-
公开(公告)号:CN113034451A
公开(公告)日:2021-06-25
申请号:CN202110273187.2
申请日:2021-03-15
Applicant: 北京医准智能科技有限公司 , 广西医准智能科技有限公司
Abstract: 本发明提供了一种基于深度学习的胸部DR图像识别方法,主要包括:DICOM图像数据矫正处理以及异物检测。其中DICOM图像数据矫正处理以适应不同机型、不同拍摄参数和图像质量的DR影像;异物检测环节设计了适用于不同大小异物检出的目标检测网络,对矫正处理后的DICOM图像进行计算,以得到异物所在的区域及类别。本发明采用深度神经网络,自动从图像中提取多尺度的特征用于异物的检测,避免了手动从图像中提取特定的特征,从而使本算法不依赖待检测异物的图形学特征,极大的增加了本算法的适应性,而图像矫正处理阶段有效的降低了不同设备生成的不同质量的DR影像对检测结果的影像,增大了本算法的适用范围。
-
公开(公告)号:CN112331348A
公开(公告)日:2021-02-05
申请号:CN202011135088.X
申请日:2020-10-21
Applicant: 北京医准智能科技有限公司
Abstract: 本发明提出了一种集数据收集‑数据标注‑特征提取‑数据分析和模型搭建‑模型评估预测为一体的医学影像科研平台系统,该系统具有灵活配置、降低标注错误、提高标注效率等优势,同时适于缺乏工程经验人员利用临床数据实现实验分析。
-
公开(公告)号:CN115984229B
公开(公告)日:2023-09-05
申请号:CN202310035721.5
申请日:2023-01-10
Applicant: 北京医准智能科技有限公司
IPC: G06T7/00 , G06T7/11 , G06V10/774 , G06V10/764
Abstract: 本公开实施例提供了一种模型训练方法、乳腺测量方法、装置、电子设备及介质。该模型训练方法包括获得电子计算机断层扫描图像及其标注信息,标注信息包括乳腺分割标注结果和乳腺密度标注结果;对电子计算机断层扫描图像进行预处理,得到待处理图像;通过乳腺测量模型处理待处理图像,得到乳腺分割预测结果和乳腺密度预测结果,其中,乳腺测量模型包括骨干网络、乳腺分割子网络和密度预测子网络,乳腺分割子网络和密度预测子网络并联,分别与骨干网络连接;基于乳腺分割标注结果和乳腺分割预测结果确定分割损失;基于乳腺密度标注结果和乳腺密度预测结果确定分类损失;以及优化分割损失和分类损失,以更新乳腺测量模型的参数。
-
公开(公告)号:CN114972376B
公开(公告)日:2023-08-25
申请号:CN202210531996.3
申请日:2022-05-16
Applicant: 北京医准智能科技有限公司
IPC: G06T7/11 , G06T7/00 , G06T7/136 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种冠脉钙化斑块的分割方法及装置、冠脉钙化斑块的分割模型的训练方法及装置,其中所述分割方法包括:获取目标图像,所述目标图像为包括心脏区域的非对比增强心电门控钙化积分电子计算机断层扫描CSCT图像;所述心脏区域包括多个冠脉分支;将目标图像输入至目标模型,得到所述目标模型输出的各冠脉分支的钙化斑块的候选区域;所述各冠脉分支的钙化斑块的候选区域包括多个第一目标体素;基于预设的筛选规则,从所述多个第一目标体素筛选出第二目标体素;基于所述第二目标体素,从目标图像中分割出各冠脉分支的钙化斑块区域。实现了对CSCT图像中的各冠脉分支的钙化斑块区域的准确分割。
-
公开(公告)号:CN115526887B
公开(公告)日:2023-06-30
申请号:CN202211332772.6
申请日:2022-10-28
Applicant: 北京医准智能科技有限公司
IPC: G06T7/00 , G06T5/50 , G06T9/00 , G06V10/764 , G06T11/20 , G06N3/0464 , G06N3/08
Abstract: 本公开提供了一种血管管径的预测方法、装置、电子设备及存储介质,获取初始预测模型,基于样本血管的造影CTA图像,通过初始预测模型获取对应的增强特征图,增强特征图为对样本血管在长度维度的特征进行增强得到的;通过初始预测模型对增强特征图进行预测,得到样本血管的血管管径向量,血管管径向量包括多个血管管径值;根据血管管径向量和标注的管径向量确定初始预测模型的损失,根据损失对初始预测模型进行优化,直至初始预测模型收敛,得到血管管径预测模型;基于待测血管的CTA图像,通过血管管径预测模型获取对应的增强特征图,并对待测血管对应的增强特征图进行预测得到血管管径向量;根据待测血管的血管管径向量确定待测血管的管径尺寸。
-
公开(公告)号:CN115409990B
公开(公告)日:2023-06-16
申请号:CN202211188150.0
申请日:2022-09-28
Applicant: 北京医准智能科技有限公司
IPC: G06V10/26 , G06V10/28 , G06V10/40 , G06V10/764 , G06V10/80 , G06V10/82 , G06N3/0464 , G06N3/0455 , G06N3/08
Abstract: 本公开提供了一种医学图像分割方法、装置、设备及存储介质,所述方法包括:将待分割医学图像输入预先训练的目标图像分割模型,第一残差特征提取层提取第一残差特征,第二残差特征提取层对第一残差特征提取第二残差特征,语义特征提取层对第一残差特征提取语义特征,特征融合层对第二残差特征和语义特征进行融合得到融合特征,结果输出层基于融合特征提取待分割医学图像中目标器官的器官区域图像,以及确定目标器官的器官类别,并输出器官区域图像和器官类别。采用该方法,使得医学检测仪器可以利用器官区域图像在更精确的区域检测的同时,也可以在器官对应的检测模式下进行检测,提高了检测结果准确率,从而达到了更好的辅助检查效果。
-
公开(公告)号:CN115578564B
公开(公告)日:2023-05-23
申请号:CN202211308889.0
申请日:2022-10-25
Applicant: 北京医准智能科技有限公司
IPC: G06V10/26 , G06V10/25 , G06V10/774 , G06V10/762 , G06T7/11 , G06T7/136 , G06N3/0464 , G06N3/08
Abstract: 本公开提供了一种实例分割模型的训练方法、装置、设备及存储介质,包括:将训练集中的样本图像输入至实例分割模型包括的语义分割子模型中,获取样本图像对应的预测感兴趣区域;基于样本图像对应的预测感兴趣区域,从样本图像中获取对应的语义样本图像;将语义样本图像输入至实例分割模型包括的特征提取子模型中;获取样本图像对应的预测语义分割特征和预测聚类特征;基于预测语义分割特征、标注语义分割特征和预测聚类特征,调整特征提取子模型的参数;其中,所述语义分割特征和所述聚类特征用于确定所述样本图像的至少一个聚类特征,并基于所述至少一个聚类特征,确定所述样本图像的实例分割结果。
-
公开(公告)号:CN114820652B
公开(公告)日:2023-05-23
申请号:CN202210363792.3
申请日:2022-04-07
Applicant: 北京医准智能科技有限公司
IPC: G06T7/11 , G06T7/12 , G06V10/26 , G06V10/44 , G06V10/80 , G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/048 , G06N3/098
Abstract: 本申请公开了一种乳腺X线图像局部质量异常区域的分割方法、装置及介质,所述方法包括:对所述待分割图像进行标准化处理,获得标准化图像;通过挤压激励残差网络对所述标准化图像进行特征提取,获得第一特征信息;通过空间金字塔池化对所述第一特征信息进行特征提取,获得第二特征信息;对所述第一特征信息和所述第二特征信息进行融合,获得第一分割结果;利用边缘细化网络对所述第一分割结果进行优化,获得与所述待分割图像对应的目标分割结果,应用本申请实施例提供的方法,更好地结合了图像中全局特征与局部特征,提升了模型的对多种不同乳腺X线图像质量局部异常分割的准确性。
-
公开(公告)号:CN116137180A
公开(公告)日:2023-05-19
申请号:CN202310152737.4
申请日:2023-02-22
Applicant: 北京医准智能科技有限公司
IPC: G16H30/20 , G06F30/28 , G06F113/08 , G06F119/14
Abstract: 本申请提供了一种数据处理方法、装置、电子设备及存储介质;所述方法包括:获取心脏对应的图像;基于所述心脏对应的图像,确定第一心脏模型和二尖瓣瓣膜模型;基于所述第一心脏模型和所述二尖瓣瓣膜模型,确定心脏的数据。通过本申请,能够提高数据处理的效率。
-
公开(公告)号:CN115187819B
公开(公告)日:2023-05-16
申请号:CN202211014238.0
申请日:2022-08-23
Applicant: 北京医准智能科技有限公司
IPC: G06V10/764 , G06V10/774 , G06V10/80 , G06T7/00 , G06T7/11 , G06T9/00
Abstract: 本公开提供了一种图像分类模型的训练方法、装置、电子设备及存储介质,所述方法包括:确认第一样本图像和第一样本图像对应的第一掩码图像;基于所述第一掩码图像训练图像分类模型包括的第一编码器,确认训练完成的第一编码器为第二编码器;将第二样本图像输入至分类分支中,将第二样本图像对应的第二掩码图像输入至对照分支中,对分类分支输出的第一特征图像和对照分支输出的第二特征图像进行特征融合,获得第一融合特征;将第一融合特征输入至分类分支包括的全连接层分类器中,确认全连接层分类器的输出为第二样本图像对应的肺部预测分类结果;基于第二样本图像的肺部标注分类结果和第二样本图像的肺部预测分类结果调整分类分支的参数。
-
-
-
-
-
-
-
-
-