-
公开(公告)号：CN119301636A
公开(公告)日：2025-01-10
申请号：CN202380040226.1
申请日：2023-03-22
Applicant: 文塔纳医疗系统公司
Inventor： 巴沁乐 , J·F·马丁 , S·慕克吉 , 王向学 , M·I·亚兹达那巴蒂
Abstract: 本公开提供了用以进行动作的方法和系统，所述动作包括：接收图像并使用图形用户界面来显示所述图像；接收由用户经由所述图形用户界面提供的至少一个第一图像注释；使用深度学习模型来产生第一经分割图像，其中所述深度学习模型使用数字病理学图像和所述至少一个第一图像注释；以及使用所述图形用户界面来显示所述第一经分割图像；接收由所述用户经由所述图形用户界面提供的至少一个第二图像注释；使用所述深度学习模型来产生第二经分割图像，其中所述深度学习模型使用所述数字病理学图像、所述至少一个第一图像注释和所述至少一个第二图像注释；以及使用所述图形用户界面来显示所述第二经分割图像。
-
公开(公告)号：CN116057538A
公开(公告)日：2023-05-02
申请号：CN202180056635.1
申请日：2021-08-12
Applicant: 文塔纳医疗系统公司
IPC: G06N3/0464 , G06N3/0455 , G06N3/08 , G06T7/00 , G06T7/10 , G06V10/764 , G06V10/82
Abstract: 本公开涉及用于细胞定位和分类的计算机实现的技术。具体地，本公开的方面涉及：访问生物样品的图像，其中所述图像描绘包括生物标志物的染色模式的细胞；将所述图像输入到机器学习模型中；由所述机器学习模型将所述图像编码成包括提取的判别特征的特征表示；由所述机器学习模型通过上卷积序列和级联，将所述细胞的特征和空间信息以及所述生物标志物的所述染色模式与来自所述特征表示的所述提取的判别特征组合；以及由所述机器学习模型基于所述细胞的组合特征和空间信息以及所述生物标志物的所述染色模式，生成针对所述图像中的所述生物标志物的两个或更多个分割掩码。
-
公开(公告)号：CN119404230A
公开(公告)日：2025-02-07
申请号：CN202380048386.0
申请日：2023-06-22
Applicant: 文塔纳医疗系统公司
IPC: G06V10/774 , G06V10/764 , G06V10/82
Abstract: 本公开涉及用于使用适应性学习框架来进行初始模型的高效开发以及对不同图像域的高效模型更新和/或适应的技术。为了实现初始模型的高效开发，可以进行如下两步开发策略：阶段1：模型预处置，其中人工智能系统利用现有的经注释数据集，并通过训练这些数据集来改善学习技能；以及阶段2：目标模型训练，其中人工智能系统利用从阶段1学习到的所述学习技能将自身延伸到不同图像域(目标域)，其中与常规学习方法相比，所述目标域中需要较少数目的注释。为了在初始模型开发之后高效地进行对新数据集的模型更新和适应，对数字病理学场景进行标识，基于所述场景来选择自适应学习方法，并使用所述自适应学习方法来更新所述模型并使其适应新数据集。
-
公开(公告)号：CN117940971A
公开(公告)日：2024-04-26
申请号：CN202280061617.7
申请日：2022-09-13
Applicant: 文塔纳医疗系统公司
Abstract: 组织切片的双重免疫组织化学(IHC)染色允许在单细胞水平上同时检测两种生物标志物及其共表达，并且不需要两种IHC染色剂和额外配准来识别共定位。包括病理学家在内的人类通常难以对双重IHC进行可靠评分。本文的方法和系统使用机器学习模型和概率图来检测和记录个体表型ER/PR。
-
公开(公告)号：CN118679501A
公开(公告)日：2024-09-20
申请号：CN202280069474.4
申请日：2022-10-07
Applicant: 文塔纳医疗系统公司
Abstract: 本公开提供了用于使用机器学习模型来在目标图像分辨率下检测经预测伪影的方法和系统。访问经过训练以在目标图像分辨率下检测图像中的伪影像素的机器学习模型。可以将在初始图像分辨率下的描绘生物学样品的至少一部分的图像转换为在所述目标图像分辨率下。将所述机器学习模型应用于经转换图像以从所述经转换图像中识别一个或多个伪影像素。还提供了用于训练所述机器学习模型以在所述目标图像分辨率下检测经预测伪影的方法和系统。
-
Patent Agency Ranking
公开(公告)号：CN116057585A
公开(公告)日：2023-05-02
申请号：CN202180056644.0
申请日：2021-07-29
Applicant: 文塔纳医疗系统公司
IPC: G06V10/778 , G06V10/82 , G06N20/00 , G06T7/00
Abstract: 访问一种机器学习模型，所述机器学习模型配置成使用一个或多个参数来处理图像以生成标记。执行所述机器学习模型以将至少一个数字病理学图像中的每一个的至少一部分转换成多个预测标记；并且为所述多个预测标记中的每一个生成置信度度量。利用一种界面，所述界面描绘所述至少一个数字病理学图像的所述至少一部分并且基于对应的置信度度量差异性地表示预测标记。响应于所述界面的利用，接收确认、拒绝或替换所述多个预测标记中的至少一个的标记输入。基于所述标记输入更新所述机器学习模型的所述一个或多个参数。
-
公开(公告)号：CN115428039A
公开(公告)日：2022-12-02
申请号：CN202180030231.5
申请日：2021-04-22
Applicant: 文塔纳医疗系统公司
IPC: G06V20/69 , G06V10/25 , G06V10/764
Abstract: 本发明描述了用于识别生物标志物的有效方法。所述方法可包括识别肿瘤区。所述方法可进一步包括识别多个区域。所述方法还可包括：针对每个区域限定针对所述区域的包围所述区域的边界区。所述方法可包括：针对所述多个区域的第一子集中的每个区域，确定所述区域将归属于肿瘤，其中所述边界区完全在所述肿瘤区内。所述方法可进一步包括：针对所述多个区域的第二子集中的每个区域，基于所述区域与所述肿瘤区的交集确定是否将所述区域归属于所述肿瘤。所述方法还可包括：访问表征生物学观察的度量并基于所述度量生成结果。所述结果可用作生物标志物。
-
公开(公告)号：CN114902297A
公开(公告)日：2022-08-12
申请号：CN202080090113.9
申请日：2020-10-19
Applicant: 文塔纳医疗系统公司
IPC: G06V20/69 , G06V10/25 , G06V10/44 , G06V10/778 , G06V10/774 , G06V10/764 , G06K9/62 , G06V10/82 , G06N3/08
Abstract: 本发明的技术涉及使用区域级注释的自举进行对象分类。对于多个图像中的每个图像，可以识别所述图像内的区域。对于每个区域，可以识别区域特定标签，可以检测所述区域内的对象集，并且可以向每个对象分配对象特定标签。所述对象特定标签可以与分配给所述对象所位于的所述区域的所述区域特定标签相同。对于所述多个图像中的每个图像，可以定义训练数据集以包括对象位置数据(指示用于检测到的对象的图像内位置数据)和标签数据(指示分配给所述对象的所述对象特定标签)。可以使用训练数据来训练图像处理模型。所述训练可以包括学习定义由所述图像处理模型执行的计算的参数集的值。
-
公开(公告)号：CN120035838A
公开(公告)日：2025-05-23
申请号：CN202380071696.4
申请日：2023-10-05
Applicant: 文塔纳医疗系统公司
Abstract: 本文公开的实施方案整体涉及用于数字病理学图像的表达水平预测。特别地，本公开的各方面涉及：获取样本切片的双重免疫组织化学图像，其中所述双重免疫组织化学图像包括与对应于疾病的第一生物标志物和/或第二生物标志物相关联的细胞描绘；从所述双重免疫组织化学图像生成描绘所述第一生物标志物的第一合成图像和描绘所述第二生物标志物的第二合成图像；确定表示所述第一合成图像和所述第二合成图像中的所述细胞描绘的像素强度的一组特征；使用经训练的机器学习模型来处理所述一组特征；以及基于对应于所述第一生物标志物和所述第二生物标志物的预测的表达水平的所述处理的输出，来输出对应于对所述样本关于所述疾病的预测的表征的结果。
-
公开(公告)号：CN118414640A
公开(公告)日：2024-07-30
申请号：CN202280083941.9
申请日：2022-12-01
Applicant: 文塔纳医疗系统公司
IPC: G06V10/774 , G06V10/82
Abstract: 本公开涉及用于预处理训练数据、增强训练数据以及使用合成训练数据来有效地训练机器学习模型以(i)拒绝对抗实例图像以及(ii)对不包括对抗实例区域的图像的一些或所有区域进行检测、表征和/或分类的技术。具体地，本公开的各方面涉及：接收图像训练集，用于训练机器学习算法以对所述图像内的一些或所有区域或对象进行检测、表征、分类或它们组合；利用从一种或多种对抗算法生成的合成图像来增强所述图像训练集以生成经增强的图像批次；以及使用所述经增强的图像批次来所述训练机器学习算法以生成机器学习模型，所述机器学习模型被配置成对新图像内的一些或所有区域或对象进行检测、表征、分类或它们的组合。
-
-
-
-
-
-
-
-
-
Search Results
13
records
(took 0.022 seconds)
