“北京长木谷医疗科技有限公司”申请（专利权）人搜索_中国专利权人_发明人_技术持有人_科研专家_钻瓜专利网

钻瓜专利网为您找到相关结果166个，建议您升级VIP下载更多相关专利

[发明专利]前端工具位姿同步方法、电子设备及存储介质-CN202111452679.4有效
发明人：张逸凌;刘星宇 -专利权人： 北京长木谷医疗科技有限公司;张逸凌
申请日： 2021-12-01 - 公布日： 2023-08-18 - 主分类号： B25J9/16 文献下载
摘要：本申请提供了一种前端工具位姿同步方法、电子设备及存储介质，方法包括：获取机械臂基座坐标系与机械臂法兰坐标系之间的变换矩阵，以及获取前端工具在所述机械臂基座坐标系中的基准姿态以及配准矩阵，其中，所述配准矩阵表示为前端工具坐标系与机械臂基座坐标系之间的转换关系，所述前端工具固定在机械臂的法兰上；根据所述变换矩阵和所述配准矩阵对所述基准姿态进行转换处理，得到所述前端工具在所述机械臂基座坐标系中的三维位姿。从而解决了相关技术中在没有NDI追踪的情况下，将前端工具空间位置及姿态实时同步在机器人基座标系中的问题。
前端工具同步方法电子设备存储介质

[发明专利]基于深度学习注意力机制的颈椎图像分割方法及装置-CN202310339496.4在审
发明人：张逸凌;刘星宇 -专利权人： 北京长木谷医疗科技有限公司;张逸凌
申请日： 2023-03-31 - 公布日： 2023-07-07 - 主分类号： G06T7/00 文献下载
摘要：本发明提供了一种基于深度学习注意力机制的颈椎图像分割方法及装置，所述方法包括：获取待处理的医学图像数据集；将所述待处理的医学图像数据集输入至深度学习网络模型中，基于所述深度学习网络模型中的多个DSA注意力机制模块，对每张医学图像对应的编码图像及解码图像进行注意力机制特征融合提取，得到融合后的多张特征融合图像；基于SMSA注意力机制模块，对所述多张特征融合图像进行拼接处理后得到的目标特征融合图像进行注意力机制特征融合提取，经过卷积操作后，得到颈椎图像分割结果。本发明提供的基于深度学习注意力机制的颈椎图像分割方法及装置，得到颈椎图像分割结果比较准确，提高了颈椎图像的分割结果。
基于深度学习注意力机制颈椎图像分割方法装置

[发明专利]基于扩散模型去除CT图像金属伪影的方法及系统-CN202310338186.0在审
发明人：张逸凌;刘星宇 -专利权人： 北京长木谷医疗科技有限公司;张逸凌
申请日： 2023-03-31 - 公布日： 2023-07-07 - 主分类号： G06T11/00 文献下载
摘要：本发明实施例公开了一种基于扩散模型去除CT图像金属伪影的方法及系统，基于扩散模型去除CT图像金属伪影的方法包括：获取有金属伪影CT图像数据集以及无金属伪影CT图像数据集；基于所述有金属伪影CT图像数据集以及无金属伪影CT图像数据集，对构建的扩散模型进行训练，得到训练好的目标扩散模型，所述目标扩散模型用于去除有金属伪影图像中的金属伪影；将有金属伪影CT图像输入所述目标扩散模型，得到目标去金属伪影CT图像。该基于扩散模型去除CT图像金属伪影的方法解决现有技术中基于深度学习去除CT图像金属伪影的效果不佳的问题。
基于扩散模型去除 ct 图像金属方法系统

[发明专利]基于双自注意力和深度学习的胸椎图像分割方法及装置-CN202310340824.2在审
发明人：张逸凌;刘星宇 -专利权人： 北京长木谷医疗科技有限公司;张逸凌
申请日： 2023-03-31 - 公布日： 2023-07-07 - 主分类号： G06T7/00 文献下载
摘要：本发明提供了一种基于双自注意力和深度学习的胸椎图像分割方法及装置，方法包括：获取待处理的医学图像数据集，医学图像数据集中的每张医学图像均包括有胸椎图像区域；将待处理的医学图像数据集输入至深度学习网络模型中，基于深度学习网络模型编码层中的多个双自注意力模块，对不同尺寸的编码图像分别进行双自注意力机制特征提取，得到多张不同尺寸的编码特征图像；基于深度学习网络模型解码层中的多个双自注意力模块，对特征拼接融合图像进行双自注意力机制特征提取，输出得到胸椎图像分割结果。上述方法得到的特征拼接融合图像则可以保留医学图像数据集中的较多特征信息，输出得到的胸椎图像分割结果也更加准确，提高了胸椎图像的分割精度。
基于注意力深度学习胸椎图像分割方法装置

[发明专利]髋关节分割方法、装置、电子设备及计算机可读存储介质-CN202310246607.7在审
发明人：张逸凌;刘星宇 -专利权人： 北京长木谷医疗科技有限公司;张逸凌
申请日： 2023-03-10 - 公布日： 2023-06-30 - 主分类号： G06T7/11 文献下载
摘要：本申请提供了一种基于DoubleUnet多任务神经网络模型的髋关节分割方法、装置、电子设备及计算机可读存储介质。该方法，获取待分割的髋关节图像；将髋关节图像输入预设的DoubleUnet多任务神经网络模型，输出髋关节中骨盆、左侧股骨和右侧股骨三个部位的分割结果；DoubleUnet多任务神经网络模型是基于DoubleUnet多任务神经网络经过模型训练得到的，DoubleUnet多任务神经网络包括两个Unet网络分支；第一网络分支结果和开始的输入相叠加输入到第二网络分支，且第一网络分支中VGG19输出的四个分支结果分别和第二网络分支上采样层相结合；并且在每一层的每一对相邻的解码器分支和编码器分支之间的跳跃连接中添加注意力机制网络。
髋关节分割方法装置电子设备计算机可读存储介质

[发明专利]基于多尺度自注意力机制的髋关节分割方法、装置及设备-CN202310263522.X在审
发明人：张逸凌;刘星宇 -专利权人： 北京长木谷医疗科技有限公司;张逸凌
申请日： 2023-03-10 - 公布日： 2023-06-30 - 主分类号： G06T7/10 文献下载
摘要：本申请提供了一种基于多尺度自注意力机制的髋关节分割方法、装置、电子设备及计算机可读存储介质。该方法，在获取髋关节图像后，基于髋关节图像获取目标髋关节图像；利用CNN网络对目标髋关节图像进行多尺度编码，得到CNN编码后的特征图；对CNN编码后的特征图进行双尺度自注意力特征融合，得到双尺度自注意力特征融合后的特征图；对双尺度自注意力特征融合后的特征图和对应的解码层特征图执行Concat操作，得到对应的新解码层特征图；对各个新解码层特征图执行Concat操作，得到拼接后的特征图；通过尺度自注意力机制，对拼接后的特征图进行特征融合，得到目标特征图；基于目标特征图，获取髋关节分割结果。
基于尺度注意力机制髋关节分割方法装置设备

[外观设计]用于动力骨钻和螺纹针之间的转换接口-CN202330107664.8有效
发明人：张逸凌;刘星宇 -专利权人： 北京长木谷医疗科技有限公司;张逸凌
申请日： 2023-03-10 - 公布日： 2023-06-30 - 主分类号： 24-01 文献下载
摘要：1.本外观设计产品的名称：用于动力骨钻和螺纹针之间的转换接口。2.本外观设计产品的用途：主要用于在膝机器人手术过程中动力骨钻和螺纹针之间的转换接口。3.本外观设计产品的设计要点：在于形状。4.最能表明设计要点的图片或照片：立体图。
用于动力螺纹之间转换接口

[外观设计]螺纹针导引器-CN202330134727.9有效
发明人：张逸凌;刘星宇 -专利权人： 北京长木谷医疗科技有限公司;张逸凌
申请日： 2023-03-21 - 公布日： 2023-06-30 - 主分类号： 24-02 文献下载
摘要：1.本外观设计产品的名称：螺纹针导引器。2.本外观设计产品的用途：主要用于在膝机器人手术过程中术前对螺纹针的固定。3.本外观设计产品的设计要点：在于形状。4.最能表明设计要点的图片或照片：立体图。
螺纹导引

[外观设计]螺纹针-CN202330134749.5有效
发明人：张逸凌;刘星宇 -专利权人： 北京长木谷医疗科技有限公司;张逸凌
申请日： 2023-03-21 - 公布日： 2023-06-30 - 主分类号： 24-02 文献下载
摘要：1.本外观设计产品的名称：螺纹针。2.本外观设计产品的用途：主要用于在膝机器人手术过程中术前将定位架支撑杆固定于股骨或胫骨。3.本外观设计产品的设计要点：在于形状。4.最能表明设计要点的图片或照片：立体图。
螺纹

[发明专利]基于人工智能的脊柱手术术前规划方法、系统及存储介质-CN202310194911.1在审
发明人：张逸凌;刘星宇 -专利权人： 北京长木谷医疗科技有限公司;张逸凌
申请日： 2023-02-27 - 公布日： 2023-06-27 - 主分类号： A61B34/10 文献下载
摘要：本发明实施例公开了一种基于人工智能的脊柱手术术前规划方法、系统及存储介质，基于人工智能的脊柱手术术前规划方法包括：对导入的脊柱CT数据进行预处理，得到第一预处理图像；将所述第一预处理图像输入训练好的神经网络模型，得到螺钉的入钉点和入钉方向，基于所述入钉点和入钉方向计算螺钉直径和螺钉长度，基于所述螺钉直径和螺钉长度在假体数据库中确定适配的螺钉型号。该基于人工智能的脊柱手术术前规划方法，解决现有技术中无法得到螺钉最优的植入路径和螺钉型号的问题。
基于人工智能脊柱手术规划方法系统存储介质

[发明专利]基于多任务神经网络模型的膝关节分割方法、装置及设备-CN202310184497.6在审
发明人：张逸凌;刘星宇 -专利权人： 北京长木谷医疗科技有限公司;张逸凌
申请日： 2023-02-21 - 公布日： 2023-06-23 - 主分类号： G06T7/11 文献下载
摘要：本申请提供了一种基于多任务神经网络模型的膝关节分割方法、装置、电子设备及计算机可读存储介质。该方法，获取第一膝关节图像；对第一膝关节图像进行粗分割，得到第一分割结果；基于第一膝关节图像和第一分割结果，计算对应的膝关节体数据；将膝关节体数据在矢状面方向上进行投影，得到对应的膝关节投影图像；通过检测算法，确定膝关节投影图像中膝关节的位置坐标；基于第一膝关节图像中膝关节的位置坐标，从第一膝关节图像中将位置坐标对应图像分割出来，得到第二膝关节图像；将第二膝关节图像输入预设的多任务神经网络模型，分别输出股骨、胫骨、髌骨和腓骨四个部位的分割结果。该方法能够又快又准地进行膝关节分割。
基于任务神经网络模型膝关节分割方法装置设备

[发明专利]基于人工智能的髋关节图像分割方法及系统-CN202310167850.X在审
发明人：张逸凌;刘星宇 -专利权人： 北京长木谷医疗科技有限公司;张逸凌
申请日： 2023-02-27 - 公布日： 2023-06-23 - 主分类号： G06T7/10 文献下载
摘要：本发明实施例公开了一种基于人工智能的髋关节图像分割方法及系统，基于人工智能的髋关节图像分割方法包括：获取髋关节医学图像数据集，对所述髋关节医学图像数据集进行预处理得到预处理图像，基于所述预处理图像构建训练集；构建改进VB‑Net神经网络模型，其中，所述改进VB‑Net神经网络模型包括VB‑Net神经网络、双向ConvLSTM网络结构以及注意力机制模块；将所述训练集输入至所述改进VB‑Net神经网络模型进行训练，得到训练好的改进VB‑Net神经网络模型；基于所述训练好的改进VB‑Net神经网络模型对髋关节医学图像进行分割得到分割结果。该基于人工智能的髋关节图像分割方法解决现有技术中基于人工智能的髋关节图像分割方法繁琐且分割精度较差的问题。
基于人工智能髋关节图像分割方法系统

[发明专利]一种基于深度学习的稀疏点云配准模型及配准方法-CN202310188557.1在审
发明人：张逸凌;刘星宇 -专利权人： 北京长木谷医疗科技有限公司;张逸凌
申请日： 2023-02-21 - 公布日： 2023-06-09 - 主分类号： G06T7/33 文献下载
摘要：本申请实施例公开了一种基于深度学习的稀疏点云配准模型及配准方法，其中基于深度学习的稀疏点云配准模型包括：刚性变换模块，用于利用初始化的配准矩阵对获取的若干术前配准点进行刚性变换；特征提取模块，用于提取经过刚性变换后的若干所述术前配准点之间的相互关系，得到第一混合特征，以及用于提取获取的若干术中配准点之间的相关关系，得到第二混合特征；参数预测模块，所述参数预测模块的输入端与所述特征提取模块的输出端连接，用于分别对输入的所述第一混合特征和第二混合特征进行特征融合，以及基于特征融合后的所述第一混合特征和第二混合特征，进行变换矩阵的计算，得到目标配准矩阵。
一种基于深度学习稀疏点云配准模型方法

[发明专利]基于深度学习的CT图像重建方法及装置-CN202310145910.8在审
发明人：张逸凌;刘星宇 -专利权人： 北京长木谷医疗科技有限公司;张逸凌
申请日： 2023-02-21 - 公布日： 2023-06-06 - 主分类号： G06T11/00 文献下载
摘要：本申请提供一种基于深度学习的CT图像重建方法及装置，属于人工智能技术领域。该方法包括：将连续至少三张厚层CT图像输入至目标模型，得到目标厚层CT图像所对应的连续多张薄层CT图像；目标模型包括并行的多个分支，多个分支依次包括卷积分支以及至少一个transformer分支；卷积分支用于得到目标局部特征；transformer分支用于得到第二融合特征，并对第二融合特征进行全局信息提取，得到目标全局特征。本申请提供的基于深度学习的CT图像重建方法，通过目标模型对至少三张厚层CT图像进行处理，重建获得薄层CT图像，能在不占用较大存储空间的情况下获取薄层CT图像，降低了薄层CT图像的获取成本，提高了薄层CT图像辅助医生进行诊断的实用性。
基于深度学习 ct 图像重建方法装置

[发明专利]基于CSA模块及深度学习模型的高清CT图像重建方法-CN202310084538.4在审
发明人：张逸凌;刘星宇 -专利权人： 北京长木谷医疗科技有限公司;张逸凌
申请日： 2023-01-18 - 公布日： 2023-06-06 - 主分类号： G06T11/00 文献下载
摘要：本发明提供一种基于CSA模块及深度学习模型的高清CT图像重建方法，所述方法包括：将第一数量的厚层CT图像输入至深度学习模型，得到所述深度学习模型输出的第二数量的薄层CT图像；所述第一数量为大于1的整数；所述深度学习模型是以第一数量的样本厚层CT图像为样本、以第二数量的样本薄层CT图像为样本标签训练得到的。本发明的基于CSA模块及深度学习模型的高清CT图像重建方法，通过输入第一数量的厚层CT图像至重建模型来对其中一张厚层CT图像进行重建，得到第二数量的薄层CT图像，能够获取到被重建的厚层CT图像中多个截面位置的细节，进而能够重建得到多个细节特征更加准确的薄层CT图像。
基于 csa 模块深度学习模型 ct 图像重建方法

1
2
3
4
5
6
7
8
9
10
11
12
下一页»
尾页
共 166 条