-
公开(公告)号：CN107862726A
公开(公告)日：2018-03-30
申请号：CN201710850675.9
申请日：2017-09-20
Applicant: 西门子保健有限责任公司
IPC: G06T11/40
CPC classification number: G06T19/20 , A61B5/7425 , G06N3/0454 , G06N99/005 , G06T11/001 , G06T2200/08 , G06T2207/10016 , G06T2207/10024 , G06T2207/10072 , G06T2207/10081 , G06T2207/10088 , G06T2207/20084 , G06T2219/2012 , H04N1/6027 , G06T11/40 , G06T2207/10104 , G06T2207/10108 , G06T2207/30056
Abstract: 基于深度学习的彩色二维影片医学成像。对2D医学图像进行彩色化。在一种方案中，深度学习的分类器被训练（20）为从彩色2D医学图像进行彩色化。用于训练（20）的彩色2D医学图像被从板片进行影片渲染（16）以便添加颜色。在另一种方案中，深度机器学习的生成器就像与2D医学图像相邻那样创建（34）切片。切片和2D医学图像形成板片，所述板片被以影片方式渲染（36）以便添加颜色。结果是彩色化的2D医学图像。
-
公开(公告)号：CN109690554B
公开(公告)日：2023-12-05
申请号：CN201780045106.5
申请日：2017-07-19
Applicant: 西门子保健有限责任公司
Inventor： 周少华 , 陈明卿 , 丁慧 , B.乔治斯库 , M.A.古尔孙 , 金兌洙 , A.P.基拉利 , 吕晓光 , 朴鎭亨 , P.沙尔马 , 孙善辉 , 徐大光 , 徐宙冰 , 郑冶枫
Abstract: 公开了用于基于人工智能的医学图像分割的方法和系统。在用于自主的基于人工智能的医学图像分割的方法中，接收患者的医学图像。基于所述医学图像来自动确定当前分割上下文，并且基于所述当前分割上下文来从多个分割算法中自动选择至少一个分割算法。通过使用所选至少一个分割算法来在医学图像中分割目标解剖结构。
-
公开(公告)号：CN108665462A
公开(公告)日：2018-10-16
申请号：CN201810257794.8
申请日：2018-03-27
Applicant: 西门子保健有限责任公司
CPC classification number: G06T7/0012 , G06N3/0445 , G06N3/08 , G06T7/11 , G06T11/60 , G06T2207/20081 , G06T2207/20084
Abstract: 本发明涉及用于医学成像的高度集成的注释和分割系统。用于训练分割校正模型的方法包括在多次迭代内执行迭代模型训练过程。在每次迭代期间，经由注释界面向人类注释者提供针对图像的初始分割估计。初始分割估计标识图像内的感兴趣的一个或多个解剖区域。与注释界面的交互被自动地监视以记录包括如下各项中的一个或多个的注释信息：（i）注释者经由注释界面对初始分割估计做出的分割校正，以及（ii）注释者在做出校正的同时执行的与注释界面的交互。基础分割机器学习模型被训练成基于图像来自动地创建基础分割。另外，分割校正机器学习模型被训练成基于图像来自动地执行分割校正。
-
公开(公告)号：CN108021819A
公开(公告)日：2018-05-11
申请号：CN201711069638.0
申请日：2017-11-03
Applicant: 西门子保健有限责任公司
CPC classification number: G06K9/4628 , G06F19/00 , G06F19/321 , G06K9/00979 , G06K9/6277 , G06K9/66 , G06K2209/05 , G06N3/04 , G06N3/08 , G16H30/20 , H04L63/0428
Abstract: 使用深度学习网络的匿名和安全分类。机器学习分类器被用于更匿名的数据传送。诸如神经网络机器学习之类的深度学习导致具有多个不同的层的分类器。每个层处理在前的层的输出。当与对层的输入相比时，输出是不同的。通过本地应用层的子集，可以将得到的输出提供给云服务器用于应用到其余层。由于深度学习分类器的层的输出与输入不同，所以被传输到云服务器并且在云服务器处可用的信息比原始数据更匿名或与原始数据不同，云服务器还可以应用最近的机器学习分类器作为其余层。
-
公开(公告)号：CN108665462B
公开(公告)日：2022-11-22
申请号：CN201810257794.8
申请日：2018-03-27
Applicant: 西门子保健有限责任公司
Abstract: 本发明涉及用于医学成像的高度集成的注释和分割系统。用于训练分割校正模型的方法包括在多次迭代内执行迭代模型训练过程。在每次迭代期间，经由注释界面向人类注释者提供针对图像的初始分割估计。初始分割估计标识图像内的感兴趣的一个或多个解剖区域。与注释界面的交互被自动地监视以记录包括如下各项中的一个或多个的注释信息：（i）注释者经由注释界面对初始分割估计做出的分割校正，以及（ii）注释者在做出校正的同时执行的与注释界面的交互。基础分割机器学习模型被训练成基于图像来自动地创建基础分割。另外，分割校正机器学习模型被训练成基于图像来自动地执行分割校正。
-
Patent Agency Ranking
公开(公告)号：CN107862726B
公开(公告)日：2021-04-23
申请号：CN201710850675.9
申请日：2017-09-20
Applicant: 西门子保健有限责任公司
IPC: G06T11/40
Abstract: 基于深度学习的彩色二维影片医学成像。对2D医学图像进行彩色化。在一种方案中，深度学习的分类器被训练（20）为从彩色2D医学图像进行彩色化。用于训练（20）的彩色2D医学图像被从板片进行影片渲染（16）以便添加颜色。在另一种方案中，深度机器学习的生成器就像与2D医学图像相邻那样创建（34）切片。切片和2D医学图像形成板片，所述板片被以影片方式渲染（36）以便添加颜色。结果是彩色化的2D医学图像。
-
公开(公告)号：CN108714034A
公开(公告)日：2018-10-30
申请号：CN201810218050.5
申请日：2018-03-16
Applicant: 西门子保健有限责任公司
CPC classification number: A61B6/5217 , A61B5/4824 , A61B5/7267 , A61B6/032 , A61B6/461 , A61B6/50 , G06K9/46 , G06T7/0012 , G16H30/40
Abstract: 本发明涉及医学成像中的腹部疼痛源标识。为了帮助内科医师诊断牵涉腹部疼痛的创伤，按照器官和/或区域对表示病人的扫描数据进行分区（14）。提供分离的经机器学习的分类器（90）用于每个器官和/或区域。分类器（90）被训练以指示（16）疼痛的起因的可能性。通过输出（20）来自器官和/或区域特定的分类器（90）的集合的结果，可以由内科医师使用最可能的起因和相关联的器官和/或区域以加速、确认、或者引导腹部疼痛源的诊断。
-
公开(公告)号：CN115736963A
公开(公告)日：2023-03-07
申请号：CN202211419697.7
申请日：2015-09-09
Applicant: 西门子保健有限责任公司
IPC: A61B6/03 , G06T7/11 , G06T7/62 , G06V10/764
Abstract: 本发明涉及用于气道壁密度和气道壁炎症的同时评估的方法和系统。一种评估气道壁密度和炎症的方法包括：分割支气管树以创建气道壁映射图；针对每个分支，从映射图中取形成每个分支的壁的位置集合并对支气管树的虚拟非造影图像中的值进行采样，以及，给定造影前密度的样本集，计算值以产生针对每个分支的支气管壁密度，从而产生密度度量；针对每个分支，从映射图中取形成每个分支的壁的位置集合并对支气管树的造影剂映射图中的值进行采样，以及，给定造影剂摄入的样本集，计算值以产生针对每个分支的支气管壁摄取，从而产生炎症度量；以及通过使用密度和炎症度量来为患者确定治疗或预测结果。
-
公开(公告)号：CN115736962A
公开(公告)日：2023-03-07
申请号：CN202211419686.9
申请日：2015-09-09
Applicant: 西门子保健有限责任公司
Abstract: 本发明涉及用于气道壁密度和气道壁炎症的同时评估的方法和系统。一种评估气道壁密度和炎症的方法包括：分割支气管树以创建气道壁映射图；针对每个分支，从映射图中取形成每个分支的壁的位置集合并对支气管树的虚拟非造影图像中的值进行采样，以及，给定造影前密度的样本集，计算值以产生针对每个分支的支气管壁密度，从而产生密度度量；针对每个分支，从映射图中取形成每个分支的壁的位置集合并对支气管树的造影剂映射图中的值进行采样，以及，给定造影剂摄入的样本集，计算值以产生针对每个分支的支气管壁摄取，从而产生炎症度量；以及通过使用密度和炎症度量来为患者确定治疗或预测结果。
-
公开(公告)号：CN108460809B
公开(公告)日：2023-01-13
申请号：CN201810153940.2
申请日：2018-02-22
Applicant: 西门子保健有限责任公司(DE)
IPC: G06T9/00
Abstract: 用于前列腺癌检测和分类的深度卷积编码器‑解码器。公开了一种用于在多参数磁共振成像（MRI）中的自动化前列腺肿瘤检测和分类的方法和装置。接收包括多个不同类型的MRI图像的患者的多参数MRI图像集合。使用训练的多通道图像到图像卷积编码器‑解码器来执行在患者的多参数MRI图像集合中的前列腺肿瘤的同时检测和分类，所述训练的多通道图像到图像卷积编码器‑解码器输入患者的多参数MRI图像集合的多个MRI图像并且包括对应于多个不同肿瘤类别的多个输出通道。对于每个输出通道，训练的图像到图像卷积编码器‑解码器生成相应的响应图，所述响应图提供在患者的多参数MRI图像集合中的相应的肿瘤类别的前列腺肿瘤的检测的位置。
-
-
-
-
-
-
-
-
-
Search Results
15
records
(took 0.03 seconds)
