-
公开(公告)号：CN117115183B
公开(公告)日：2024-02-09
申请号：CN202311125203.9
申请日：2023-09-01
申请人： 北京透彻未来科技有限公司
摘要： 本发明公开了一种基于数字病理图像可视区域的截取方法及系统，其方法包括：确定目标数字病理图像的图像边界并基于所述图像边界设置可视化区域展示界限；获取用户对于目标数字病理图像中的感兴趣区域图像，对所述感兴趣区域图像进行检测、定位和切割，截取切割后的感兴趣区域图像中的所有元素以及当前元素显示比例；基于感兴趣区域图像的当前图像大小和可视化区域展示界限的比例关系根据当前元素显示比例计算出所有元素在可视化图像展示区域中的目标元素显示比例；将感兴趣区域图像中的所有元素按照所述目标元素显示比例显示在可视化图像展示区域中。可以局限于对病理图像的某个区域窗口的图像进行针对性处理，降低了计算量。
-
公开(公告)号：CN117524507A
公开(公告)日：2024-02-06
申请号：CN202311477690.5
申请日：2023-11-08
申请人： 北京透彻未来科技有限公司
IPC分类号： G16H70/60 , G06F18/20 , G06F18/214 , G06F18/241 , G06F21/62 , G06N3/0464
摘要： 本发明公开了一种基于生成对抗网络的高泛化性病理分析系统及方法，其系统包括：第一训练模块通过源领域数据集对深度学习模型进行训练，获取第一病理分类模型；构建模块构建CycleGAN模型并通过源领域数据集和目标领域数据集对CycleGAN模型进行训练，获取训练结果；第二训练模块根据训练结果获取数据样本并将数据样本和源领域数据集进行合并生成训练数据集，利用训练数据集对第一病理分类模型进行训练，获取第二病理分类模型；诊断分析模块利用第二病理分类模型对实际病理切片进行诊断分析。通过构建CycleGAN模型对训练数据进行优化可以实现两个领域之间的风格迁移，即将源领域的数据样本转换为具有目标领域风格的数据样本，提高模型在新场景下的泛化性能。
-
公开(公告)号：CN117457157A
公开(公告)日：2024-01-26
申请号：CN202311411356.X
申请日：2023-10-30
申请人： 北京透彻未来科技有限公司
发明人： 王书浩
IPC分类号： G16H30/40 , G06V10/764 , G06T7/00
摘要： 本发明提供了PET‑MRI影像前列腺病变三维可视化系统及方法，通过前列腺全数字病理切片筛选专家模型，对前列腺全数字病理切片数据进行筛选；通过恶性肿瘤病理识别模型，利用深度学习定位恶性肿瘤；对第一组前列腺切片数据集进行分集标注；并通过迁移学习，构建前列腺病变初步Gleason分级模型；对前列腺病变初步Gleason分级模型进行测试训练优化，进行Gleason分级评分；根据Gleason分级评分二维谱系图，纳入肿瘤浸润深度信息，建立三维肿瘤谱系图，将三维肿瘤谱系图映射到前列腺PET‑MRI影像上，进行PET‑MRI影像前列腺病变三维可视化精准辅助识别。
-
公开(公告)号：CN117316427A
公开(公告)日：2023-12-29
申请号：CN202311218590.0
申请日：2023-09-20
申请人： 北京透彻未来科技有限公司
发明人： 王书浩
IPC分类号： G16H50/20 , G16H70/60 , G06V10/764 , G06V10/774
摘要： 本发明提供了一种基于深度学习技术的乳腺癌病理诊断系统，包括：数据采集模块用于采集若干例乳腺癌患者的组织标本，获得若干数字病理图像；数据制备模块，用于基于数字病理图像对应的免疫组化实验结果对数据病理图像进行标注，获得标注病理图像；模型学习模块用于对预训练模型进行迁移学习，获得乳腺癌病理诊断模型；模型评价模块用于将测试图像输入乳腺癌病理诊断模型，获得预测结果，并将预测结果与真实结果进行对比，获得模型评价结果。通过深度学习技术，使用有限的数据生成可以精准高效的进行乳腺癌分类的乳腺癌病理诊断模型，在提高鲁棒和具有泛化能力的同时模型降低模型训练的复杂程度，同时也避免了过拟合问题。
-
公开(公告)号：CN116386902B
公开(公告)日：2023-12-19
申请号：CN202310457117.1
申请日：2023-04-24
申请人： 北京透彻未来科技有限公司
IPC分类号： G16H70/60 , G16H30/20 , G16H30/40 , G06V40/10 , G06V10/25 , G06V10/44 , G06V10/774 , G06V10/82 , G06N3/0464 , G06N3/096
摘要： 台，极大优化病理诊断流程、提高诊断效率；有助本发明提供了一种基于深度学习的大肠癌 于提高边远地区病理诊断水平，改善区域间医疗人工智能辅助病理诊断系统，系统包括：数据获 资源不均现状。取及标注模块、数据清洗及预处理模块、诊断模型训练模块和结果输出模块；本发明基于卷积神经网络的深度学习人工智能技术可将大面积的病理数字图片分解成细小的分区，自动提取图像特征，将抽象的图像信息转化为具象的数字信息并进行分析和识别，有效解决医师间重复性差的问题，使传统病理诊断更加适应精准化医学的发(56)对比文件姜蕾.基于深度学习的人体结肠癌病理图像中腺体检测与分割研究《.医药卫生科技》.2021,(第2期),15-60.
-
公开(公告)号：CN116469513B
公开(公告)日：2023-11-14
申请号：CN202310397661.1
申请日：2023-04-13
申请人： 北京透彻未来科技有限公司
摘要： 本发明提供了一种基于深度学习的大肠癌个体化治疗和预后信息预测系统，系统包含：迁移模型构建模块、图像特征提取模块和信息分析识别模块。本发明对常规病理切片上包含肿瘤浸润淋巴细胞、纤维化及粘液等多种预后相关组织类型进行精细分割和识别，将抽象的图像信息转化为可精确分析的数字化信息，探索与肠癌预后的相关性，构建复发风险预测模型，改善现有预后相关病理形态指标在诊断医师间重复性差、临床可行性低的现状，为患者后续的个体化治疗决策提供参考；利用全外显子测序技术对复发风险预测模型区分的不同亚型进行基因谱分析，探索肿瘤发生的分子事件与组织形态间以及生物学行为间的相关性；为复发风险预测模型的建立奠定了基础。
-
公开(公告)号：CN117036878A
公开(公告)日：2023-11-10
申请号：CN202310889735.3
申请日：2023-07-19
申请人： 北京透彻未来科技有限公司
摘要： 本发明提供了一种人工智能预测图像与数字病理图像融合的方法及系统，方法包含：将人工智能预测后的第一图像进行预处理；从待图像融合的第二图像和预处理后的第一图像中提取图像特征，对提取的图像特征进行匹配，确定第一图像和第二图像中相似的区域或物体，并固定融合点；根据第一图像和第二图像的图像特征的匹配结果，进行像素级别的融合，得到第三图像；像素级别的融合方法包含最大值等方法；对第三图像进行后操作处理，输出处理后的第四图像，第四图像即为融合后的图像；系统包含：图像预处理模块、特征提取模块、特征匹配模块、图像融合模块、后处理模块和结果输出模块。本发明通过逐像素的融合，提高了病理学家识别图像的工作效率。
-
公开(公告)号：CN117036701A
公开(公告)日：2023-11-10
申请号：CN202310977668.0
申请日：2023-08-04
申请人： 北京透彻未来科技有限公司
摘要： 本发明提供了一种基于客户端切割数字病理图像的处理系统，包括选择模块，用于通过服务器将待切割数字病理图像分割为多个子图像并选择出目标子图像，确定模块，用于确定目标子图像数量并选择对应数量客户端，同时生成切割任务，检测模块，用于检测每个客户端网络状态并根据结果分配任务，第一接收模块，用于接收用户对于待切割数字病理图像切割方案，关联模块，用于将第一切割参数或者第二切割参数与切割任务相关联，并确定每个客户端的目标切割参数，第二接收模块，用于接收每个客户端以目标切割参数切割后的子图像，展示模块，用于展示每个客户端切割后的子图像。应用本系统，可以显著提高数字病理图像的加载速度，浏览体验以及存储和传输效率。
-
公开(公告)号：CN116883323A
公开(公告)日：2023-10-13
申请号：CN202310712484.1
申请日：2023-06-16
申请人： 中国医学科学院肿瘤医院 , 北京透彻未来科技有限公司
摘要： 本发明提供了一种基于计算机视觉的多重免疫荧光图像分析系统包括：采集模块，用于采集荧光图像，处理模块，用于将所述荧光图像输入到预设HSV空间中进行颜色转换，得到HSV荧光图像，分析模块，用于在所述HSV荧光图像上提取细胞轮廓，得到若干个细胞子图像，执行模块，用于分别解析每一所述细胞子图像，得到每一细胞子图像对应的细胞特征，根据所述细胞特征生成细胞检测结果，通过利用HSV空间可以直观的反映荧光图像的明暗和色调的优点来分析荧光图像，从而确定荧光图像上每一细胞对应的细胞特征，从而建立了细胞检测结果，利用计算机视觉代替了肉眼观察，提高了检测结果的可信度，也加快了检测的效率。
-
公开(公告)号：CN116230208B
公开(公告)日：2023-09-19
申请号：CN202310125850.3
申请日：2023-02-15
申请人： 北京透彻未来科技有限公司
发明人： 王书浩
摘要： 本发明提供了基于深度学习的胃粘膜炎症分型辅助诊断系统，包括：数据获取模块用于从预设胃粘膜活检标本库中调取不同类型胃粘膜炎症对应的胃粘膜活检标本，并对胃粘膜活检标本进行扫描得到数字切片；训练模块用于基于预设标注规则以及标注标签对数字切片进行标注，并基于标注结果将数字切片拆分为第一数字切片集和第二数字切片集且对第一数字切片集进行训练，构建胃炎分类模型；优化模块用于将第二数字切片集输入胃炎分类模型进行分析得到不同胃粘膜炎症类型的预测热力图，并将预测热力图与标准病理诊断进行比对确定胃炎分类模型的定型效果且当定型效果不满足预期要求时对胃炎分类模型进行优化。为高效准确的确定胃粘膜炎症类型提供了便利与保障。
-
-
-
-
-
-
-
-
-
搜索结果
128 条记录 (耗时 0.04 秒)
