| 序号 | 专利名 | 申请号 | 申请日 | 公开（公告）号 | 公开（公告）日 | 发明人 |
|---|---|---|---|---|---|---|
| 1 | 临床决策支持系统和方法 | CN202311511993.4 | 2023-11-14 | CN118053550A | 2024-05-17 | R·J·M·霍弗林; T·库普曼; R·J·C·梅斯特 |
| 临床决策支持系统和方法。用于确定淋巴水肿诱导的荧光模式的分类的基于计算机的临床决策支持系统CDSS(62)和方法。荧光图像(7)是根据测量已添加有荧光剂(8)的身体部位(4)的组织中的荧光信号而确定的。所述CDSS(62)包括：输入接口(64)，通过该输入接口将特定于患者(6)的荧光图像(7)作为输入特征提供给人工智能AI模型(68)；处理器(66)，其执行推理操作，其中将所述荧光图像(7)应用于所述AI模型(68)以生成淋巴水肿诱导的荧光模式的分类；以及用户接口UI(14)，通过所述UI将所述淋巴水肿诱导的荧光模式的分类传送给用户。 | ||||||
| 2 | 基于领域知识增强的医疗影像报告自动生成方法及系统 | CN202410163718.6 | 2024-02-05 | CN118053536A | 2024-05-17 | 陈健; 陈晓敏 |
| 本发明公开了一种基于领域知识增强的医疗影像报告自动生成方法及系统，方法包括：对数据集进行预处理；利用先验知识探索模块提取报告文本数据的语料特征，将语料特征筛选后，获得统一的领域先验知识集；利用视觉特征提取模块提取医疗影像数据的视觉特征，获得视觉特征信息；利用文本特征编码模块对领域先验知识集进行向量化和嵌入处理，获取语义特征信息；采用图文对应的方式对视觉特征信息与语义特征信息进行对应处理，对视觉特征信息与语义特征信息进行对齐关注处理，结合结果输入解码器，预测获取医疗影像报告。本发明不仅提高了应用在不同数据集的泛化能力，同时能够使得模型利用统一的领域知识能够学习到更多有用的视觉特征。 | ||||||
| 3 | 一种基于病理大模型的语义分割模型构建方法 | CN202410094772.X | 2024-01-23 | CN118053018A | 2024-05-17 | 王书浩; 付哲铭 |
| 本发明提供了一种基于病理大模型的语义分割模型构建方法，包括：将目标病理图像输入至病理大模型进行分析，且基于分析结果输出目标特征图像块；将目标特征图像块作为语义分割模型的输入，并基于语义分割模型为目标特征图像块配置语义类别参数，且基于配置结果对目标特征图像块进行降维操作，获得每个目标特征图像块的关键语义信息；根据目标特征图像块的关键语义信息并基于窗口参数将目标特征图像块进行汇聚，且基于汇聚结果获取初级语义信息；基于初级语义信息对汇聚结果进行拼接，获得对目标病理图像的语义分割结果；提高了语义分割的灵活性、扩展性与适用性，使医疗专业人员能够更准确地理解分割结果，为临床决策提供支持。 | ||||||
| 4 | 基于CT影像的床板去除方法、系统、电子设备及存储介质 | CN202110229147.8 | 2021-03-02 | CN113077474B | 2024-05-17 | 王兴维; 邰从越; 刘慧芳; 刘龙 |
| 5 | 骨疾病预测装置、方法及程序、学习装置、方法及程序、以及学习完成神经网络 | CN202280066239.1 | 2022-09-26 | CN118043908A | 2024-05-14 | 川村隆浩 |
| 处理器进行如下处理：获取通过利用能量分布不同的放射线对包含骨部及软部的被摄体进行拍摄而获取的第1放射线图像及第2放射线图像；通过对第1放射线图像及第2放射线图像进行加权减法运算，导出表示被摄体的骨部组织的骨部图像及表示被摄体的软组织的软部图像；从骨部图像导出被摄体的对象骨区域中的每个像素的骨矿物质含量；获取与软部图像中的对象骨区域对应的对应区域的每个像素的像素值；及根据对象骨区域中的每个像素的骨矿物质含量及对应区域中的每个像素的像素值，导出对象骨的骨折概率。 | ||||||
| 6 | 分析3D医学图像数据的方法、计算机程序和3D医学图像数据评估装置 | CN202280065677.6 | 2022-09-07 | CN118043851A | 2024-05-14 | N·D·M·黑楚里奇; D·V·G·黑楚里奇; M·史瑞克恩伯格 |
| 提供了一种显示和分析3D医学图像数据的方法。该方法包括：接收解剖结构的3D医学图像数据；基于3D医学图像数据生成解剖结构的3D渲染图(1)；在可视化环境(10)中向用户(20)显示3D渲染图(1)；接收指示3D渲染图(1)上或3D渲染图(1)内的第一点(4)的用户命令；在可视化环境(10)中与第一点(4)相对应的位置提供2D框架(2)，其中2D框架(2)的第一侧面向用户(20)；在2D框架(2)内显示MPR视图(3)，其中MPR视图(3)基于2D框架(2)的位置处的3D医学图像数据，并且MPR视图(3)的大小与2D框架(2)的大小相对应；以及在用户(20)和2D框架(2)的第一侧之间提供透明裁剪体(9)，以便部分地裁剪3D渲染图(1)。此外，还提供了一种计算机程序和一种3D医学图像数据评估装置。 | ||||||
| 7 | 一种自适应阈值的胃肠道胶囊内镜视频关键帧提取方法 | CN202111021196.9 | 2021-09-01 | CN113850299B | 2024-05-14 | 李胜; 韩建红; 向中坡; 夏瑞瑞; 马悦 |
| 一种自适应阈值的胃肠道胶囊内镜视频关键帧提取方法，首先通过高效简洁的图像颜色特征来判断相邻帧的相似度，根据相邻帧的相似性设定自适应阈值去除大量冗余图像，通过观察胶囊内镜视频帧发现有很多运动模糊或失焦模糊的图像，提出了一种利用频率特性的方法筛选去除模糊图像。同时，对于镜头距离器官壁过近导致的虚焦图像，提出一种基于颜色直方图的方法去除。本发明提出的方法不仅能够快速高效地筛选出大量冗余图像，且能够进一步去除包含无用信息的图像(如模糊图像、虚焦图像等)，获得具有分析价值的视频关键帧，具有重要实际应用价值。 | ||||||
| 8 | 一种基于无监督的医学图像器官分割模型预训练方法 | CN202311824148.2 | 2023-12-26 | CN118015396A | 2024-05-10 | 杨义瑞 |
| 本发明涉及医学图像处理领域，具体为一种基于无监督的医学图像器官分割模型预训练方法，包括预训练数据收集，获取无标注的训练数据；搭建预训练模型；训练预训练模型，对无标注数据进行随机的数据增强操作并输入预测器获得增强预测结果与增强图像特征数据；定义损失函数。本发明采用无监督预训练方法对医学图像器官分割模型进行预训练，通过对无标注的训练数据进行随机的数据增强操作并输入进预测器获得增强预测结果与增强图像特征数据，并借助定义的损失函数指导优化医学图像器官分割模型，避免医学图像器官分割模型的泛化性被有标注数据集大小限制，充分利用无标注数据得到预训练的权重参数，提高后续医学图像器官分割模型训练的效果与速度。 | ||||||
| 9 | 肺炎预后状态预测方法、装置、设备及介质 | CN202311572707.5 | 2023-11-23 | CN118014928A | 2024-05-10 | 高莉; 张晓东; 王霄英; 刘婧; 刘佳; 刘建新; 邱建星 |
| 本发明涉及肺炎预后状态评估技术领域，公开了一种肺炎预后状态预测方法、装置、设备及介质，包括：获取肺部CT图像和临床特征指标数据；将肺部CT图像分别输入三个图像分割模型中，得到肺炎渗出区域掩膜分割图像、肺叶区域掩膜分割图像和肺血管区域掩膜分割图像；根据肺炎渗出区域掩膜分割图像和肺叶区域掩膜分割图像计算肺炎区域体积占比，并根据肺血管区域掩膜分割图像计算细微肺血管容积占比；将对肺部CT图像进行截取获得的肺炎渗出区域CT图像、肺炎区域体积占比、细微肺血管容积占比和临床特征指标数据输入至预后状态分类模型来对肺炎预后状态进行预测。本发明能够实现对肺炎预后状态的精准评估，提高患者治疗效率，避免医疗资源浪费。 | ||||||
| 10 | 一种医学影像信息系统 | CN201911036580.9 | 2019-10-29 | CN110993062B | 2024-05-10 | 孙宝亮; 郭灵犀; 郑宇; 张志龙; 张鹏宇; 商学谦; 马鸣; 于喜红; 刘萍; 赵俊翔 |
| 一种医学影像信息系统，包括：信息读取模块，用于读取被测物的相关信息；第一存储模块，用于将所述被测物的相关信息存储至Access数据库内预先建立的项目；所述项目包括项目编号以及所述被测物的相关信息；控制模块，用于控制显微镜扫描所述被测物的一个或多个影像；第一处理模块，用于确定所述项目的存储路径；第二处理模块，用于将所述被测物的影像与所述项目的存储路径建立关联关系；第二存储模块，用于将建立关联关系后的所述被测物的影像存储至所述Access数据库。采用本申请中的方案，具有小巧、便于部署等优势，适用于单机医学影像信息的管理。 | ||||||
| 11 | 一种基于临床-影像组学特征融合的早期非小细胞肺癌淋巴结转移风险预测方法 | CN202410071698.X | 2024-01-17 | CN117995398A | 2024-05-07 | 朱正飞; 龚敬; 顾雅佳; 童彤; 倪建佼; 王婷; 陈泓儒; 袁智勇 |
| 本发明提供一种基于临床‑影像组学特征融合的早期非小细胞肺癌淋巴结转移风险预测方法，包括以下步骤：首先对原始CT影像进行预处理，分割肺肿瘤区域，并提取肺肿瘤区域的影像组学特征和深度图像特征，建立CT影像特征集；其次，收集临床数据，进行特征预处理后，采用特征选择方法筛选出有统计学意义的临床特征，建立临床特征集；然后，在对CT影像特征和临床特征进行归一化处理的基础上，运用特征交互方法，融合CT影像和临床特征，输入全连接神经网络，构建预测模型；最后，利用预测模型输出早期非小细胞肺癌淋巴结转移风险概率。本发明的方法自动化程度高，提高了早期非小细胞肺癌淋巴结转移风险预测的精度。 | ||||||
| 12 | 基于随访数据的个性化医疗影像诊断质量保障方法及系统 | CN202410135240.6 | 2024-01-31 | CN117995368A | 2024-05-07 | 杨媛媛; 周立信; 高杰诚; 王明庆; 顾轶平 |
| 本发明公开了基于随访数据的个性化医疗影像诊断质量保障方法及系统，其中方法包括：采集随访数据并进行预处理，得到样本数据；对样本数据进行融合处理，得到融合数据；基于融合数据，进行影像诊断质量预测，得到预测结果；基于预测结果，为质控医生提供核查依据。本发明创新性提出将随访多模态数据进行融合处理，对医疗影像诊断质量进行保障的方法，能有效预防诊断质量可能出现的问题，提高后续诊断质量；同时，本发明提出的影像诊断质量预测模型是基于随访质控知识图谱，通过图像和文本的对比学习构建，具有可解释性。本发明对医疗影像诊断质量按定位和定性两类进行预测，符合影像质控要求，节省质控时间，提高质控效率。 | ||||||
| 13 | 一种基于伴随监督网络的胶原纤维双重虚拟染色图像生成方法 | CN202410169186.7 | 2024-02-06 | CN117994365A | 2024-05-07 | 王舒; 吕辰涌; 陈建新; 黄峰; 许飞 |
| 本发明涉及一种基于伴随监督网络的胶原纤维双重虚拟染色图像生成方法。包括：构建H&E染色、组织化学网状纤维染色、二次谐波胶原纤维图像数据集；将上述两种胶原纤维图像进行色彩强度翻转；设计循环生成对抗网络1，输入H&E图像，输出强度颠倒的上述两种胶原纤维图像；设计循环生成对抗网络2，输入H&E图像，输出无强度颠倒的两种胶原纤维图像；将网络1生成的虚拟图像进行色彩强度再翻转，并用来约束网络2的输出；网络1和网络2同时进行训练，构建了伴随监督模型；获得伴随监督网络2输出的双重虚拟胶原纤维图像。该方法避免了有监督的配准步骤，解决了无监督聚类错误的问题，实现H&E病理图像的网状纤维和二次谐波胶原纤维的双重虚拟图像生成。 | ||||||
| 14 | 中子捕获治疗系统及剂量评估方法 | CN202311141034.8 | 2023-09-05 | CN117982810A | 2024-05-07 | 邓逸樵; 陈江 |
| 本申请涉及一种中子捕获治疗系统及剂量评估方法，系统包括中子照射装置，用于产生中子束并照射被照射体；治疗计划系统，用于基于所述被照射体的感兴趣区域至少确定高浓度药物吸收区域、低浓度药物吸收区域，对所述高浓度药物区域和所述低浓度药物区域进行药物浓度赋值和剂量评估，生成治疗计划；控制模块，用于控制所述中子照射装置执行所述治疗计划。本申请既能保证剂量计算的准确性，制定满足要求的治疗计划，又能显著的降低蒙特卡罗模拟计算量，降低计算时间，使得更快速、准确地生成治疗计划，提高了治疗系统的运行效率。 | ||||||
| 15 | 基于个性化联邦学习的DFU医学图像分类方法及系统 | CN202311035070.6 | 2023-08-16 | CN116935143B | 2024-05-07 | 何昆仑; 赵亚威; 伍欣; 刘盼; 郭华源 |
| 本发明提供一种基于个性化联邦学习的DFU医学图像分类方法及系统，该方法包括如下步骤：参与联邦学习的客户端获取DFU图像样本集和待分类DFU图像；客户端基于卷积神经网络构建图像分类模型；中央服务器将预设的分类器模块参数传递至客户端；客户端基于分类器模块参数更新分类器模块；客户端利用DFU图像样本集训练图像分类模型，计算得到模型损失和客户端梯度；客户端将客户端梯度上传至中央服务器；中央服务器结合客户端梯度和预设的先验知识更新分类器模块参数；重复训练步骤直至模型损失收敛，得到DFU图像分类模型；客户端通过DFU图像分类模型完成待分类DFU图像的图像分类。本发明通过个性化联邦学习训练的DFU图像分类模型具有较高的分类准确性。 | ||||||
| 16 | 针对手术结果的反馈提供方法 | CN201880088961.9 | 2018-09-05 | CN111771244B | 2024-05-07 | 李锺赫; 邢宇镇; 梁薰模; 金镐承 |
| 公开一种针对手术结果的反馈提供方法，包括如下步骤：计算机获取基于在实际手术过程中获取的实际手术数据而被划分从而由多个细节手术操作构成的实际手术提示表数据；获取针对所述实际手术的参考(reference)提示表数据；以及比较所述实际手术提示表数据和所述参考提示表数据而提供反馈。 | ||||||
| 17 | 根据用户捕获的图像或视频预测健康或疾病 | CN202280064200.6 | 2022-08-31 | CN117980996A | 2024-05-03 | 弗拉多·博萨纳茨 |
| 一种方法可以包括利用锻炼设备的图像、多个图像或视频捕获系统捕获用户的图像、多个图像或视频，并且从图像或视频检测健康或疾病指标。一种装置包括：相机、处理器和包含编程指令的计算机可读介质，所述编程指令在被执行时将使得处理器使用机器学习模型和由相机捕获的对象的一个或多个图像或视频来检测健康或疾病指标。 | ||||||
| 18 | 基于改进遗传算法的标志点选取方法、装置及电子设备 | CN202311873327.5 | 2023-12-29 | CN117976180A | 2024-05-03 | 叶安根; 苏江峰; 张大朋 |
| 本发明提供一种基于改进遗传算法的标志点选取方法、装置及电子设备。该方法包括：基于改进遗传算法，确定多个候选标志点分别对应的配准误差；基于多个候选标志点分别对应的配准误差，确定初始种群；基于初始种群中每个个体的适应度，重复迭代过程，直至得到最优个体以及最优个体对应的配准结果；迭代过程包括：在适应度不超过期望值或改进遗传算法的迭代次数不超过次数阈值的情况下，确定更新后的种群，更新后的种群包括多个目标个体，目标个体的候选标志点的价值度超过价值度阈值；基于更新后的种群，确定目标个体的适应度；基于目标个体的适应度，采用交叉操作和变异操作。本发明提供的基于改进遗传算法的标志点选取方法，可以自动选择标志点。 | ||||||
| 19 | 一种影像报告生成方法、装置及存储介质 | CN202311754681.6 | 2023-12-19 | CN117976127A | 2024-05-03 | 王植; 徐琦琦; 田野; 刘竞艳; 孟祥虹 |
| 本申请实施例提供了一种影像报告生成方法、装置及存储介质，可以向用户展示预先设置的骨骼位置，在接收用户确定目标骨骼位置之后，继续展示目标骨骼位置对应的各个部位、每个部位对应的至少一个影像表现，以及每个影像表现对应的检查结果，在接收到用户对上述内容的选择之后，自动生成结构化报告。在该结构化报告编写流程中，用户只需要对实际医学影像中的解剖结构位置对应的各个部位进行诊断，即可自动生成结构化报告，避免了人工编写影像报告内容逻辑复杂，用词多样，难以让患者理解的缺点，降低了出错的概率，提高了影像报告的质量。 | ||||||
| 20 | 一种基于大模型技术的皮肤专病患者管理方法及系统 | CN202410199958.1 | 2024-02-23 | CN117809841B | 2024-04-30 | 蒋献; 刘绪; 张璐; 陈思良; 杜丹 |
| 本发明涉及医疗管理技术领域，揭露了一种基于大模型技术的皮肤专病患者管理方法及系统，包括：获取初始病理图像，基于初始病理图像及病理图像分割模型获取目标病理图像，利用病理识别模型集及目标病理图像获取第一诊断结果集，获取第二诊断结果集，利用第一诊断结果集及第二诊断结果集获取目标诊断名称，利用数据收集单元获取历史分析数据集，基于目标诊断名称及历史分析数据集获取目标分析数据集及目标分析图像集，基于目标分析图像集获取病理图像序列，利用目标分析数据集获取目标治疗时间，接收来自就医进程单元的进程获取指令，基于进程获取指令获取治疗进程序列。本发明主要目的在于解决对患者诊断结果不准确及患者管理困难的问题。 | ||||||
QQ群二维码
意见反馈
意见反馈