-
公开(公告)号：CN111784682B
公开(公告)日：2024-05-28
申请号：CN202010663227.X
申请日：2020-07-10
申请人： 北京医智影科技有限公司
IPC分类号： G06T7/00 , G06T7/11 , G06N3/0464 , G06N3/048 , G06N3/0455 , G06N3/08
摘要： 公开了一种用于对图像进行自动处理的网络架构系统(1)，包括：用于输入待处理的图像的输入模块(11)；编码路径(12)，其被配置成使用双路径网络对输入的图像进行特征提取；解码路径(14)，其被配置成与编码路径建立连接；中央模块(13)，其被配置成用于从编码路径(12)到解码路径(14)的过渡，以提炼高维图像特征；以及输出模块(15)，其被配置成从解码路径输出图像处理结果；其中，所述解码路径被配置成使用Unet架构的解码路径对编码路径的相应编码结果以及中央模块的图像特征提炼结果进行解码操作。还公开了一种相应的方法、一种相应的程序载体及一种相应的工作站。根据本发明，可进行更好的图像分割和分类。
-
公开(公告)号：CN116206059B
公开(公告)日：2023-12-01
申请号：CN202310103180.5
申请日：2023-02-13
申请人： 北京医智影科技有限公司
摘要： 本申请的实施例提供了一种损失函数计算方法和模型训练方法，损失函数计算方法基于3DUnet网络模型计算，3DUnet网络模型为单编码器双解码器结构；方法包括：基于第一解码器输出的预测结果得到平均绝对误差损失；对第一解码器最后一层输出进行Dropout,对输出结果进行方差计算得到不确定性图，基于不确定性图计算不确定性损失；基于第二解码器输出的预测梯度图和采用Sobel算子提取GroundTruth边缘信息得到的GT梯度图，进行均方误差计算，得到梯度预测损失；基于3DUnet网络重建模型，基于编码器不同层的输出分别进行均方误差计算，得到感知损失；基于四种损失得到模型的损失函数。本申请能够实现更好的预测结果，提高模型的预测准确度。
-
公开(公告)号：CN115206146B
公开(公告)日：2023-09-22
申请号：CN202110398817.9
申请日：2021-04-14
申请人： 北京医智影科技有限公司
IPC分类号： G09B7/04 , G16H30/40 , G06N3/0464 , G06N3/048 , G06N3/08
摘要： 本发明的实施方式提供了一种用于放疗靶区勾画的智能教学方法、系统、设备和介质。该智能教学方法包括：自适应教学建模步骤；主动考核步骤；精准量化评估步骤；和自适应培训步骤；其中在自适应教学建模步骤中：利用卷积神经网络(CNN)技术对临床影像数据进行处理，以勾画出含有高阶图像特征信息的临床靶区区域，并且根据勾画标准在勾画后的临床影像数据上标注勾画知识点，从而获得公共教学临床影像数据；筛选出适合学员个人的学员个体化教学知识数据和学员个体化教学临床影像数据；并且建立学员个体化教学模型。因此，含有高阶图像特征信息的临床靶区区域被转化为以人类可以理解的方式表达的知识，从而极大地方便了学习。
-
公开(公告)号：CN114681813B
公开(公告)日：2023-07-14
申请号：CN202011575203.5
申请日：2020-12-28
申请人： 北京医智影科技有限公司
摘要： 本发明提出一种放射治疗自动计划系统，包括信息输入单元、参数生成单元、剂量预测单元、评估单元及输出单元，信息输入单元用于输入包括医学图像信息、轮廓勾画信息和处方剂量信息的患者信息；参数生成单元基于第一神经网络模型，根据医学图像信息、轮廓勾画信息和处方剂量信息，生成初始化参数，并输出至TPS，使TPS能够利用初始化参数确定放射治疗计划；剂量预测单元基于第二神经网络模型，根据医学图像信息和轮廓勾画信息，预测TPS生成的放射治疗计划的剂量分布；评估单元将TPS确定的放射治疗计划的剂量分布与预测的剂量分布相比较，生成评估结果；输出单元根据评估结果，输出TPS生成的放射治疗计划。本发明可提高设计放射治疗计划的效率。
-
公开(公告)号：CN115359103B
公开(公告)日：2023-04-18
申请号：CN202211020524.8
申请日：2022-08-24
申请人： 北京医智影科技有限公司
摘要： 本申请涉及一种图像配准网络模型及其建立方法、设备及介质，其模型包括编码器和解码器，所述编码器包括参考图像编码器和移动图像编码器，所述参考图像编码器和所述移动图像编码器相互独立；解码器包括解码并行交叉注意力模块，所述解码并行交叉注意力模块以所述参考图像编码器、移动图像编码器不同尺度的编码获得的输出矢量序列作为输入。本申请参考图像编码器、移动图像编码器网络和解码器网络充分考虑了图像尺寸与分辨率的差异，基于并行交叉注意力模块进行网络设计，并融合不同尺度级别的并行交叉注意力模块获取的特征信息，使得不同尺寸、不同分辨率的多模态图像可直接进行配准，最终完成形变场估计。
-
公开(公告)号：CN112686900A
公开(公告)日：2021-04-20
申请号：CN202011639060.X
申请日：2020-12-31
申请人： 北京医智影科技有限公司
IPC分类号： G06T7/10
摘要： 本发明的实施方式提供了一种用于图像自动处理的方法、装置、电子设备和存储介质。该用于图像自动处理的方法包括：接收待处理图像数据；对待处理图像数据进行自动处理，以产生分割图像数据，自动处理包括：包括多个子编码处理的编码处理，中央处理，包括多个子解码处理的解码处理，其中除前一级处理的输出数据之外，还将其他在前处理的输出数据提供到多个子编码处理和中央处理中的至少一个，并且其中除前一级处理的输出数据之外，还将具有不大于其序号的序号的子编码处理的输出数据提供到多个子解码处理中的至少一个。因此，能够尽可能地减少信息丢失，有利于多维特征的综合利用，从而提高了图像处理质量。
-
公开(公告)号：CN116109605B
公开(公告)日：2024-04-02
申请号：CN202310149664.3
申请日：2023-02-13
申请人： 北京医智影科技有限公司
IPC分类号： G06T7/00 , G06T7/11 , G06T17/00 , G06V10/774 , G06V10/82 , G06N3/0464 , G06N3/048 , G06N3/08
摘要： 本发明涉及医学影像分割技术领域，具体涉及一种医学影像肿瘤分割系统、训练集构建方法和模型训练方法，旨在提高分割精度。本发明的医学影像肿瘤分割系统包括：粗分割模型，用于根据输入的医学影像对目标肿瘤进行粗分割；定位模块，用于根据粗分割的结果计算目标肿瘤的位置，得到第一位置数据；重采样模块，用于对医学影像进行重采样得到三维数据，并基于三维数据对第一位置数据进行更新，得到第二位置数据；裁剪模块，用于根据第二位置数据对三维数据进行裁剪；精分割模型，用于根据剪裁后的数据对目标肿瘤进行精分割；尺寸还原模块，用于对精分割后的结果进行尺寸还原。其中的精分割模型采用改进后的Unet3D。本发明有效地提高了分割精度。
-
公开(公告)号：CN115375971A
公开(公告)日：2022-11-22
申请号：CN202211024408.3
申请日：2022-08-24
申请人： 北京医智影科技有限公司
IPC分类号： G06V10/774 , G06V10/82 , G06V10/40 , G06V10/25 , G06V20/64 , G06T7/33 , G06T5/00 , G06N3/04 , G06N3/08
摘要： 本申请涉及一种多模态医学图像配准模型训练方法、配准方法、系统及设备，应用于医学图像配准技术领域，其方法包括：对医学数据图像样本进行预处理，生成参考图像矢量序列、移动图像矢量序列、3D参考图像矢量序列和3D移动图像矢量序列；将参考图像矢量序列、移动图像矢量序列、3D参考图像矢量序列和3D移动图像矢量序列输入图像配准网络模型，生成形变场；基于形变场和损失函数计算网络损失；基于误差反向传播算法调整图像配准网络模型的参数；重复执行输入图像样本、计算网络损失和调整模型参数的过程，直至损失函数不再减小时完成训练，得到训练好的图像配准网络模型。本申请具有提高配准结果的稳定性的效果。
-
公开(公告)号：CN115359103A
公开(公告)日：2022-11-18
申请号：CN202211020524.8
申请日：2022-08-24
申请人： 北京医智影科技有限公司
摘要： 本申请涉及一种图像配准网络模型及其建立方法、设备及介质，其模型包括编码器和解码器，所述编码器包括参考图像编码器和移动图像编码器，所述参考图像编码器和所述移动图像编码器相互独立；解码器包括解码并行交叉注意力模块，所述解码并行交叉注意力模块以所述参考图像编码器、移动图像编码器不同尺度的编码获得的输出矢量序列作为输入。本申请参考图像编码器、移动图像编码器网络和解码器网络充分考虑了图像尺寸与分辨率的差异，基于并行交叉注意力模块进行网络设计，并融合不同尺度级别的并行交叉注意力模块获取的特征信息，使得不同尺寸、不同分辨率的多模态图像可直接进行配准，最终完成形变场估计。
-
公开(公告)号：CN115206146A
公开(公告)日：2022-10-18
申请号：CN202110398817.9
申请日：2021-04-14
申请人： 北京医智影科技有限公司
摘要： 本发明的实施方式提供了一种用于放疗靶区勾画的智能教学方法、系统、设备和介质。该智能教学方法包括：自适应教学建模步骤；主动考核步骤；精准量化评估步骤；和自适应培训步骤；其中在自适应教学建模步骤中：利用卷积神经网络(CNN)技术对临床影像数据进行处理，以勾画出含有高阶图像特征信息的临床靶区区域，并且根据勾画标准在勾画后的临床影像数据上标注勾画知识点，从而获得公共教学临床影像数据；筛选出适合学员个人的学员个体化教学知识数据和学员个体化教学临床影像数据；并且建立学员个体化教学模型。因此，含有高阶图像特征信息的临床靶区区域被转化为以人类可以理解的方式表达的知识，从而极大地方便了学习。
-
-
-
-
-
-
-
-
-
搜索结果
23 条记录 (耗时 0.044 秒)
