-
公开(公告)号：CN109146838A
公开(公告)日：2019-01-04
申请号：CN201810636329.5
申请日：2018-06-20
Applicant: 湖南自兴智慧医疗科技有限公司
CPC classification number: G06T7/11 , G06T7/0012
Abstract: 本发明公开了一种基于几何特征与区域融合的G显带粘连染色体分割方法，首先提取粘连染色体区域轮廓凹点，接着通过两两凹点形成的切割线对粘连染色体图像进行切割，最后就是对切割后的局部区域进行融合操作，选取最合适的区域作为最终的单条染色体区域。本发明实现了对粘连染色体自动化分割，提高染色体核型分析效率。
-
公开(公告)号：CN119007196A
公开(公告)日：2024-11-22
申请号：CN202411455563.X
申请日：2024-10-18
Applicant: 湖南自兴智慧医疗科技有限公司
Abstract: 本发明公开一种染色体识别方法及系统。该方法包括获取染色体数据；根据染色体数据训练扩散概率模型；将染色体图像的染色体掩膜二值图和染色体灰度归一化直方图以及染色体类别嵌入至特征向量中，使用交叉注意力机制将特征向量作用于扩散概率模型，生成染色体扩充数据；根据染色体扩充数据训练染色体识别网络；根据染色体识别网络对需要识别的染色体数据进行识别；本发明基于扩散概率模型的扩增数据方法，既保留了染色体的真实性，又成功转换了染色体的图像特性，有效扩大了数据的多样性。通过该系统，染色体在不同数据源上的识别效果得到了显著的提升，为医疗诊断领域提供了更为精确和可靠的辅助工具。
-
公开(公告)号：CN118800413A
公开(公告)日：2024-10-18
申请号：CN202411278833.4
申请日：2024-09-12
Applicant: 湖南自兴智慧医疗科技有限公司
IPC: G16H30/40 , G06N3/0455 , G06N3/0895 , G06V10/74
Abstract: 本发明公开一种基于视觉序列模型的医学影像处理方法，包括：获取待预测的图像数据xp和正确标注的序列数据St；将所述图像数据xp和所述序列数据St进行组合，得到图像序列Sp；将所述图像序列Sp输入视觉序列模型，得到视觉序列模型的输出结果So；将所述输出结果So中最后一个图像xr作为预测结果；对所述预测结果进行有效性验证。本发明能够显著提高医学数据标注的效率和准确性，降低人力成本，促进医学数据的充分利用和医疗服务的智能化发展。
-
公开(公告)号：CN112711983B
公开(公告)日：2024-06-21
申请号：CN202011424092.8
申请日：2020-12-08
Applicant: 湖南自兴智慧医疗科技有限公司
IPC: G06V20/69 , G06V10/44 , G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 本发明实施例提供了一种核型分析系统、方法、电子设备及可读存储介质，该系统包括：图像处理模块，用于对输入的染色体中期图像进行处理，获得所述染色体中期图像的多个图像特征数据；数据处理模块，用于存储所述染色体中期图像的多个图像特征数据；业务接口模块，用于根据所述多个图像特征数据对所述染色体中期图像进行处理，获得所述染色体中期图像的图像特征，并将所述图像特征进行展示。该核型分析系统在将染色体中期图像输入到图像处理模块后，能够通过业务接口模块直接将染色体中期图像的图像特征输出到用户端，无需用户大量参与整个图像处理的操作，节约了用户花费在图像处理上的时间。
-
公开(公告)号：CN112785566B
公开(公告)日：2024-01-19
申请号：CN202110057995.5
申请日：2021-01-15
Applicant: 湖南自兴智慧医疗科技有限公司
Abstract: 本发明实施例提供了一种染色体中期图像评分方法、装置、电子设备及存储介质，该染色体中期图像评分方法包括：获取N张染色体中期图像，所述N为大于1的整数；分别将每一所述染色体中期图像输入到训练的神经网络，得到每一所述染色体中期图像对应的多个图像特征；分别根据每一所述染色体中期图像对应的多个图像特征，对每一所述染色体中期图像进行评分。本发明实施例利用训练的神经网络提取各张染色体中期图像中的各个特征，不仅保证了评分依据的客观性，提升了评分准确性，还可以从多个特征的角度进行评分，有助于满足不同用户的中期图挑选习惯，便于用户从中选取符合要求的中期图像。
-
Patent Agency Ranking
公开(公告)号：CN116977338B
公开(公告)日：2023-12-12
申请号：CN202311235013.2
申请日：2023-09-25
Applicant: 湖南自兴智慧医疗科技有限公司
Abstract: 本发明提供一种基于视觉语义联合的染色体病例级异常提示系统，采用核型图预处理模块将核型图进行染色体分割并拼接一个位置编码，再通过核型图像编码向量模块将染色体核型图编码成一个图像特征向量；然后将N种异常核型输入至文本编码器得到文本特征向量，构建成一个异常文本向量底库；最后将图像特征向量与异常文本向量底库的特征相似度计算，输出相似度最高并且判断是否达到设定的阈值，如果达到阈值则输出指定核型，否则不输出核型；本发明文本编码器指导图像编码器学习关注重要特征，直接端到端检测数量异常和结构异常，简单有效。
-
公开(公告)号：CN117011615A
公开(公告)日：2023-11-07
申请号：CN202311189112.1
申请日：2023-09-15
Applicant: 湖南自兴智慧医疗科技有限公司
IPC: G06V10/764 , G06N3/0464 , G06N3/08 , G06V10/774 , G06V10/82
Abstract: 本发明提供一种基于生成式模型数据增广的微核血细胞识别系统，采用微核识别模型，将染色体图像数据库中的血细胞图像输入生成模型离线训练模块分别完成分布式训练，生成指定细胞质和细胞核位置及轮廓的图像；其中，生成模型离线训练模块训练基于控制网络的扩散概率模型，用于训练得到可以生成大量阴性阳性样本的模型，阴性微核与阳性微核细胞图像生成模块是用生成模型离线训练模块训练得到的模型来生成大量阴性阳性图，然后通过微核识别模型训练模块将得到的阴性阳性图进行分类，得到阴性阳性的二分类结果，并通过用户交互界面显示微核细胞的概率值。本发明能快速获得更具代表性的数据集，为医疗诊断和疾病治疗提供更精确的支持。
-
公开(公告)号：CN112037180B
公开(公告)日：2023-08-08
申请号：CN202010808610.X
申请日：2020-08-12
Applicant: 湖南自兴智慧医疗科技有限公司
IPC: G06T7/00 , G06T7/11 , G06T5/50 , G06N3/0464 , G06N3/08
Abstract: 本发明实施例提供了一种染色体分割方法及装置，其中，上述染色体分割方法包括：将目标染色体图像输入到预先训练得到的语义分割模型中，获得重叠区域集与非重叠区域集，非重叠区域集包括至少一个初始非重叠区域；在重叠区域集包括至少一个初始重叠区域的情况下，分别确定与每一初始重叠区域邻接的全部初始非重叠区域，以及邻接的全部初始非重叠区域的第一区域数量；根据第一区域数量确定区域拼接规则，并根据区域拼接规则对每一初始重叠区域与邻接的全部初始非重叠区域进行拼接，得到染色体分割图像。本发明实施例可提升染色体的分割准确度与分割效率。
-
公开(公告)号：CN115601360B
公开(公告)日：2023-03-28
申请号：CN202211593128.4
申请日：2022-12-13
Applicant: 湖南自兴智慧医疗科技有限公司
Abstract: 本发明公开了一种染色体结构异常辅助识别方法、系统及计算机设备，包括如下步骤：S100、获取需要判断的真实染色体图像；S200、通过染色体内容重构模型生成指定染色体类型的重构染色体图像；S300、通过染色体相似度计算模块获得两者的相似度；S400、根据真实染色体和重构染色体之间的相似度预警，比对真实染色体图像和重构染色体图像中染色体特征，判断真实染色体是否异常。本发明采用辅助识别的方式，在为医生提供染色体相似度的同时，也能使医生能够对异常预警的真实染色体和生成的重构染色体进行对比，避免了对真实染色体进行直接识别不准确而对医生产生误导，有效提高了染色体智能识别的准确率。
-
公开(公告)号：CN115082474B
公开(公告)日：2023-03-03
申请号：CN202211003888.5
申请日：2022-08-22
Applicant: 湖南自兴智慧医疗科技有限公司
Abstract: 本发明公开一种基于同源同类染色体信息的染色体分割方法及装置。本发明涉及染色体区域分割技术领域，解决当染色体过于聚集，多条染色体相互交叉粘连时，可能会使得部分染色体无法完整地分割出来，导致后续的核型分类错误的问题。本发明通过获取同源中期染色体图像，对同源中期染色体图像中的染色体进行初始分割，根据初始分割得到的染色体核型数量判断是否存在错误分割区域，如果存在错误分割区域，将错误分割区域与核型数量为1的染色体进行匹配，从错误分割区域中提取前景区域，将前景区域与核型数量为1的染色体一起输入到分割网络进行二次分割，能够解决部分多个染色体之间存在的复杂粘连，提升了染色体核型自动分析的正确性。
-
-
-
-
-
-
-
-
-
Search Results
60
records
(took 0.038 seconds)
