|
搜索
搜 索
高等教育領域數字化綜合服務平臺
變幻的色彩（光的彩色偏振實驗器）
310mm×250mm×280mm，偏振片一對，不同部位用不同的層數，顯示不同的彩色。
寧波華茂文教股份有限公司
2021-08-23
骨科矯形用組件式8字板及成套專用工具
青少年膝關節成角畸形是一組較為常見的下肢發育異常，一般包括冠狀面成角和矢狀面成角，兩者可同時存在。本技術采用了鉸鏈的形式使固定螺釘不會因為骨的弧狀結構有向外的力，增加穩定性。可以根據患者的骨骺線兩側的畸形的不對稱進行多種組合。本項目還設計了和 8 字板配套的成套專用工具。
上海理工大學
2021-04-13
十字軸式萬向聯軸器智能參數化 CAD 系統
成果簡介國內十字軸式萬向聯軸器制造企業都具有相對穩定的產品種類， 其日常設計的主要方式是基于基型產品的修改設計。 為了實現十字軸式萬向聯軸器產品的快速設計、 提高其設計質量和節省設計成本， 我們采用先進的軟件開發技術， 在產品數據庫的支持下， 開發了一套面向十字軸式萬向聯軸器的智能參數化 CAD 系統， 可以完成產品關鍵零部件的參數化 CAD 圖紙的自動繪制功能， 并可對產品圖檔信息進行有效地管理。成熟程度和所需建設條件本項目已經成功應用于泰爾重工股份有限公
安徽工業大學
2021-04-14
新冠肺炎影像學AI智能輔助診斷研究
“現階段醫生需要在大量影像數據中快速診斷出新冠肺炎的病例，此外還需要診斷出病灶分布的位置、大小等來評估嚴重程度。”薛向陽介紹，針對臨床的現實需求，團隊將設計目標定位于“肺炎分類鑒別”和“關鍵病灶檢測”兩大功能，前者是為區別健康狀態、新冠肺炎、其他病毒性肺炎、細菌性肺炎，后者則為找到并分隔出磨玻璃影等病灶區域。針對這些需求，團隊設計診斷算法模型，讓機器利用模型進行訓練，學習不同類型肺炎在CT影像表現上的不同特征，最終具備智能輔助診斷的能力。而這需要突破小樣本學習、小目標檢測等多個技術難題。“小樣本學習”即在較少訓練數據樣本的條件下進行機器學習。在疫情發生前期，能夠獲取的新冠肺炎影像數據相對較少，且由于一線影像醫生任務繁重，無法獲得大量專家標注，因此需要算法在少量樣本的條件下“自學成才”。為此，團隊采用基于自遷移學習的半監督學習等技巧，使算法具備一定的“小樣本學習”能力，在不增加醫生標注工作量的情況下較好地提高了算法模型的普適性。由于CT影像切片中的病灶區域有大有小，且往往大中小病灶區域面積懸殊，如何使算法能同時檢測大、中、小各個目標是另一大難題。團隊利用神經網絡的層次性特點與病灶區域的大小進行對應，“網絡的底層關注細節，即小病灶區域，而網絡中層到高層所關注的病灶區域則越來越大，因此模型通過不同層次的加權和融合，最終便能達到同時檢測大小病灶區域的目標。”薛向陽解釋道。“不過，即便有診斷‘神器’，影像科醫生也是不可替代的。”薛向陽說，人是復雜的機體，病毒在不同人體內感染的反映也不一定相同。”他表示，當遇到機器未曾學習過的微小病變或疑難病例時，仍需要影像醫生的經驗和智慧。以解決實際問題為目標，該項目在研究過程中始終與臨床應用緊密結合。無論是機器學習數據，還是測試評估數據，都來源于臨床真實病例。在算法模型定型過程中，為了檢驗模型的準確率和泛化性，團隊也利用現實疑似病例進行了測試。
復旦大學
2021-04-10
基于AI 機器學習的影像組學模型研究
2019年12月以來，由SARS-CoV-2病毒感染導致的新型冠狀病毒疾病（COVID-19）在全球開始蔓延。報道顯示，SARS-CoV-2感染患者的中位住院時間為10天，而武漢患者在發病10天后癥狀有可能加重。因此，住院時間是COVID-19臨床預后的重要指標之一。 目前，CT影像學已成為COVID-19肺炎的診斷和監測工具，主要表現為磨玻璃影、實變及混合密度影。然而，現階段的影像學研究主要集中于對病灶的定性和半定量描述，缺乏對病灶的全定量分析。因此，基于前期提出的CT定量監測COVID-19肺炎病程，團隊假設在CT病灶背后的高通量影像特征“隱藏”了患者預后轉歸的“秘密”。 本研究納入了蘭州、安康、麗水、鎮江、臨夏5家新冠肺炎定點醫院，自2020年1月23日到2月8日期間住院患者的臨床資料和首次CT資料，所有患者經RT-PCR證實SARS-CoV-2病毒感染。至2月20日，研究共納入31例治愈出院的患者（排除14例未出院患者和7例首次CT檢查無肺炎表現患者），并將10天作為住院時長的二分類閾值。基于有限的樣本量，團隊將4個中心作為訓練隊列，另外一個中心作為驗證隊列。通過自動分割肺葉和半自動分割病灶，31名患者中累計分割出72個病灶。在對病灶圖像預處理后，提取影像組學特征并篩選。為了研究影像組學特征的穩定性，團隊使用了Logistics回歸模型和隨機森林模型對篩選的特征分別進行建模和驗證。?結果發現，6個篩選出的二階特征在兩種不同分類器中均表現出良好的預測價值。在外部測試隊列中，Logistics回歸模型的AUC為0·97(95%CI 0·83-1·0), 敏感性 1·0, 特異性0·89；隨機森林模型的AUC為0·92 (95%CI 0·67-1·0),敏感性 0·75, 特異性1·0。隨后，研究又納入了2月20日-28日新出院的6名患者，利用已建立的影像組學模型可以正確預測所有6名患者的住院時間。
東南大學
2021-04-10
多模態醫學影像智能協診系統TPAID
中試階段/n該項目主要針對開源CT 醫學影像數據和多中心合作單位提供的多模醫學影像數據，采用人工智能技術和自主研制的深度學習算法對心臟左心室、腫瘤等CT 影像數據進行全自動分割，驗證了所研制算法在該項目計算機輔助腫瘤智能診斷應用中的有效性，為項目產業化實施奠定了方法基礎。成果的先進性或獨特性：針對不同類型的醫學影像感知設備，設計針對性強的機器學習智能算法；國內同類研究中首次采用“雙盲評估+驗證”的科研方法對影像數據進
武漢大學
2021-01-12
三維點云與光學影像融合裝備
考慮三維點云缺少顏色信息和光學影像缺少空間信息的互補特性，三維點云與光學影像多光融合裝備可以提升數據的信息量，基于三維點云和二維圖像融合的可視化結果，能夠增強三維場景真實感，相較于可見光圖像，融合后的三維點云可以實現多角度觀測，能夠更好的表達的空間特征。
相較于原始和偽彩色點云數據，融合后的三維點云有了色彩紋理信息，目標的形態和邊緣都更加明顯，整個三維場景更加的真實，也為后續識別、定位、重建等過程提供更多細節信息；同時克服了單一傳感器的局限性，充分發揮兩者的互補優勢，大幅提升了探測設備的環境適應性，適用于全天時復雜場景的下目標探測，具有很強的實用價值。在無人駕駛領域，譬如智能導航、環境感知、高精度地圖的構建等，都依賴于可見光圖像和點云的融合處理。大家所熟知的百度 Apollo、谷歌 Waymo 自動駕駛系統均應用視覺相機和激光雷達作為主傳感器進行定位和環境感知，目前已經實現 L4 級別的高度自動化駕駛。此外，在醫學影像、高精度工程測量、工業生產、虛擬現實等領域，三維點云和可見光圖像融合技術也有著廣泛應用。
圖1.三維點云與光學影像融合效果
北京理工大學
2022-12-12
醫學影像云診斷思維訓練與考核系統
該系統基于各級醫療系統的影像科研臨床應用基礎及各類院校影像教學大 綱而開發，貼合各級診療機構日常診療習慣和院校教學大綱需求，方便教師對各 類影像圖片的展示和教學，能更好的讓學生全面對各類影像進行閱片、報告書寫 練習，以及熟悉臨床應用及診療流程，有利于訓練學生的影像技能操作能力及就業。
山東新華醫療器械股份有限公司
2022-11-08
三維真彩色噴繪機器人
項目簡介： 本項目設計了三維真彩色噴繪機器人，實現了全真地形模塊加工 和噴墨全過程的整套核心技術，為大幅面三維真彩色噴繪系統產品化 提供了有力支撐。
南開大學
2021-04-11
iMago c21型彩色超聲多普勒診斷儀
四川大學計算機學院醫學影像實驗室與聲泰特（成都）科技有限公司合作，共同從事醫用彩色超聲診斷儀的研發工作，應用數字信號（圖像）處理、模式識別、科學可視化、三維成像、彈性成像、寬景成像等先進計算機科學技術，并結合自適應波束形成、回波合成技術、彩色方向性能量圖、自適應彩色增強技術、自適應濾波、自適應斑點雜訊抑制算法、相位翻轉諧波成像、DSP和FPGA開發平臺，完成設備軟、硬件的設計、實現及優化。目前該儀器已取得美國FDA、歐盟CE的醫療器械認證，是目前市場上具有競爭力的產品。
四川大學
2016-04-21