以当今主流放疗和影像设备为仿真对象，以 3D 场景仿真医院放疗和影像科室的工作实景及流程，将放疗和医学影像专业与信息化技术有机融合，将教学能动性发挥到最大。系统包括学习模式和考核模式，操作者可以通过鼠标的点击操作，在三维模拟的医院检查环境下进行360°漫游，在整体上对相关检查设备有所认识，每种设备检查技术涵盖实训步骤不少于30步，包含设备开机检查、开机、准备、登记、患者准备、去除异物、摆位、调整设备位置、设置参数、后处理、打印等全过程仿真操作及各仿真过程中知识点学习及考核，软件为B/S架构，不限节点。

技术分析(创新性、先进性、独占性) 为了充分利用先进的人工智能的新技术，提高医疗影像辅助诊断的水平，使得智能医疗诊断技术提高临床诊断的质量和效率，使其尽快走入家挺、社区，满足人们的医疗健康的需要。研究临床医学影像的2D病灶精细分割和三维跨模态的影像三维重建技术。首先，通过建立多层感知的神经网路，对医学影像的特征进行充分学习，得到影像的几何映射的关系，从而实现对医学影像的三维重建，克服了现有的三维重建技术中度量关键问题，关键技术对于医学影像的精准度量，具有现实意义:其次，在2D病灶分割中，利用半监督学习技术，实现少标签情况下的分割技术，半监督学习技术可以有效解决医学影像中标签难以获取的问题。技术的研究成果的特点是医学影像跨模态辅助诊断技术，对于超声、CT以及核磁共振等影像都有效，并且攻克的神经网络过于复杂的关键问题，所研究技术适用于临床快速便捷辅助诊断。此外，在医学度量方面的关键技术中，突破了人体腹腔及皮下脂肪的精细分割技术的关键技术，可以用于临床辅助诊断中，在关键技术探索中，实现对腔内脂肪特征的精细学习，该技术仅需要少量的影像标准数据，就可以实现皮下脂肪的准确分割，并证明了关键技术的有效性。

多模态医学影像信息处理与分析，具有重大的应用背景，是国家和社会当 前高度重视的研究领域之一。 本项目拟基于机器学习方法，主要研究医学影像的特征描述、设备无关性 的特征评价与特征选择、基于内容的多模态医学影像检索、医学影像信息挖掘、 参考库建设与算法辅助研究平台的设计与开发等内容。研究目标为： （1）建立统一的特征描述模型，实现跨模态医学影像的统一特征描述； （2）提出有效解决特征提取层面上医学影像信息处理与分析算法的设备无 关性问题的通用框架； （3）在医学影像标注数据有限、数据库为海量等条件下，实现高效率单模 50 态影像检索，有效提高多模态、跨模态医学影像检索的精度，实现用户友好的 检索结果展示； （4）从结构复杂的多模态医学影像数据中，挖掘有用的知识，构建有效的 辅助诊断模型、实现个人疾病风险预警； （5）完成首期参考库建设与算法辅助研发平台的开发，为项目研究内容的 开展提供有效数据和环境支撑。本项目获得国家自然科学基金重点项目资助，项目执行期 2013.1-2017.12。

XM-YX开放式医学影像多媒体辅助教学系统   功能特点： ■ XM-YX开放式医学影像多媒体辅助教学系统为医学院校学生提供了一种能够自主学习、加强感官认识、强化护理学相关知识、易于操作的全方面的学习条件，丰富医学院校护理教学内容，弥补书面教学过于抽象的不足，方便学生自主学习。 ■ 系统具有开放性、交互性，能够让学生课后随时地进行自主学习，可对学员24小时开放使用，系统操作简单、界面漂亮，具有动态效果，能够从视觉上、听觉上吸引学生注意力，避免了枯燥无味的介绍，弥补课堂不足。 ■ 内容丰富，素材量大，容量超过12G，以视频、动画、图片为主，各种图像10000幅以上，模拟试题50套。 ■ 内容包括： · 临床医学生理病理三维影像。 · 呼吸系统、消化系统、泌尿系统、神经系统、内分泌系统、骨关节系统等人体各系统脏器的影像学诊断。 · 系统讲解X片、CT、 MRI、超声检查及内窥镜检查成像原理及相关基本理论 基本病变。 · 各系统疾病的影像学诊断，分类介绍各种检查特点、分析方法、诊断方法及相关解剖。 ■ 配置：19寸触摸一体机，双核处理器，内存2G，硬盘500G。

产品详细介绍数字高清网络视频解码器（万能解码器）产品介绍MS33高清数字网络视频解码器是煕昂电子凭借在流媒体应用领域丰富的专业技术，推出的基于Linux操作系统开发的高清网络视频解码器。产品集成1路高清解码，支持二路高清BNC（HD-SDI接口），接口可依据需要改装成HDMI接口。MS33支持高清1080p高清网络视频的解码输出；支持ONVIF网络接口协议、多种码流的传输方式，为远程网络摄像头信号大型电视墙解码服务提供强有力的支持。产品优势SD/HD-SDI接口支持，支持AES/EBU 内嵌音频支持模拟音频（Line-in）输入和模拟音频输出（Line-out）支持1080p24/25/30、1080i60/50、720p60/50、480i/p、576i/p等多种输出格式兼容H.264 base line/main profile/high profile；支持H.264分片压缩的解码特有优化的缓冲技术和解码技术，可控制缓冲+解码的延时低于100毫秒，达到业界领先水平图像增强与容错技术，抗误码能力强，具有优秀的画质表现和音质表现支持双向语音对讲，RS-485信令透传和报警量透传符合标准的RTP/RTSP媒体传输协议，可与市面上大多数编码器产品、IP Camera 产品、DVR产品及流媒体服务器产品兼容对接基于WEB的操作界面安装使用简单、维护方便可扩展的WIFI无线传输模块产品参数视频输出：2路BNC（HD-SDI接口），可以把其中一路改为HDMI接口模拟音频输入：1*工业接线端子，非平衡连接模拟音频输出：1*工业接线端子，非平衡连接报警信号量：1*工业接线端子RS-485：1*工业接线端子网络：1*RJ-45，以太网连接SDI信号幅度：0.8Vp-pSDI阻抗：75欧SDI耦合类型：AC输出信号类型：SD-SDI(270Mbps)、HD-SDI(1.485Gbps)支持格式：1080p24/25/30、1080i60/50、720p60/50、480i/p、576i/p视频压缩标准：H.264 base line/main profile/high profile；Slice encoding（分片压缩）技术兼容音频压缩标准：AAC-LC；G.711解码延时：≤100ms支持视频码率范围：512Kbps ~ 40Mbps自适应支持音频码率范围：8Kbps-128Kbps媒体传输协议：RTP/RTSP，兼容RTP over TCP传输模式信令透传协议：TCP网络管理协议：HTTP管理界面：Web远程管理：支持远程固件升级：支持运行温度：0℃ ~ 80℃相对湿度：20 ~90%RH（无凝结）电源：DC 12V, 2A（外置）整机功耗：6W

面向全球脑科学研究的尖端挑战和我国老龄化带来对退行疾病临床的巨大需求，构建基于人工智能、大数据挖掘等技术的脑影像组学模型，编码与疾病对应的指纹信息，开发Brain Label (SAAS)云，精度比肩国际领先的FSL（牛津大学）和FreeSurfer（哈佛大学）。该平台已在国内神经科排名前十的三甲医院（宣武、天坛等）使用，成为宣武国家临床研究中心的唯一影像大数据技术，为其500余家联盟医院（含深圳市）提供智能化分析服务，也

本项目通过研发神经疾病异常脑状态智能检测方法，并建立基于医联体的脑电分布式智能处理平台，提供适应临床需求的癫痫脑电智能处理和远程协作诊疗方案，提高临床癫痫诊疗效率，并助力于癫分级诊疗体系建设。

简介： 1、胰腺肿瘤CT图像诊断算法。针对胰腺肿瘤分类问题，从医学CT图像出发，搭建深度学习模型。对于肿瘤分类，我们将问题建模成两部：胰腺定位查找和胰腺肿瘤分类。我们建立级联分割网络，从病人腹部的CT图像中将胰腺器官分割出来。级联分割网络比之前的层级分割网络结果提升10各点。之后建立多模态分类网络，针对CT图像的特性，将多切片多造影剂时期多区域的数据进行融合，在胰腺肿物分类中取得了较好的结果。 层级分割模型示意图  分类模型可视化热图   2、现有的乳腺癌腋窝淋巴转移的医疗诊断措施为病理活检，是一种过度医疗。基于乳腺钼靶图像的术前无创的乳腺癌腋窝淋巴转移预测手段能够有效避免过度医疗。我们构造了基于乳腺钼靶图像的深度卷积神经网络模型来处理乳腺癌腋窝淋巴转移问题。我们对乳腺钼靶数据进行了预处理和数据集的整理、划分。我们构造了三个不同的深度卷积神经网络，患病侧单体位网络、患病侧双体位网络和双侧双体位四视图网络。其中，患病侧单体位网络分为 CC 位网络和 MLO 位网络。在乳腺钼靶数据的测试集上，患病侧 CC 位网络、患病侧 MLO 位网络、患病侧双体位网络、双侧双体位四视图网络的结果依次递增。这表明了同时使用同一患者的四张钼靶图像的双侧双体位四视图网络具有更好的预测效果，更适合乳腺癌腋窝淋巴转移预测任务。对于双侧双体位四视图网络，我们不仅使用了双侧测试集 1，还使用了额外的双侧测试集 2 进行测试。 钼靶乳腺图像预处理   双侧双体位深度学习网络   优势：从客观的医学图像数据出发，结果可重复，而且高效快捷，提高识别准确率的同时，便于临床推广。  

1、胰腺肿瘤CT图像诊断算法。针对胰腺肿瘤分类问题，从医学CT图像出发，搭建深度学习模型。对于肿瘤分类，我们将问题建模成两部：胰腺定位查找和胰腺肿瘤分类。我们建立级联分割网络，从病人腹部的CT图像中将胰腺器官分割出来。级联分割网络比之前的层级分割网络结果提升10各点。之后建立多模态分类网络，针对CT图像的特性，将多切片多造影剂时期多区域的数据进行融合，在胰腺肿物分类中取得了较好的结果。层级分割模型示意图 分类模型可视化热图 2、现有的乳腺癌腋窝淋巴转移的医疗诊断措施为病理活检，是一种过度医疗。基于乳腺钼靶图像的术前无创的乳腺癌腋窝淋巴转移预测手段能够有效避免过度医疗。我们构造了基于乳腺钼靶图像的深度卷积神经网络模型来处理乳腺癌腋窝淋巴转移问题。我们对乳腺钼靶数据进行了预处理和数据集的整理、划分。我们构造了三个不同的深度卷积神经网络，患病侧单体位网络、患病侧双体位网络和双侧双体位四视图网络。其中，患病侧单体位网络分为 CC 位网络和 MLO 位网络。在乳腺钼靶数据的测试集上，患病侧 CC 位网络、患病侧 MLO 位网络、患病侧双体位网络、双侧双体位四视图网络的结果依次递增。这表明了同时使用同一患者的四张钼靶图像的双侧双体位四视图网络具有更好的预测效果，更适合乳腺癌腋窝淋巴转移预测任务。对于双侧双体位四视图网络，我们不仅使用了双侧测试集 1，还使用了额外的双侧测试集 2 进行测试。钼靶乳腺图像预处理 双侧双体位深度学习网络 优势：从客观的医学图像数据出发，结果可重复，而且高效快捷，提高识别准确率的同时，便于临床推广。

本成果在不引起图像质量变化的情况下加载记录信息和提取加载信息，可以用于数字产品的的知识产权保护，涉密产品的授权使用。技术创新点：不破坏数字图像的前提下实现信息的隐藏和提取。