-
公开(公告)号：CN119648643A
公开(公告)日：2025-03-18
申请号：CN202411684140.5
申请日：2024-11-22
Applicant: 北京肿瘤医院(北京大学肿瘤医院) , 北京安德医智科技有限公司
Abstract: 本发明提供了一种癌病灶图像数据处理方法、处理系统、电子设备以及计算机可读存储介质，其中，癌病灶图像数据处理方法包括获取癌病灶对应的癌病灶mask；对癌病灶mask进行计算处理，得到癌病灶mask对应的病灶基准点；基于病灶基准点对癌病灶mask进行变换处理，得到癌病灶mask的K视图；基于K视图和癌病灶mask进行计算处理，得到癌病灶表面曲线长径的近似值，解决了现有技术中，通过人工测量方法或者采用临床医生基于计算机断层扫描血管造影影像对癌病灶测量癌病灶长径误差较大、无法在不手术或在术前准确获得癌病灶长径的技术问题。
-
公开(公告)号：CN118609765A
公开(公告)日：2024-09-06
申请号：CN202410709291.5
申请日：2024-06-03
Applicant: 北京肿瘤医院(北京大学肿瘤医院) , 北京安德医智科技有限公司
Abstract: 本发明实施例涉及一种由模型基于前后期CT影像评估胃癌治疗效果的方法，所述方法包括：将胃癌患者治疗前、后的CT影像作为对应的前期CT影像和后期CT影像；将前、后期CT影像输入疗效评估和前后期特征比对模型进行治疗效果评估和治疗前后特征比对得到对应的疗效预测结果和特征比对结果。通过本发明既可以提高评估效率也可以提高评估准确度。
-
公开(公告)号：CN118506007A
公开(公告)日：2024-08-16
申请号：CN202410709289.8
申请日：2024-06-03
Applicant: 北京肿瘤医院(北京大学肿瘤医院) , 北京安德医智科技有限公司
IPC: G06V10/26 , G06V20/70 , G06V10/774 , G06V10/82 , G06N3/0464
Abstract: 本发明实施例涉及一种对CT影像进行胃癌病灶语义分割和区域勾画的方法，所述方法包括：构建第一分割模型；并构建三类位姿的胃癌CT影像数据集训练第一分割模型得到三组模型参数；模型训练结束后接收第一CT影像、第一影像位姿；并根据第一影像位姿和三组模型参数配置第一分割模型；并对第一CT影像进行特征图预处理；并按三维滑窗切片方式对第一特征图进行切片；并将各个第一切片特征图输入第一分割模型进行胃癌病灶语义分割；并对得到的所有第一切片语义分割图按对应的切片位置进行拼接得到第一语义分割图；并基于第一语义分割图和第一CT影像进行胃癌病灶区域勾画显示处理。通过本发明可以提高胃癌病灶的识别效率、识别精度和识别准确度。
-
公开(公告)号：CN118571428A
公开(公告)日：2024-08-30
申请号：CN202410709293.4
申请日：2024-06-03
Applicant: 北京肿瘤医院(北京大学肿瘤医院) , 北京安德医智科技有限公司
Abstract: 本发明实施例涉及一种基于CT影像进行胃癌分期和术后生存期预测的方法，所述方法包括：接收CT影像和个人信息；将CT影像和个人信息输入术前后胃癌分期与术后生存期预测模型进行预测得到对应的术前、术后分期预测向量和术后生存期预测向量；根据第一术前分期预测向量、第一术后分期预测向量和第一术后生存期预测向量进行预测记录组装得到对应的第一预测记录；并由第一CT影像、第一个人信息和第一预测记录组成一个对应的第一预测报告并保存。通过本发明可以提高预测实时性和预测效率。
-
公开(公告)号：CN118072923A
公开(公告)日：2024-05-24
申请号：CN202410169617.X
申请日：2024-02-06
Applicant: 北京肿瘤医院(北京大学肿瘤医院)
IPC: G16H40/20 , G16H50/70 , G16H10/60 , G06Q30/0201
Abstract: 本发明涉及一种基于术前因素的高花费可能性预测方法及系统。所述方法包括：获取患者特征数据，并排除不符合指标要求的数据，得到筛选后的患者特征数据划分为训练集和验证集；确定高花费费用参数，训练集经过多因素回归分析进行变量筛选，将筛选后的变量作为自变量，将高花费费用参数作为因变量，构建预测模型；基于验证集，对预测模型进行评价；根据预测模型绘制列线图，并通过列线图预测高花费可能性。由于获取到的是患者的全面的特征数据，且通过多因素回归分析筛选变量，多种影响花费的因素联合起来进行预测，可以提高医疗费用的预测准确性。
-
Patent Agency Ranking
公开(公告)号：CN117829259A
公开(公告)日：2024-04-05
申请号：CN202410050288.7
申请日：2024-01-12
Applicant: 北京航空航天大学 , 北京肿瘤医院(北京大学肿瘤医院) , 北京大学第一医院
IPC: G06N3/094 , G06N3/0475 , G06N3/044 , G06N3/045 , G06N3/0464 , G06N3/084 , G06T11/00 , G06V10/74
Abstract: 本发明提供了一种训练方法、虚拟染色方法以及虚拟染色系统。该训练方法包括获得细胞样本的拉曼图像以及该细胞样本的对应的真实染色图像；基于拉曼图像以及真实染色图像训练循环生成对抗网络以使循环生成对抗网络中的生成网络的损失函数的值收敛；以及基于具有收敛的损失函数的值的经训练循环生成对抗网络中的生成网络来获得目标生成网络模型，其中目标生成网络模型基于目标细胞样本的目标拉曼图像生成目标虚拟染色图像，目标虚拟染色图像用于对目标细胞样本中的细胞结构进行增强显示；其中生成网络的损失函数包括细胞结构相似度约束项，细胞结构约束项基于结构相似性SSIM函数来约束生成网络的输入图像与输出图像中的细胞结构的一致性。
-
公开(公告)号：CN119810594A
公开(公告)日：2025-04-11
申请号：CN202411735382.2
申请日：2024-11-29
Applicant: 北京肿瘤医院(北京大学肿瘤医院)
IPC: G06V10/776 , G06V20/69 , G06V10/82 , G06N3/0464
Abstract: 本发明涉及人工智能技术领域，提供一种用于密集小目标检测任务的评价方法、装置、设备及介质，其中方法包括：获取待检测图像，以及待检测图像的标注真值，并确定标注真值中的目标数量；将待检测图像输入至目标检测模型，得到目标检测结果，基于目标检测结果和标注真值，确定平均精度；基于目标数量，确定目标密度，基于目标密度和平均精度，确定评价结果；基于评价结果，确定目标检测模型的性能差的目标密度区间。此过程对每一张图像单独计算平均精度评价指标与目标密度，并进一步评价平均精度评价指标与目标密度的相关性，确定评价结果，从而可以有效评价模型在各种目标密度下的模型性能，可为模型的研发、测试、应用提供重要的支撑信息。
-
公开(公告)号：CN113989294B
公开(公告)日：2022-07-05
申请号：CN202111628829.2
申请日：2021-12-29
Applicant: 北京航空航天大学 , 北京肿瘤医院(北京大学肿瘤医院)
IPC: G06T7/10 , G06V10/762 , G06N3/04 , G06N3/08
Abstract: 本公开提供了一种基于机器学习的细胞分割和分型方法、装置、设备及介质。所述方法包括获取目标对象的至少一个细胞代谢图像；利用机器学习分割模型对至少一个细胞代谢图像进行单细胞图像分割，得到多个单细胞代谢图像；对多个单细胞代谢图像中的每个单细胞代谢图像进行单细胞特征提取，得到与单细胞代谢图像对应的单细胞图像特征图谱；将与多个单细胞代谢图像中的每个单细胞代谢图像对应的单细胞图像特征图谱进行组合，得到目标对象的图像特征图谱；通过对目标对象的图像特征图谱进行聚类对细胞进行分型。本公开提供的上述方法不受病理医生主观因素的影响，能够避免对细胞形态造成损伤并实现对细胞的精准分型，从而确定目标对象的病变程度。
-
公开(公告)号：CN110265086A
公开(公告)日：2019-09-20
申请号：CN201910600133.5
申请日：2019-07-04
Applicant: 北京肿瘤医院(北京大学肿瘤医院) , 神州数码医疗科技股份有限公司
Abstract: 本申请提供了一种基因检测方法和装置，其中，该方法包括：获取目标基因片段对应的fastq文件；利用参考基因组对所述fastq文件进行突变检测，以确定所述目标基因片段中发生基因突变的位置；利用所述参考基因组对所述fastq文件进行预设次数的重复检测，以确定该位置上检测到基因突变的原因，通过上述方法，可以检测出发生基因突变的位置是真的发生了基因突变，还是由于误检导致的，从而有利于提高检测结果的准确性，以及有利于精确确定目标基因中哪些位置上真的发生了基因突变，从而后续的处理提供准确的数据。
-
公开(公告)号：CN118212407A
公开(公告)日：2024-06-18
申请号：CN202410274716.4
申请日：2024-03-11
Applicant: 北京大学 , 北京肿瘤医院(北京大学肿瘤医院) , 北京大学长沙计算与数字经济研究院
IPC: G06V10/26 , G06V10/80 , G06V10/82 , G06V10/40 , G06N3/0455 , G06N3/084 , G06N3/0464
Abstract: 本申请公开了一种肿瘤图像的分割方法、装置及电子设备。其中，该方法包括：获取待进行肿瘤分割的原始肿瘤图像，其中，原始肿瘤图像为对目标对象的目标器官进行CT扫描后得到的图像；采用肿瘤分割模型对原始肿瘤图像进行分割，得到肿瘤区域所对应的目标肿瘤图像，其中，肿瘤分割模型包括编码器、解码器和多尺度注意力模块，多尺度注意力模块通过结合目标对象在原始肿瘤图像中采样的交互点对原始肿瘤图像进行特征融合处理；显示目标肿瘤图像。本申请解决了相关技术中对于肿瘤的分割存在精度较差的技术问题。
-
-
-
-
-
-
-
-
-
Search Results
30
records
(took 0.04 seconds)
