-
公开(公告)号：CN112101409A
公开(公告)日：2020-12-18
申请号：CN202010772358.1
申请日：2020-08-04
Applicant: 中国科学院计算技术研究所
Abstract: 一种基于病理图像的肿瘤突变负荷(TMB)分类方法，其包括以下步骤：根据至少一分类阈值将已知病理图像按照TMB分为多个类型；将所述已知病理图像切割为多张已知图块，再将所述多张已知图块重新拼接为所述已知病理图像，按照所述多个类型对所述多张已知图块进行标注，以构建初步训练集；采用多分类投票法对所述初步训练集进行清洗，以构建最终训练集；通过所述最终训练集对卷积神经网络进行训练，以构建分类模型；对目标病例的目标病理图像进行预处理，以获得多张目标图块；以及以所述分类模型对所述目标图块进行分类，以获取所述目标图块的TMB分类结果，并且根据所有所述目标图块的TMB分类结果，通过多数投票法获取所述目标病理图像的TMB分类结果。
-
公开(公告)号：CN101635006A
公开(公告)日：2010-01-27
申请号：CN200810117018.4
申请日：2008-07-22
Applicant: 中国科学院计算技术研究所
IPC: G06F17/50 , G06F15/80 , G06F15/163 , G06F9/52
Abstract: 本发明公开一种满足systemC语法的多核处理器的互斥和信号量单元组，包括按照SystemC语法的sc_mutex(name)、sc_mutex.lock()、sc_mutex.trylock()、sc_mutex.unlock()、sc_semaphore.wait()、sc_semaphore.trywait()、sc_semaphore.post()、sc_semaphore(init_value)、sc_semaphore(name，init_value)函数代码实现的逻辑电路，所述逻辑电路用于向处理器核运行时控制器发送激活和暂停处理器的信号，并允许软件开发工具的映射算法将位于不同处理单元的多个互斥和信号量单元重新组合，完成SystemC语言所定义的sc_mutex或者sc_semaphore语法单元单元的功能。通过应用本发明，使得本地资源可以用于任何多个处理单元之间、处理单元和外设之间的资源共享与同步。
-
公开(公告)号：CN116798515A
公开(公告)日：2023-09-22
申请号：CN202310678619.7
申请日：2023-06-08
Applicant: 中国科学院计算技术研究所
IPC: G16B20/50 , G16B40/20 , G06F18/24 , G06N3/0464 , G06N3/08
Abstract: 本发明提出一种基于分层深度多示例学习的基因突变预测方法和系统。本发明首先使用监督学习方法将目标区域缩小到癌症区域，从而减少大量不相关Patch对随后的弱监督学习的噪声影响；然后，基于对比学习得到的Patch特征表示和癌症区域聚类结果，确保Patch选取的全面性。最后，本发明提出了一种新的分层深度多示例学习(HDMIL)方法，该方法可以确保足够多的Patch被考虑到、错误选取的Patch被忽略掉。且本发明方法具有可解释性。本发明提出的HDMIL可以找到与基因突变最相关的Patch。
-
公开(公告)号：CN112101409B
公开(公告)日：2023-06-20
申请号：CN202010772358.1
申请日：2020-08-04
Applicant: 中国科学院计算技术研究所
IPC: G06V10/764 , G06V10/774 , G06V10/82 , G06N3/0464 , G06N3/08 , G16H30/00
Abstract: 一种基于病理图像的肿瘤突变负荷(TMB)分类方法，其包括以下步骤：根据至少一分类阈值将已知病理图像按照TMB分为多个类型；将所述已知病理图像切割为多张已知图块，再将所述多张已知图块重新拼接为所述已知病理图像，按照所述多个类型对所述多张已知图块进行标注，以构建初步训练集；采用多分类投票法对所述初步训练集进行清洗，以构建最终训练集；通过所述最终训练集对卷积神经网络进行训练，以构建分类模型；对目标病例的目标病理图像进行预处理，以获得多张目标图块；以及以所述分类模型对所述目标图块进行分类，以获取所述目标图块的TMB分类结果，并且根据所有所述目标图块的TMB分类结果，通过多数投票法获取所述目标病理图像的TMB分类结果。
-
公开(公告)号：CN117540276A
公开(公告)日：2024-02-09
申请号：CN202311572140.1
申请日：2023-11-23
Applicant: 中国科学院计算技术研究所
IPC: G06F18/241 , G06F18/21 , G06F18/15 , G06F18/22 , G06V10/764 , G06V10/82
Abstract: 本发明提出一种器官特异性模态自适应的器官功能智能评估方法和系统，包括：获取生物器官在各个发育阶段的多模态数据，且每个模态数据均具有相应的器官功能分类标签，以多模态计算框架为基础，构建深度神经网络模型，采用该多模态数据训练该深度神经网络模型执行器官功能分类任务，得到多模态分类模型将待分类生物器官的多模态数据输入该多模态分类模型，得到其器官功能分类结果，并通过保存该待分类生物器官的多模态数据和其器官功能分类结果构建生物器官的指标库；以该指标库为后续多模态数据提供检索服务，得到其器官功能分类结果。
-
Patent Agency Ranking
公开(公告)号：CN113127661A
公开(公告)日：2021-07-16
申请号：CN202110376391.7
申请日：2021-04-06
Applicant: 中国科学院计算技术研究所
Abstract: 本发明涉及一种基于循环查询扩展的多监督医学图像检索方法，包括：以已知医学图像数据集对卷积神经网络进行训练，获得分类模型；以该分类模型对该已知医学图像数据集进行三元组挖掘，以挖掘出的三元组对该分类模型进行训练，以获得图像检索模型；对于目标医学图像，通过该图像检索模型从该已知医学图像数据集获得检索结果。本发明还涉及一种基于循环查询扩展的多监督医学图像检索系统，以及一种数据处理装置。本发明的多监督医学图像检索方法采用NM三元组挖掘，解决了仅适用标签信息或仅使用相似标签信息不足以满足CBMIR高精度要求的问题，并提出RQE查询扩展方法，进一步提高了医学图像检索的性能，充分利用了检索结果中的信息。
-
公开(公告)号：CN110866893B
公开(公告)日：2021-04-06
申请号：CN201910942092.8
申请日：2019-09-30
Applicant: 中国科学院计算技术研究所
Abstract: 本发明涉及一种基于病理图像的TMB分类方法，包括：对已知病理图像进行TMB分类标记和预处理，以构建训练集；通过该训练集对卷积神经网络进行训练，以构建分类模型；对目标病例的目标病理图像进行预处理，以获得多张目标图块；以该分类模型对该目标图块进行分类，以获取该目标病例的图块TMB分类结果；以所有该图块TMB分类结果，通过分类投票获取该目标病例的图像TMB分类结果。本发明还涉及一种基于病理图像的TMB分析装置。本发明的TMB分类方法，不依赖于除病理图像之外样本，具有准确、低成本、快速的优点，对肿瘤的研究具有重大价值。
-
公开(公告)号：CN116503667A
公开(公告)日：2023-07-28
申请号：CN202310553837.8
申请日：2023-05-16
Applicant: 中国人民解放军陆军军医大学第一附属医院 , 中国科学院计算技术研究所
IPC: G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/08 , G06T7/00 , G16H50/20
Abstract: 本发明公开了一种肝细胞癌CD34免疫组化图像识别与微血管密度计算方法，针对人工方法诊断过程复杂、费时费力、依靠长时间的诊断经验的问题，为了更全面的评估肝细胞癌患者的患病程度，指导接下来的治疗，本发明采用深度学习网络对图像进行二分类，其泛化能力强，鲁棒性高；生成的概率热图直观反应了模型识别结果；微血管密度的计算的可解释性强，简单方便，易于医生操作调整。
-
公开(公告)号：CN110298383B
公开(公告)日：2021-07-13
申请号：CN201910452839.1
申请日：2019-05-28
Applicant: 中国科学院计算技术研究所 , 北京腾茂盛达科技有限公司
Abstract: 本发明提出一种基于多模态深度学习的病理分类方法及系统，包括：从电子病历中提取出预先选择的属性作为结构化数据的特征表示向量，将特征表示向量平均扩增后再按照预设比例随机丢弃，丢弃的部分被替换为数字0，作为电子病历中结构化数据的病历特征向量；获取与电子病历对应的组织病理学图像，将卷积神经网络的各卷积层的特征图进行全局平均池化后拼接成一维向量，作为组织病理学图像的一种丰富的图像特征向量；将图像特征向量和病历特征向量拼接在一起，得到多模态融合向量，然后将多模态融合向量输入至全连接层，得到二值化的病理分类结果。本发明解决了单模态的特征表示来进行病理良恶性分类的准确率不高的技术问题。
-
公开(公告)号：CN110298383A
公开(公告)日：2019-10-01
申请号：CN201910452839.1
申请日：2019-05-28
Applicant: 中国科学院计算技术研究所 , 北京腾茂盛达科技有限公司
Abstract: 本发明提出一种基于多模态深度学习的病理分类方法及系统，包括：从电子病历中提取出预先选择的属性作为结构化数据的特征表示向量，将特征表示向量平均扩增后再按照预设比例随机丢弃，丢弃的部分被替换为数字0，作为电子病历中结构化数据的病历特征向量；获取与电子病历对应的组织病理学图像，将卷积神经网络的各卷积层的特征图进行全局平均池化后拼接成一维向量，作为组织病理学图像的一种丰富的图像特征向量；将图像特征向量和病历特征向量拼接在一起，得到多模态融合向量，然后将多模态融合向量输入至全连接层，得到二值化的病理分类结果。本发明解决了单模态的特征表示来进行病理良恶性分类的准确率不高的技术问题。
-
-
-
-
-
-
-
-
-
Search Results
18
records
(took 0.067 seconds)
