-
公开(公告)号：CN113327222A
公开(公告)日：2021-08-31
申请号：CN202010131314.0
申请日：2020-02-28
Applicant: 北京连心医疗科技有限公司 , 北京大学第三医院(北京大学第三临床医学院)
Abstract: 本发明公开了一种CT影像中俯仰体位的自动检测及校正方法、系统、介质和计算设备，包括：对全身CT影像进行二值化处理，得到二值化影像序列；对二值化影像序列的连通区域进行逐层查找，保留每层二值化影像的主要身体部位；主要身体部位包括盆部和腿部的身体区域；基于连续两层二值化影像的连通区域数量和面积，判断腿部与盆部的交界层；基于腿部与盆部的交界层，确定最佳盆骨层；对最佳盆骨层的盆骨区域进行椭圆拟合，记录盆骨质心和拟合椭圆质心；根据盆骨质心和拟合椭圆质心，确定体位；实施体位校正。本发明可以快速有效地检测CT影像中体位的朝向，进而为对体位校正提供准确的参数信息；具有计算复杂度低、耗时短、抗噪性高、数据适应好的优点。
-
公开(公告)号：CN118797002A
公开(公告)日：2024-10-18
申请号：CN202410803324.2
申请日：2024-06-20
Applicant: 北京连心医疗科技有限公司 , 北京大学第三医院(北京大学第三临床医学院)
IPC: G06F16/332 , G06V30/148 , G06V30/19 , G06F40/253 , G16H10/20
Abstract: 本发明公开了一种基于大模型的临床路径图像识别方法和系统，属于人工智能技术领域，所述方法包括以下步骤：获得所述临床路径图像的文本；获得所述文本的医学主体和医学主体之间的逻辑关系；根据所述医学实体之间的逻辑关系，获得第一问题和第一答案；基于所述大模型，补全和修正所述第一问题和第一答案，获得第二问题和第二答案。在识别图像文本的基础上，通过识别医学主体及不同医学主体的逻辑关系，建立相关的问答对，实现临床路径的标准化；基于大模型对问答对进行补全，纠正识别过程中可能出现的错误，完善问答对内容，以生成高质量的问答对；提高问答对的可阅读性。
-
公开(公告)号：CN116779145A
公开(公告)日：2023-09-19
申请号：CN202310729928.2
申请日：2023-06-19
Applicant: 北京连心医疗科技有限公司 , 北京大学第三医院(北京大学第三临床医学院)
IPC: G16H50/20 , G06F18/214 , G16H20/10
Abstract: 本发明公开了一种宫颈癌放疗计划的预测方法及系统，包括从多个宫颈癌放疗病例中提取医学数据，医学数据包括年龄、病史、病理类型、放疗处方和射束通道；对提取到的医学数据进行预处理；数据预处理之后，输入至GPT模型中进行训练；将患者的医学数据输入至训练好的GPT模型中获得放疗计划预测结果；提取射束通道包括：基于3D的PTV数据，确定放疗射野角度；将射野角度投影到计划靶区上得到网络权重；对网络权重计算获取剂量。本发明通过GPT模型和射束通道的应用，可以更好地对患者的病情进行分析和预测，从而提高了放疗的精度和准确性。
-
公开(公告)号：CN116672619A
公开(公告)日：2023-09-01
申请号：CN202310077390.1
申请日：2023-01-17
Applicant: 北京连心医疗科技有限公司 , 北京大学第三医院(北京大学第三临床医学院)
IPC: A61N5/10 , G06Q10/04 , G06N3/08 , G06N3/0475
Abstract: 本发明公开了一种基于生成对抗网络的放疗剂量预测方法和系统，属于放疗剂量预测技术领域，预测方法包括：获取训练集；获得射束角在目标区域的投影面积；获取投影面积大的多个射束角，多个射束角组成射束通道；基于射束通道，获取三维剂量；将三维剂量作为计划剂量图的第四通道，获得输入图；基于生成对抗网络，对输入图和真实剂量图进行训练，获得预测模型；基于预测模型，对待预测的靶区计划数据进行分析，获得预测放疗剂量。将射束通道的三维剂量作为第四通道合并到计划剂量图中，基于真实物理条件增加了限制，使生成对抗网络可用于不同类型放射治疗技术的混合训练集。
-
公开(公告)号：CN110942462B
公开(公告)日：2022-12-13
申请号：CN201811110632.8
申请日：2018-09-21
Applicant: 北京连心医疗科技有限公司
Abstract: 本发明属于医学影像和人工智能技术领域，涉及一种融合离散特征的医学影像器官深度学习分割方法、设备和存储介质。包括步骤：把各离散特征集的元素分别表示为用独热向量表示的词向量；转换成具有相同固定长度的实数特征向量，融合后转换成一个与待处理的医学影像像素或体素数相同的一维特征向量；重构成与待处理的医学影像尺寸相同的二维或三维矩阵表示，与待处理的医学影像进行融合后，得到语义分割深度学习网络的输入，进而对其进行图像语义分割网络训练。本发明在网络输入的图像学习网络中，允许非图像的其与图像相关的离散特征信息进入网络进行学习；克服了传统靠扩充数据的方法来进行网络训练的数据采集成本高甚至不可执行性的缺陷。
-
Patent Agency Ranking
公开(公告)号：CN110310283B
公开(公告)日：2021-02-19
申请号：CN201910730681.X
申请日：2019-08-08
Applicant: 北京连心医疗科技有限公司
Abstract: 本发明属于放疗技术领域，涉及一种CT影像中头部倾斜的自动检测及校正方法、设备和存储介质。该方法包括如下步骤：对全身CT影像进行二值化操作；进行最大连通区域查找，删除所有非最大连通区域，并去除每层CT影像中的非主要身体部位，只保留主要身体部位；判断肩部与颈部的交界层；确定最佳颌骨层；对最佳颌骨层中的颌骨区域进行椭圆拟合；记录颌骨的质心和拟合椭圆的质心；确定体位，实施头部校正。本发明可以快速有效地检测CT影像中头部的倾角及朝向，进而为对头部影像的倾斜校正提供准确的参数信息；具有计算复杂度低、耗时短、抗噪性高、数据适应好的优点；本方法还可拓展应用于对不同场景下的人体倾斜校正，具有较好的可拓展性。
-
公开(公告)号：CN110827961A
公开(公告)日：2020-02-21
申请号：CN201810911894.8
申请日：2018-08-10
Applicant: 北京连心医疗科技有限公司
Abstract: 本发明属于放疗技术领域，涉及一种自适应放疗结构自动勾画方法、设备和存储介质。该方法包括如下步骤：输入患者数据；对患者医学影像进行预处理；利用第一级深度神经网络对患者影像中的人体器官结构进行分类定位；根据分类定位结果，利用第二级深度神经网络对人体器官结构进行分割勾画；将分割勾画结果输出。本发明提供的自适应放疗结构自动勾画方法充分发挥了深度神经网络对图像分类、分割全自动快速计算的优势，在放疗结构的分类和分割过程中避免人工干预，而能够根据影像数据，自适应扫描部位与器官结构，完成全自动勾画处理。将传统需要人工干预的数十分钟乃至数小时的勾画工作，缩短到数分钟即可完成。
-
公开(公告)号：CN110738597A
公开(公告)日：2020-01-31
申请号：CN201810796673.0
申请日：2018-07-19
Applicant: 北京连心医疗科技有限公司
Abstract: 本发明属于医学图像技术领域，涉及一种多分辨率医学图像在深度学习神经网络中的尺寸自适应预处理方法、设备和存储介质。该方法包括如下步骤：统一输入深度学习网络中各医学图像像素间物理间距的大小，获得像素/体素层面分辨率不一的医学图像；确定医学影像的分块大小和分块步长；按照以上确定的分块大小和分块步长对重采样后的医学图像进行连续分块操作。通过本发明提供的方法可以使神经学习网络接受任意分辨率输入的医学影像，通过对图像的分块化和边缘区域分块进行补零操作可以让深度学习网络接收任意尺寸的图像输入，避免医学图像裁剪后导致的信息丢失问题；同时通过局部补零操作也能有效降低计算网络时性能的消耗。
-
公开(公告)号：CN110599498A
公开(公告)日：2019-12-20
申请号：CN201910728931.6
申请日：2019-08-08
Applicant: 北京连心医疗科技有限公司
Abstract: 本发明属于深度学习和放疗技术领域，涉及一种基于神经网络对医学影像中人体器官进行分割的方法，包括如下步骤：粗定位待勾画目标器官所在的医学影像层，所述的待勾画目标器官包含若干器官；使用3D二分类U型网络确定作为一个整体的待勾画目标器官的起始层与结束层；将起始层与结束层的中间层输入2D的多分类U型网络，进行精细勾画分割，确定各待勾画器官对应的起始层和结束层。本发明使用3D网络以确定多器官作为一个整体时的起始层与结束层，使用2D网络以解决起始层与结束层中间的各器官间数据不平衡问题，通过结合现有3D网络与2D网络的优点，解决了现有技术中对HU值相近的多器官分割问题。
-
公开(公告)号：CN118412092A
公开(公告)日：2024-07-30
申请号：CN202410498610.2
申请日：2024-04-24
Applicant: 北京连心医疗科技有限公司 , 中山大学肿瘤防治中心(中山大学附属肿瘤医院、中山大学肿瘤研究所)
IPC: G16H20/40 , G16H10/60 , G06T7/00 , G06V10/764 , G06V10/82 , G06N3/0455 , G06N3/0464
Abstract: 本发明公开了一种基于对话式人工智能的肿瘤自动放射治疗计划方法及系统，方法包括：根据患者的CT影像对正常器官和肿瘤部位进行自动识别与自动勾画；基于CNN网络中嵌入Transformer网络的编解码结构，预测针对肿瘤部位的放疗剂量，并预测针对肿瘤部位的自动放疗计划参数，根据放疗剂量和自动放疗计划参数生成放疗计划；基于以GPT语言大模型为基础模型的多模态对话式人工智能，根据患者的临床信息、临床指南和既往病历，以文本对话的方式对放疗计划进行指令微调和优化，以生成放射治疗方案参数，形成肿瘤自动放射治疗计划。通过本发明的技术方案，提高了肿瘤放疗计划的一致性、可用性和时间效率。
-
-
-
-
-
-
-
-
-
Search Results
48
records
(took 0.047 seconds)
