-
公开(公告)号：CN120031893A
公开(公告)日：2025-05-23
申请号：CN202411994994.3
申请日：2024-12-31
Applicant: 中国科学院苏州生物医学工程技术研究所 , 苏州市中医医院
IPC: G06T7/11 , G06V10/40 , G06V10/762 , G06T5/50 , G06N3/045 , G06N3/0475 , G06N3/094
Abstract: 本公开关于一种病灶分割方法、装置和电子设备，该方法包括确定目标对象对应的至少一个预设构型和基于至少一个预设对象中每一预设对象在至少一个预设磁共振信号下的至少一个预设磁共振图像和每一预设对象在至少一个预设磁共振信号下的至少一个预设磁共振图像对应标注图像的重叠度确定的至少一个目标磁共振信号；对至少一个目标磁共振图像进行构型识别，确定至少一个目标构型；基于至少一个目标磁共振信号和至少一个目标构型，确定至少一个目标分割模型；将至少一个目标磁共振图像输入至少一个目标分割模型分割，对得到的至少一个病灶分割图像进行加权处理，得到目标病灶分割图像。利用本公开实施例可以提升病灶分割的效率和准确性。
-
公开(公告)号：CN119810226A
公开(公告)日：2025-04-11
申请号：CN202411771578.7
申请日：2024-12-04
Applicant: 中国科学院苏州生物医学工程技术研究所
IPC: G06T11/00 , G06T3/4053 , G06T3/4046 , G06V10/774 , G06V10/776 , G06V10/44 , G06V10/54
Abstract: 本发明提供基于隐表示模型的脑磁共振图像超分辨率重建方法及系统，包括步骤：获取不同层厚的各向异性脑磁共振图像，分为训练数据和测试数据；对脑磁共振图像进行预处理；对预处理后的训练数据进行处理，以生成训练样本；采用训练样本对基于隐表示模型的超分辨率重建模型进行训练；将预处理后的测试数据输入训练好的模型，进行堆叠得到三维图像，再进行平均，最终得到各向同性脑磁共振图像。本发明使用深度学习超分辨率重建方法进行不同层厚各向异性脑磁共振图像的超分辨率重建，通过设计基于隐表示模型的可学习坐标编码模块，充分利用图像特征和坐标信息间的相关性，设计了混合损失函数，提升不同层厚各向异性脑磁共振图像超分辨率重建的准确性。
-
公开(公告)号：CN112561894B
公开(公告)日：2023-11-28
申请号：CN202011526316.6
申请日：2020-12-22
Applicant: 中国科学院苏州生物医学工程技术研究所
IPC: G16H15/00 , G16H10/60 , G06T7/00 , G06T7/10 , G06V10/764 , G06V10/82 , G06F40/186
Abstract: 本发明公开了一种针对CT图像的电子病历智能生成方法，包括以下步骤：1)将所有的报告语句分类为描述性语句和诊断性语句；2)构建肺部CT图像分割模型；3)构建每个部位Pi所需的描述性语句、诊断性语句的集合Qi；4)构建分类模型V；5)构建检测模型W；6)针对待检测的肺部CT图像，通过分类模型V生成诊断性语句，通过分类模型W生成描述性语句；7)汇总步骤6)得到的所有诊断性语句、描述性语句，生成肺部CT图像的电子病历。本发明可以针对肺部CT图像自动生成电子病历，能够减轻医师工作量，降低报告缺失信息的风险，可提供规范、准确、信息全面的电子病历，能提高工作效率，具有很好的应用前景。
-
公开(公告)号：CN116942509A
公开(公告)日：2023-10-27
申请号：CN202310895204.5
申请日：2023-07-20
Applicant: 中国科学院苏州生物医学工程技术研究所 , 南京市中医院
Abstract: 本发明公开了一种基于多阶段光学定位的体表自动寻穴方法，属于针灸领域，通过全局相机进行肢体定位、获取待针灸的肢体上的关键点位置、对待针灸的肢体上的穴位粗定位、对待针灸的肢体上的穴位精确定位等步骤，采用全局相机和局部相机相结合，开发基于体表纹理与光流预测方法下的高精度穴位实时定位跟踪方法，解决高精度的体表穴位定位和因体动带来的实时目标跟踪困难问题，实现可以精准、实时、动态对准的三维人体自动寻穴。
-
公开(公告)号：CN115829986A
公开(公告)日：2023-03-21
申请号：CN202211610437.8
申请日：2022-12-14
Applicant: 中国科学院苏州生物医学工程技术研究所 , 济南国科医工科技发展有限公司
IPC: G06T7/00 , G06V10/26 , G06N3/08 , G06N3/0464
Abstract: 本发明公开了一种基于卷积重参数化的医学图像分割方法、系统及设备，该方法包括以下步骤：S1、采集多模态医学图像；S2、对多模态医学图像进行预处理，构建训练数据集；S3、构建基于卷积重参数化的医学图像分割模型；S4、采用训练数据集对医学图像分割模型进行训练；S5、将待分割的医学图像输入训练好的医学图像分割模型中，得到分割结果。本发明提供的基于卷积重参数化的医学图像分割方法及系统，可以增强分割网络模型中卷积核的骨架参数，从而提高分割网络的表达能力。本发明能够帮助提升胶质瘤分割的准确性，在胶质瘤形态学分析、高低级别鉴定和预后评估方面具有潜在的应用价值。
-
Patent Agency Ranking
公开(公告)号：CN115797451A
公开(公告)日：2023-03-14
申请号：CN202211618509.3
申请日：2022-12-15
Applicant: 中国科学院苏州生物医学工程技术研究所 , 南京市中医院
Abstract: 本申请是一种穴位识别方法，具体涉及自动识别技术领域。所述方法包括：获取人体表面三维重建数据；对人体表面三维重建数据进行分类识别，获取人体区域分类数据；将人体区域分类数据与虚拟人体穴位数据进行位姿配准，并在人体表面三维重建数据中映射穴位位置；虚拟人体穴位数据根据人体穴位模型预先建立；将人体表面三维重建数据对应的图像以及穴位位置显示在显示设备中。基于上述方案，简化了穴位识别难度。
-
公开(公告)号：CN115471450A
公开(公告)日：2022-12-13
申请号：CN202210911089.1
申请日：2022-07-29
Applicant: 中国科学院苏州生物医学工程技术研究所 , 苏州大学附属第二医院
IPC: G06T7/00 , G06T5/30 , G06T7/136 , G06T7/187 , G06T17/00 , G06T19/20 , G06V10/26 , G06V10/50 , G06V10/764
Abstract: 本申请公开了一种基于医学影像的物理模型构建方法及装置，包括：先基于目标医学影像的体素数量及体素强度值，对目标医学影像进行分割，获取各个三维体素模型以及对应的类别；再基于各个三维体素模型的对应类别，获取各个三维体素模型对应的物理性质参数，进而基于各个三维体素模型及各个三维体素模型对应的物理性质参数，建立目标医学影像对应的仿真的物理模型，解决了现有技术均采用统一的模板对生物软组织进行建模，无法真实反映患者的实际物理性质的问题，通过精细化的分析与分类，自动的构建一套个性化的物理模型，且该物理模型在物理性能上与真实人体具有高度一致性。
-
公开(公告)号：CN109345523B
公开(公告)日：2022-08-16
申请号：CN201811118372.9
申请日：2018-09-21
Applicant: 中国科学院苏州生物医学工程技术研究所
Abstract: 本发明公开了一种表面缺陷检测和三维建模方法，包括以下步骤：1)原始表面点云数据采集，2)原始缺陷点云数据缺陷分割，得到无缺陷部位和缺陷部位；3)无缺陷部位配准，获取缺陷模型；4)缺陷模型顶部分割；5)缺陷模型顶部杂散点滤波；6)缺陷模型平滑；7)曲面建模，将点云缺陷模型进行表面重建，得到缺陷区域的曲面模型。本发明的表面缺陷检测和三维建模方法，能实现待检测物体表面缺陷的自动检测和三维模型自动构建。可用于实现工业表面自动化修复，可以应用于人体表面皮肤组织损伤部位建模，为皮肤三维打印提供三维模型。
-
公开(公告)号：CN113893033A
公开(公告)日：2022-01-07
申请号：CN202110750575.5
申请日：2021-07-01
Applicant: 中国科学院苏州生物医学工程技术研究所 , 丽水市中心医院
Abstract: 本发明提供一种肺部经皮穿刺导航方法，包括输入目标患者的肺部静态影像数据，采用影像分割方法，得到皮肤及各组织的三维表面模型；以三维表面模型建立物理模型，仿真呼吸过程中的皮肤及各组织的运动轨迹；将仿真的运动轨迹与实时患者呼吸场景进行匹配，进行皮肤及各组织的联动实时虚实融合显示。本发明在仅有静态CT影像数据的情况下，仿真呼吸过程中的皮肤及各组织的运动轨迹；并与实际患者的呼吸位置相匹配，显示于真实的位置；在CT影像中皮肤表面模型与实际皮肤表面匹配时，生成提醒穿刺的信息，提高了肿瘤穿刺的精度；本发明将模拟皮肤、肿瘤及其他各组织的动态运动轨迹与实际呼吸状联动进行显示，有助于医生进行高效率、高准确性的穿刺。
-
公开(公告)号：CN113763441A
公开(公告)日：2021-12-07
申请号：CN202110984076.2
申请日：2021-08-25
Applicant: 中国科学院苏州生物医学工程技术研究所
Abstract: 本发明公开了一种无监督学习的医学图像配准方法及系统，该方法包括以下步骤：1)构建深度学习配准网络，其包括空间自注意力配准网络和多分辨率图像配准网络；2)将固定图像F和待配准的浮动图像M输入深度学习配准网络中，得到F和M之间的形变场3)基于形变场采用三线性插值对M进行空间变换，得到最终的配准结果将与F的结构信息相似测度、平滑约束项和雅可比负值折叠罚项共同作为深度学习配准网络的损失函数L来引导网络参数的优化。本发明无需预先准备的分割标签或形变场标签，可对不同模态中的大形变区域得到较好的配准精度，且本发明的配准速度快、可达到实时性效果。
-
-
-
-
-
-
-
-
-
Search Results
114
records
(took 0.047 seconds)
