)日：2019-06-14
申请号：CN201811479702.7
申请日：2018-12-05
Applicant: 西门子保健有限责任公司
IPC: G06T7/00
Abstract: 成像扫描中关键发现的标识。一种审查神经扫描的方法包括接收对应于解剖区域的至少一个界标。接收包括解剖区域的组织的多个图像，并且生成被配置为在解剖区域内的健康组织和不健康组织之间进行区分的神经网络。神经网络由机器学习过程生成，所述机器学习过程被配置为接收组织的多个图像并且生成被配置为在健康组织和不健康组织之间进行区分的多个加权因子。接收包括解剖区域的组织的至少一个患者图像，以及由神经网络做出组织的至少一个患者图像是否包括健康或不健康组织的确定。
-
-
-
-
-
-
-
-
-
Search Results
10
records
(took 0.042 seconds)
