-
公开(公告)号：CN111986148B
公开(公告)日：2024-03-08
申请号：CN202010679683.3
申请日：2020-07-15
Applicant: 万达信息股份有限公司 , 上海复高计算机科技有限公司
IPC: G06T7/00 , G06T7/11 , G06T7/62 , G06T7/90 , G06V10/762 , G06V10/764 , G06V10/82 , G06N3/0464
-
公开(公告)号：CN111985536A
公开(公告)日：2020-11-24
申请号：CN202010690425.5
申请日：2020-07-17
Applicant: 万达信息股份有限公司 , 上海复高计算机科技有限公司
Abstract: 本发明提供了一种基于弱监督学习的胃镜病理图像分类方法。针对胃镜数字病理图像标注成本高昂，难以获得大型标注数据集的问题，本发明利用易于获取的粗粒度标签构建的大型胃镜病理图像数据集训练得到弱监督网络模型。通过获得的弱监督网络模型提取胃镜病理图像特征，进一步融合胃镜病理图像全局和局部的定性特征，最后通过随机森林分类器实现对整张胃镜病理图像的阴性和阳性分类。利用本发明提供的基于弱监督的胃镜病理图像分类方法，可以为病理医生提供病理数据的筛查信息，辅助临床病理医生的诊断工作，提升其工作效率。
-
公开(公告)号：CN111985536B
公开(公告)日：2024-02-09
申请号：CN202010690425.5
申请日：2020-07-17
Applicant: 万达信息股份有限公司 , 上海复高计算机科技有限公司
IPC: G06V10/764 , G06V10/44 , G06V10/42 , G06V10/80 , G06V10/54 , G06V10/56 , G06V10/26 , G06V10/82 , G06N3/0464 , G06N3/0895 , G06T5/73 , G06T5/30 , G06F21/62
Abstract: 本发明提供了一种基于弱监督学习的胃镜病理图像分类方法。针对胃镜数字病理图像标注成本高昂，难以获得大型标注数据集的问题，本发明利用易于获取的粗粒度标签构建的大型胃镜病理图像数据集训练得到弱监督网络模型。通过获得的弱监督网络模型提取胃镜病理图像特征，进一步融合胃镜病理图像全局和局部的定性特征，最后通过随机森林分类器实现对整张胃镜病理图像的阴性和阳性分类。利用本发明提供的基于弱监督的胃镜病理图像分类方法，可以为病(56)对比文件金程笑等.一种基于树搜索的层次多标签乳腺疾病分类诊断方法.智能计算机与应用.2020,第10卷(第2期),第34-39页.胡孔涛.基于弱监督学习的癌症病理图像分割.中国优秀硕士学位论文全文数据库 医药卫生科技辑.2020,(第6期),第E072-31页.Hong-Min Chu等.Deep Generative Modelsfor Weakly-Supervised Multi-LabelClassification.ECCV 2018: ComputerVision.2018,第11206卷第409-425页.Zhipeng Jia等.Constrained Deep WeakSupervision for Histopathology ImageSegmentation.IEEE Transactions on MedicalImaging.2017,第36卷(第11期),第2376-2388页.任福龙等.多核多示例学习的糖尿病视网膜病变诊断.中国图象图形学报.2018,(第4期),第90-101页.
-
公开(公告)号：CN111986150B
公开(公告)日：2024-02-09
申请号：CN202010690711.1
申请日：2020-07-17
Applicant: 万达信息股份有限公司 , 上海复高计算机科技有限公司
IPC: G06T7/00 , G06T7/11 , G06T7/13 , G06T7/136 , G06T7/90 , G06V10/762 , G06V10/764 , G16H30/40
Abstract: 本发明提供了一种数字病理图像的交互式标注精细化方法，其特征在于，包括以下步骤：构建并训练Resnet弱监督分类模型；获得实时输入的数字病理图像，对数字病理图像进行预处理，获得与数字病理图像的组织区域相对应的尺寸及染色标准化后的Patch切片数据；将Patch切片数据输入训练好的Resnet弱监督分类模型中，获得每个patch切片的良恶性分类，根据patch切片的良恶性分类生成在原始的数字病理图像上的XML的矢量图标注，得到预标注病灶区域；在预标注病灶区域上，再获得精细化后的标注轮廓。本发明提出一种数字病理图像的交互式标注精细(56)对比文件崔磊.病理图像精细化分析算法研究.中国博士学位论文全文数据库 医药卫生科技辑.2020,(第1期),第E059-38页.徐小程.基于弱监督的图像区域自动标注算法研究.中国优秀硕士学位论文全文数据库 信息科技辑.2017,(第1期),第I138-567页.Ramazan Gokberk Cinbis等.WeaklySupervised Object Localization withMulti-Fold Multiple InstanceLearning.IEEE Transactions on PatternAnalysis and Machine Intelligence.2017,第39卷(第1期),第189-203页.于观贞等.实体瘤病理数据集建设和数据标注质量控制专家意见(2019).第二军医大学学报.2019,(第5期),第6-11页.
-
公开(公告)号：CN111986150A
公开(公告)日：2020-11-24
申请号：CN202010690711.1
申请日：2020-07-17
Applicant: 万达信息股份有限公司 , 上海复高计算机科技有限公司
Abstract: 本发明提供了一种数字病理图像的交互式标注精细化方法，其特征在于，包括以下步骤：构建并训练Resnet弱监督分类模型；获得实时输入的数字病理图像，对数字病理图像进行预处理，获得与数字病理图像的组织区域相对应的尺寸及染色标准化后的Patch切片数据；将Patch切片数据输入训练好的Resnet弱监督分类模型中，获得每个patch切片的良恶性分类，根据patch切片的良恶性分类生成在原始的数字病理图像上的XML的矢量图标注，得到预标注病灶区域；在预标注病灶区域上，再获得精细化后的标注轮廓。本发明提出一种数字病理图像的交互式标注精细化方法，通过自动预标注和轮廓精细化处理提高医生的标注效率。
-
Patent Agency Ranking
公开(公告)号：CN111986148A
公开(公告)日：2020-11-24
申请号：CN202010679683.3
申请日：2020-07-15
Applicant: 万达信息股份有限公司 , 上海复高计算机科技有限公司
Abstract: 本发明提供了一种前列腺数字病理图像的快速Gleason评分系统，其特征在于，包括：数据预处理单元，用于对前列腺数字病理图像进行数据预处理；加载预训练权重的语义分割网络，用于根据数据预处理单元输出的patch切片输出五通道概率图；Gleason评分单元，对五通道概率图进行后处理后利用ISUP分级规则计算得到前列腺数字病理图像的Gleason评分。本发明使用深度神经网络的技术结合前列腺数字病理图像的特点，快速、自动分析预测Gleason评分，减少主观判断的错误，提供更准确的Gleason评分参考。
-
公开(公告)号：CN119811575A
公开(公告)日：2025-04-11
申请号：CN202411850523.5
申请日：2024-12-16
Applicant: 万达信息股份有限公司 , 蛮牛健康管理服务有限公司
Abstract: 本发明公开了一种基于大模型实现跨机构体检报告检查项标准化方法。本发明通过大语言模型对不同机构的体检报告中的检查项名称进行推理判断，实现对不同来源的医疗文本数据的有效理解和标准化映射。最终，本发明能够实现不同医院机构的同一指标名称的统一，不局限于知识库范围和对编码的依赖，通过大语言模型代替部分人工，节省人工成本。
-
公开(公告)号：CN111524570B
公开(公告)日：2024-01-16
申请号：CN202010371381.X
申请日：2020-05-06
Applicant: 万达信息股份有限公司 , 上海市公共卫生临床中心
Abstract: 本发明提供了一种基于机器学习的超声随访患者筛选方法。由于深度学习技术的快速发展，利用自然语言处理技术和深度学习技术成为了分析医疗文本的重要手段，是替代人工筛查文本的有效途径。本发明通过JIEBA分词工具对文本内容进行分词，并采用TF‑IDF方法和Word2Vec算法分别构建词向量，进一步利用卡方检验方法对特征向量进行选择。分类模型选择XGBoost、Lightgbm和CNN对特征数据进行训练建模，实现了对超声检查随访列表的自动筛选。(56)对比文件王根生;黄学坚.基于Word2vec和改进型TF-IDF的卷积神经网络文本分类模型.小型微型计算机系统.2019,(第05期),全文.常炳国;刘清星.基于深度学习的慢性肝病CT报告相似度分析.计算机应用与软件.2018,(第08期),全文.丁尚伟;谢玉环;陈俊君;陈沛芬;何志忠;罗海波.数字化病例随访系统在超声医师规范化培训中的应用.南方医学教育.2018,(第01期),全文.
-
公开(公告)号：CN110060773B
公开(公告)日：2023-10-27
申请号：CN201910322584.7
申请日：2019-04-22
Applicant: 东华大学 , 万达信息股份有限公司
IPC: G16H50/20 , G06N3/0464 , G06N3/0442 , G06N3/08
Abstract: 本发明提出了一种基于双向LSTM的阿尔茨海默症病情发展预测系统，其特征在于，包括：预处理单元及基于深度学习的双向LSTM结合Attention机制模型。本发明主要从已获取到的神经心理学数据出发，分析数据的时间可利用性，参考深度学习中时间序列问题，把时间这一个关键的属性应用到模型上去。这样就可以降低由于单个时间点做预测而出现的性能问题。同时利用了深度学习中特有的给不同属性附加权重的方法，使得属性值有了各自的权重。
-
公开(公告)号：CN111312354B
公开(公告)日：2023-10-24
申请号：CN202010085426.7
申请日：2020-02-10
Applicant: 东华大学 , 万达信息股份有限公司
IPC: G16H15/00 , G06F40/295 , G06F40/284 , G06F40/169 , G06N3/047 , G06N3/045 , G06N3/092
Abstract: 本发明公开了一种基于多智能体强化学习的乳腺病历实体识别标注增强系统，其特征在于，包括用于将原始数据处理为系统可识别分析的表示形式的乳腺临床电子病历数据预处理模块，对乳腺临床电子病历数据从病历内容、结构特征、语言特征和语义特征进行分析，用于提取文本中的医疗概念实体的医疗临床实体识别模块及用于对从乳腺电子病历中抽取出的错误实体标签进行修正的强化学习标注增强模块。本发明基于部分可观测马尔科夫决策过程设计了针对实体识别序列标注的多智能体强化学习模型，对标注结果进行修正，相比于传统深度学习实体识别模型，有效提高了准确率。
-
-
-
-
-
-
-
-
-
Search Results
86
records
(took 0.041 seconds)
