-
公开(公告)号：CN110114834A
公开(公告)日：2019-08-09
申请号：CN201780080798.7
申请日：2017-11-20
Applicant: 通用电气公司
Abstract: 本发明提供了用于监测并且改进成像系统操作的方法和装置。示例性装置包括第一部署的深度学习网络(DLN)，所述第一部署的深度学习网络与采集引擎一起操作以生成成像设备配置。所述示例性装置包括第二部署的DLN，所述第二部署的DLN与重建引擎一起基于采集的图像数据来操作。所述示例性装置包括具有第三部署的DLN的第一评估引擎。所述评估引擎从所述采集引擎或所述重建引擎中的至少一者接收输出以评估所述采集引擎或所述重建引擎中的所述相应至少一者的操作并且向所述采集引擎或所述重建引擎中的所述相应至少一者提供反馈。所述第一部署的DLN和所述第二部署的DLN分别由第一训练DLNS和第二训练DLNS生成和部署。
-
公开(公告)号：CN113711236B
公开(公告)日：2025-04-11
申请号：CN202080030272.X
申请日：2020-03-10
Applicant: 通用电气公司
IPC: G06V10/764 , G06V10/774 , G06V10/40 , G06V10/82 , G06N3/0455 , G06N3/0895
Abstract: 本发明提供了用于评估和限定数据驱动的深度学习模型的范围的技术。在一个实施方案中，提供了一种机器可读存储介质，该机器可读存储介质包括可执行指令，该可执行指令在由处理器执行时促进操作的执行，该操作包括采用机器学习模型来提取包括在训练数据集中的第一训练数据特征和包括在目标数据集中的第一目标数据特征。该操作还包括基于对第一训练数据特征和第一目标数据特征之间的对应的分析，确定目标数据集是否在训练数据集的限定数据范围内，以及基于目标数据集是否在限定数据范围内，确定将目标数据集应用于使用训练数据集开发的目标神经网络模型是否将会生成具有可接受的准确度水平的结果。
-
公开(公告)号：CN110121749A
公开(公告)日：2019-08-13
申请号：CN201780080797.2
申请日：2017-11-20
Applicant: 通用电气公司
Abstract: 本发明提供了用于改进的用于图像采集的深度学习的方法和装置。成像系统配置装置包括训练学习设备，该训练学习设备包括第一处理器，用于实现第一深度学习网络(DLN)，以基于来自多个先前图像采集的第一组输入来学习第一组成像系统配置参数，从而配置至少一个用于图像采集的成像系统，所述训练学习设备用于接收和处理包括来自所述至少一个成像系统进行的所述多个图像采集的操作数据的反馈。示例性装置包括部署的学习设备，该部署的学习设备包括用于实现第二DLN的第二处理器，所述第二DLN从所述训练学习设备的所述第一DLN生成，所述部署的学习设备被配置为响应于接收到用于图像采集的第二输入而向所述成像系统提供第二成像系统配置参数。
-
公开(公告)号：CN110121749B
公开(公告)日：2024-02-13
申请号：CN201780080797.2
申请日：2017-11-20
Applicant: 通用电气公司
Abstract: 本发明提供了用于改进的用于图像采集的深度学习的方法和装置。成像系统配置装置包括训练学习设备，该训练学习设备包括第一处理器，用于实现第一深度学习网络(DLN)，以基于来自多个先前图像采集的第一组输入来学习第一组成像系统配置参数，从而配置至少一个用于图像采集的成像系统，所述训练学习设备用于接收和处理包括来自所述至少一个成像系统进行的所述多个图像采集的操作数据的反馈。示例性装置包括部署的学习设备，该部署的学习设备包括用于实现第二DLN的第二处理器，所述第二DLN从所述训练学习设备的所述第一DLN生成，所述部署的学习设备被配置为响应于接收到用于图像采集的第二输入而向所述成像系统提供第二成像系统配置参数。
-
公开(公告)号：CN112368712A
公开(公告)日：2021-02-12
申请号：CN201980044205.0
申请日：2019-06-28
Applicant: 通用电气公司
Abstract: 本发明提供了用于基于注释信息来分类和定位的系统和技术。在一个示例中，系统基于训练数据和多个图像来训练卷积神经网络。训练数据与来自至少一个成像设备的多个患者相关联。该多个图像与来自多个对象的多个掩模相关联。卷积神经网络包括解码器，该解码器由至少一个上采样层和至少一个卷积层组成。该系统还基于该多个掩模来生成损失函数，其中该损失函数被迭代地反向传播以调谐该卷积神经网络的参数。该系统还基于卷积神经网络预测输入图像的分类标签。
-
Patent Agency Ranking
公开(公告)号：CN110114834B
公开(公告)日：2024-04-26
申请号：CN201780080798.7
申请日：2017-11-20
Applicant: 通用电气公司
Abstract: 本发明提供了用于监测并且改进成像系统操作的方法和装置。示例性装置包括第一部署的深度学习网络(DLN)，所述第一部署的深度学习网络与采集引擎一起操作以生成成像设备配置。所述示例性装置包括第二部署的DLN，所述第二部署的DLN与重建引擎一起基于采集的图像数据来操作。所述示例性装置包括具有第三部署的DLN的第一评估引擎。所述评估引擎从所述采集引擎或所述重建引擎中的至少一者接收输出以评估所述采集引擎或所述重建引擎中的所述相应至少一者的操作并且向所述采集引擎或所述重建引擎中的所述相应至少一者提供反馈。所述第一部署的DLN和所述第二部署的DLN分别由第一训练DLNS和第二训练DLNS生成和部署。
-
公开(公告)号：CN112262395A
公开(公告)日：2021-01-22
申请号：CN201980038768.9
申请日：2019-06-28
Applicant: 通用电气公司
Abstract: 本发明提供了用于基于注释信息进行分类的系统和技术。在一个示例中，系统基于训练数据和多个图像来训练卷积神经网络。多个图像与多个掩模、多个图像级标签和/或边界框相关联。该系统还基于多个掩模生成第一损失函数，基于多个图像级标签生成第二损失函数，并且基于边界框生成第三损失函数。此外，系统基于第一损失函数、第二损失函数和第三损失函数生成第四损失函数，其中第四损失函数被迭代地反向传播以调谐卷积神经网络的参数。该系统还基于卷积神经网络预测输入图像的分类标签。
-
公开(公告)号：CN111127389B
公开(公告)日：2024-04-23
申请号：CN201910981660.5
申请日：2019-10-16
Applicant: 通用电气公司
IPC: G06T7/00
Abstract: 本发明题为“用于医疗保健的可扩展人工智能模型生成系统和方法”。本发明公开了使用合成数据来生成人工智能模型的系统和方法。示例性系统包括深度神经网络(DNN)生成器以使用第一真实数据来生成第一DNN模型。该示例性系统包括合成数据生成器以由该第一真实数据生成第一合成数据，该第一合成数据将由该DNN生成器用来生成第二DNN模型。该示例性系统包括评估器以评估该第一DNN模型和该第二DNN模型的性能，从而确定是否要生成第二合成数据。该示例性系统包括合成数据聚合器以聚合来自多个站点的第三合成数据和第四合成数据，从而形成合成数据集。该示例性系统包括人工智能模型部署处理器以部署使用该合成数据集训练和测试的人工智能模型。
-
公开(公告)号：CN111401398B
公开(公告)日：2023-11-14
申请号：CN201911330433.2
申请日：2019-12-20
Applicant: 通用电气公司
IPC: G06V10/764 , G06T7/00 , G06V10/82 , G06V10/77 , G06N3/0464 , G06N3/045
Abstract: 本发明题为“用于根据人工智能检测输出确定疾病进展的系统和方法”。本发明公开了使用图像数据和人工智能分类来改善对影响患者的状况的自动识别、监测、处理和控制的装置、系统和方法。示例性图像处理装置包括人工智能分类器，该人工智能分类器用于：从第一时间处理患者的第一图像数据以确定指示所述患者的状况的第一严重程度的第一分类结果；并且从第二时间处理患者的第二图像数据以确定指示患者状况的第二严重程度的第二分类结果。示例性图像处理装置包括比较器，该比较器用于比较第一分类结果和第二分类结果以确定变化和与变化相关联的状况的进展。示例性图像处理装置包括输出生成器，该输出生成器用于在进展对应于状况的恶化时触发动作。
-
公开(公告)号：CN113711236A
公开(公告)日：2021-11-26
申请号：CN202080030272.X
申请日：2020-03-10
Applicant: 通用电气公司
Abstract: 本发明提供了用于评估和限定数据驱动的深度学习模型的范围的技术。在一个实施方案中，提供了一种机器可读存储介质，该机器可读存储介质包括可执行指令，该可执行指令在由处理器执行时促进操作的执行，该操作包括采用机器学习模型来提取包括在训练数据集中的第一训练数据特征和包括在目标数据集中的第一目标数据特征。该操作还包括基于对第一训练数据特征和第一目标数据特征之间的对应的分析，确定目标数据集是否在训练数据集的限定数据范围内，以及基于目标数据集是否在限定数据范围内，确定将目标数据集应用于使用训练数据集开发的目标神经网络模型是否将会生成具有可接受的准确度水平的结果。
-
-
-
-
-
-
-
-
-
Search Results
12
records
(took 0.022 seconds)
