-
公开(公告)号：CN117437144A
公开(公告)日：2024-01-23
申请号：CN202310800759.7
申请日：2023-07-03
Applicant: 通用电气精准医疗有限责任公司
Inventor： 米歇尔·S·托姆 , 文森特·比斯马思 , L·博伊莱文凯尔 , 格尔曼·吉列尔莫·威拉冈萨雷斯 , 谭涛 , 戈帕尔·B·阿维纳什
Abstract: 本发明提供了用于图像去噪的各种方法和系统。在一个示例中，一种方法包括：获得(602)输入图像和表示输入图像中的噪声的噪声图，从噪声图并且基于校准因子生成(604)强度图，将输入图像和强度图作为输入输入(606)到被训练为基于输入图像和强度图输出去噪图像的去噪模型，以及显示和/或保存(610)由去噪模型输出的去噪图像。
-
公开(公告)号：CN116964629A
公开(公告)日：2023-10-27
申请号：CN202280017926.4
申请日：2022-01-18
Applicant: 通用电气精准医疗有限责任公司
Inventor： 谭涛 , M·费耶什 , 戈帕尔·阿维纳什 , 拉维·索尼 , B·达斯 , 拉凯什·穆利克 , 帕尔·泰格泽什 , L·费伦齐 , 维克拉姆·梅拉普迪 , 克里希纳·希瑟拉姆·施莱姆
IPC: G06T7/62
Abstract: 本发明提供了用于使用深度神经网络来推断二维(2D)医学图像中的一个或多个感兴趣的对象类的厚度和体积的方法和系统。在示例性实施方案中，可通过以下方式来推断感兴趣的对象类的厚度：获取2D医学图像；从该2D医学图像中提取特征；使用第一卷积神经网络(CNN)来将该特征映射到感兴趣的对象类的分割掩模；使用第二CNN来将该特征映射到该感兴趣的对象类的厚度掩模，其中该厚度掩模指示该感兴趣的对象类在该2D医学图像的多个像素中的每个像素处的厚度；以及基于该厚度掩模和该分割掩模来确定该感兴趣的对象类的体积。
-
公开(公告)号：CN115699080A
公开(公告)日：2023-02-03
申请号：CN202180036822.3
申请日：2021-03-25
Applicant: 通用电气精准医疗有限责任公司
Inventor： 谭涛 , 帕尔·泰格泽什 , L·I·托罗克 , L·费伦齐 , 戈帕尔·B·阿维纳什 , L·鲁斯科 , 吉雷沙·钦塔马尼·拉奥 , 卡勒德·尤尼斯 , 索米娅·高斯
Abstract: 一种用于使用图像和谐化作为预处理步骤来优化深度学习模型性能的方法包括：由操作地耦接到处理器的系统将输入图像分解成子图像。该方法还包括：基于分别针对这些子图像和至少一个参考图像的对应参考子图像计算的两个或更多个不同统计值来使这些子图像与这些对应参考子图像和谐，从而导致这些子图像到经修改子图像图像的变换。可将这些经修改子图像组合成经和谐图像，该经和谐图像相对于该输入图像与该至少一个参考图像具有更相似外观。使用这些技术生成的经和谐图像和/或经修改子图像可用作用于训练一个或多个深度学习模型来将具有外观变化的输入图像变换成经和谐图像的基准真相训练样本。
-
公开(公告)号：CN114155402A
公开(公告)日：2022-03-08
申请号：CN202110965176.0
申请日：2021-08-20
Applicant: 通用电气精准医疗有限责任公司
Inventor： 拉维·索尼 , 谭涛 , 戈帕尔·B·阿维纳什 , 迪比亚乔蒂·帕蒂 , H·克鲁帕卡 , 文卡塔·拉特南·萨里帕利
IPC: G06V10/774 , G06K9/62 , G06N20/00
Abstract: 本发明题为“用于改善机器学习模型泛化能力的合成训练数据生成”。本发明提供了促进合成训练数据生成以实现改善的机器学习泛化能力的系统和技术。在各种实施方案中，元素增强部件可基于带注释的源图像生成一组带注释的初步训练图像。在各个方面，可通过将至少一个感兴趣元素或至少一个背景元素插入到带注释的源图像中来形成带注释的初步训练图像。在各种情况下，模态增强部件可基于该组带注释的初步训练图像生成一组带注释的中间训练图像。在各种情况下，可通过改变带注释的初步训练图像的至少一个基于模态的特性来形成带注释的中间训练图像。在各个方面，几何增强部件可基于该组带注释的中间训练图像生成一组带注释的可部署训练图像。在各种情况下，可通过改变带注释的中间训练图像的至少一个几何特性来形成带注释的可部署训练图像。在各种实施方案中，训练部件可在该组带注释的可部署训练图像上训练机器学习模型。
-
公开(公告)号：CN113177639A
公开(公告)日：2021-07-27
申请号：CN202011640152.X
申请日：2020-12-31
Applicant: 通用电气精准医疗有限责任公司
Inventor： 谭涛 , 张敏 , 戈帕尔·比利杰里·阿维纳什 , 莱海尔·费伦齐 , 列文特·伊姆雷·特罗克 , 帕尔·泰格泽什
IPC: G06N3/08
Abstract: 本发明题为在训练神经网络中作为正则化器的冻结。本发明提出了促进在训练神经网络中作为正则化器的冻结的系统和技术。系统可包括存储器和执行计算机可执行组件的处理器。该计算机可执行组件可包括：评估组件，该评估组件识别神经网络的单元；选择组件，该选择组件选择神经网络的单元的子集；和冻结组件，该冻结组件冻结神经网络的单元的选定子集，使得针对训练运行将不更新来自单元的冻结子集的输出连接的权重。
-
Patent Agency Ranking
公开(公告)号：CN118195993A
公开(公告)日：2024-06-14
申请号：CN202311643730.9
申请日：2023-12-04
Applicant: 通用电气精准医疗有限责任公司
Inventor： 杨鸿绪 , 戈帕尔·比利杰里·阿维纳什 , L·M·费伦齐 , 董晓萌 , N·A·M·阿布巴克 , 吉雷沙·钦塔马尼·拉奥 , 谭涛 , 格尔曼·吉列尔莫·威拉冈萨雷斯
IPC: G06T7/00 , G06N3/0464 , G06N3/08
Abstract: 提供了一种促进改进的深度学习图像处理的系统/技术。在各种实施方案中，系统(例如，102)可以访问医学图像(例如，104)，其中该医学图像的像素或体素在多个区域(例如，302)中进行分配。在各个方面中，该系统可以经由深度学习神经网络(例如，202)对该医学图像的执行生成一组逐区域参数映射(例如，204)，其中逐区域参数映射能够由该医学图像的每个区域的一个预测参数组成。在各种实例中，该系统可以通过将该组逐区域参数映射馈送到分析变换函数(例如，902)来生成该医学图像的变换后版本(例如，904)。在各种情况下，该系统可以在电子显示器上渲染该医学图像的变换后版本。在各个方面中，该多个区域可以是不规则的或基于组织的(例如，如关于图5至图8所示)。
-
公开(公告)号：CN117883100A
公开(公告)日：2024-04-16
申请号：CN202311237237.7
申请日：2023-09-25
Applicant: 通用电气精准医疗有限责任公司
Inventor： B·P·奇里亚 , 格尔曼·吉列尔莫·威拉冈萨雷斯 , 谭涛 , 帕尔·泰格泽什 , 贾斯汀·M·瓦内克 , 戈帕尔·B·阿维纳什 , Z·赫兹格 , 拉维·索尼 , 吉雷沙·钦塔马尼·拉奥
Abstract: 一种双能量x射线成像系统(100)和操作方法包括基于人工智能的运动校正系统(180)以最小化由成像系统(100)产生的图像中的运动伪影的影响。该运动校正系统(180)被训练以将模拟运动应用于训练数据集中的LE投影和HE投影(1002,1004)内的各种感兴趣对象，以改进LE投影和HE投影(1002,1004)的配准。运动校正系统(180)还被训练为使用噪声衰减来增强小运动伪影的校正，并且对训练数据集图像的基于减影图像的边缘检测减少来自LE投影(1004)的噪声，因此改进小运动伪影校正。运动校正系统(180)另外在形成减影软组织图像(1016)和骨组织图像(1018)时对软组织和骨组织采用单独的运动校正，并且包括运动警报以指示LE投影和HE投影(1002,1004)之间的运动何时需要重新拍摄投影。
-
公开(公告)号：CN116583880A
公开(公告)日：2023-08-11
申请号：CN202180064254.8
申请日：2021-09-21
Applicant: 通用电气精准医疗有限责任公司
Inventor： 谭涛 , 戈帕尔·B·阿维纳什 , M·费耶什 , 拉维·索尼 , D·A·萨博 , 拉凯什·穆利克 , 维克拉姆·梅拉普迪 , 克里希纳·希瑟拉姆·施莱姆 , 索汉·拉希米·兰詹 , B·达斯 , U·阿格拉沃尔 , L·鲁斯科 , Z·赫兹格 , B·达拉兹
IPC: G06T15/10
Abstract: 本公开描述了用于从多模态图像数据生成单模态训练图像数据并且使用单模态训练图像数据来训练和开发单模态图像推断模型的技术。一种方法实施方案包括：由包括处理器的系统从第一捕获模态的3D图像生成合成2D图像，其中合成2D图像对应于第二捕获模态中的3D图像的2D版本，并且其中3D图像和合成2D图像描绘同一患者的同一解剖区域。该方法还包括：由系统将针对3D图像的真值数据转移到合成2D图像。在一些实施方案中，该方法还包括：采用合成2D图像以促进将真值数据转移到使用第二捕获模态捕获的同一患者的同一解剖区域的原生2D图像。
-
公开(公告)号：CN117958851A
公开(公告)日：2024-05-03
申请号：CN202311270582.0
申请日：2023-09-28
Applicant: 通用电气精准医疗有限责任公司
Inventor： M·S·托姆 , 格尔曼·吉列尔莫·威拉冈萨雷斯 , L·博伊莱文凯尔 , 文森特·比斯马思 , 谭涛
Abstract: 提供了用于训练数字成像系统(100)的去噪系统(300)的各种方法和系统。去噪系统(300)可以是被形成为盲或非盲去噪系统(300)的深度学习去噪系统(304)，其中提供给去噪系统(300)的训练数据集(306)包括形成有添加到干净数字图像(308)的模拟噪声(312)的有噪图像(314)以及由具有添加到其中的残余噪声(320)的干净图像(308)形成的参考图像(324)，其中残余噪声(320)是用于形成有噪图像(314)的模拟噪声(312)的一部分。在训练数据集(306)的参考图像(324)内使用残余噪声(320)教导训练过程中的DL网络(304)在随后从数字成像系统(100)推断数字图像(308)期间去除少于全部的噪声(312)。通过在数字图像(308)中留下选定量的噪声(312,320)，去噪器(300)能够被调谐成改善图像属性和纹理。
-
公开(公告)号：CN117172284A
公开(公告)日：2023-12-05
申请号：CN202310578466.9
申请日：2023-05-22
Applicant: 通用电气精准医疗有限责任公司
Inventor： 谭涛 , 戈帕尔·B·阿维纳什 , L·博伊莱文凯尔 , 文森特·比斯马思 , 米歇尔·S·托姆 , 格尔曼·吉列尔莫·威拉冈萨雷斯
IPC: G06N3/045 , G06N3/0464 , G06N3/048 , G06N3/08 , G06N3/09 , G06T1/20 , G06T5/00 , G16H30/40 , G06V10/764 , G06V10/82
Abstract: 提供了通过较小参数促进改进神经网络推断效率的系统/技术。在各种实施方案中，系统可访问医学图像，在该医学图像上将执行人工智能任务。在各个方面中，该系统可通过在医学图像上执行神经网络流水线来促进人工智能任务，由此产生对应于医学图像的人工智能任务输出。在各种情况下，在任何卷积之前，神经网络流水线可包括从医学图像到神经网络流水线中的每个卷积层的相应跳跃连接。
-
-
-
-
-
-
-
-
-
Search Results
14
records
(took 0.045 seconds)
