深圳市长丰影像器材有限公司成立于2011年，总部设立在广东深圳，是一家集产品研发、生产、销售于一体的高新技术企业，多年来一直致力于影像器材以及声音技术的开发制造。 长丰公司长期服务于摄影摄像和广播电视行业，为主流媒体、传媒工作室以及广大的摄影摄像爱好者提供从影像稳定系统到声音输入输出系统的整体解决方案。公司目前拥有三个自主品牌：Saramonic枫笛、BOYA博雅、SEVENOAK七棵橡树，自主研发和生产的产品销往全球100多个国家和地区。 经过近10年的发展，目前长丰拥有占地万余平米的生产基地和产品研发中心，配备了国内外最先进的研发测试设备和专业声音实验室，建立了专业的研发团队和完善的质量管理体系。2013年，长丰公司通过ISO9001质量管理体系认证，出口销售的产品均获得相应的质量认证如CE、ROHS、FCC、NCC、KCC、TELEC、EN300等。经过多年创新和沉淀，公司拥有百余项国内外各类发明和创新专利，2018年，公司荣获“国家高新技术企业”认证，并得到深圳市政府和科创委的大力扶持。

南京农业大学农学院农业时空大数据门户软件、数据管理中心软件及遥感影像处理智能处理系统采购项目招标项目的潜在投标人应在江苏省南京市雨花台区软件大道109号雨花客厅2幢1307室获取招标文件，并于2022年07月06日14点00分（北京时间）前递交投标文件。

“现阶段医生需要在大量影像数据中快速诊断出新冠肺炎的病例，此外还需要诊断出病灶分布的位置、大小等来评估严重程度。”薛向阳介绍，针对临床的现实需求，团队将设计目标定位于“肺炎分类鉴别”和“关键病灶检测”两大功能，前者是为区别健康状态、新冠肺炎、其他病毒性肺炎、细菌性肺炎，后者则为找到并分隔出磨玻璃影等病灶区域。针对这些需求，团队设计诊断算法模型，让机器利用模型进行训练，学习不同类型肺炎在CT影像表现上的不同特征，最终具备智能辅助诊断的能力。而这需要突破小样本学习、小目标检测等多个技术难题。“小样本学习”即在较少训练数据样本的条件下进行机器学习。在疫情发生前期，能够获取的新冠肺炎影像数据相对较少，且由于一线影像医生任务繁重，无法获得大量专家标注，因此需要算法在少量样本的条件下“自学成才”。为此，团队采用基于自迁移学习的半监督学习等技巧，使算法具备一定的“小样本学习”能力，在不增加医生标注工作量的情况下较好地提高了算法模型的普适性。由于CT影像切片中的病灶区域有大有小，且往往大中小病灶区域面积悬殊，如何使算法能同时检测大、中、小各个目标是另一大难题。团队利用神经网络的层次性特点与病灶区域的大小进行对应，“网络的底层关注细节，即小病灶区域，而网络中层到高层所关注的病灶区域则越来越大，因此模型通过不同层次的加权和融合，最终便能达到同时检测大小病灶区域的目标。”薛向阳解释道。“不过，即便有诊断‘神器’，影像科医生也是不可替代的。”薛向阳说，人是复杂的机体，病毒在不同人体内感染的反映也不一定相同。”他表示，当遇到机器未曾学习过的微小病变或疑难病例时，仍需要影像医生的经验和智慧。以解决实际问题为目标，该项目在研究过程中始终与临床应用紧密结合。无论是机器学习数据，还是测试评估数据，都来源于临床真实病例。在算法模型定型过程中，为了检验模型的准确率和泛化性，团队也利用现实疑似病例进行了测试。

2019年12月以来，由SARS-CoV-2病毒感染导致的新型冠状病毒疾病（COVID-19）在全球开始蔓延。报道显示，SARS-CoV-2感染患者的中位住院时间为10天，而武汉患者在发病10天后症状有可能加重。因此，住院时间是COVID-19临床预后的重要指标之一。 目前，CT影像学已成为COVID-19肺炎的诊断和监测工具，主要表现为磨玻璃影、实变及混合密度影。然而，现阶段的影像学研究主要集中于对病灶的定性和半定量描述，缺乏对病灶的全定量分析。因此，基于前期提出的CT定量监测COVID-19肺炎病程，团队假设在CT病灶背后的高通量影像特征“隐藏”了患者预后转归的“秘密”。 本研究纳入了兰州、安康、丽水、镇江、临夏5家新冠肺炎定点医院，自2020年1月23日到2月8日期间住院患者的临床资料和首次CT资料，所有患者经RT-PCR证实SARS-CoV-2病毒感染。至2月20日，研究共纳入31例治愈出院的患者（排除14例未出院患者和7例首次CT检查无肺炎表现患者），并将10天作为住院时长的二分类阈值。基于有限的样本量，团队将4个中心作为训练队列，另外一个中心作为验证队列。通过自动分割肺叶和半自动分割病灶，31名患者中累计分割出72个病灶。在对病灶图像预处理后，提取影像组学特征并筛选。为了研究影像组学特征的稳定性，团队使用了Logistics回归模型和随机森林模型对筛选的特征分别进行建模和验证。​结果发现，6个筛选出的二阶特征在两种不同分类器中均表现出良好的预测价值。在外部测试队列中，Logistics回归模型的AUC为0·97(95%CI 0·83-1·0), 敏感性 1·0, 特异性0·89；随机森林模型的AUC为0·92 (95%CI 0·67-1·0),敏感性 0·75, 特异性1·0。随后，研究又纳入了2月20日-28日新出院的6名患者，利用已建立的影像组学模型可以正确预测所有6名患者的住院时间。 

中试阶段/n该项目主要针对开源CT 医学影像数据和多中心合作单位提供的多模医学影像数据，采用人工智能技术和自主研制的深度学习算法对心脏左心室、肿瘤等CT 影像数据进行全自动分割，验证了所研制算法在该项目计算机辅助肿瘤智能诊断应用中的有效性，为项目产业化实施奠定了方法基础。成果的先进性或独特性：针对不同类型的医学影像感知设备，设计针对性强的机器学习智能算法；国内同类研究中首次采用“双盲评估+验证”的科研方法对影像数据进

考虑三维点云缺少颜色信息和光学影像缺少空间信息的互补特性，三维点云与光学影像多光融合装备可以提升数据的信息量，基于三维点云和二维图像融合的可视化结果，能够增强三维场景真实感，相较于可见光图像，融合后的三维点云可以实现多角度观测，能够更好的表达的空间特征。 相较于原始和伪彩色点云数据，融合后的三维点云有了色彩纹理信息，目标的形态和边缘都更加明显，整个三维场景更加的真实，也为后续识别、定位、重建等过程提供更多细节信息；同时克服了单一传感器的局限性，充分发挥两者的互补优势，大幅提升了探测设备的环境适应性，适用于全天时复杂场景的下目标探测，具有很强的实用价值。在无人驾驶领域，譬如智能导航、环境感知、高精度地图的构建等，都依赖于可见光图像和点云的融合处理。大家所熟知的百度 Apollo、谷歌 Waymo 自动驾驶系统均应用视觉相机和激光雷达作为主传感器进行定位和环境感知，目前已经实现 L4 级别的高度自动化驾驶。此外，在医学影像、高精度工程测量、工业生产、虚拟现实等领域，三维点云和可见光图像融合技术也有着广泛应用。 图1.三维点云与光学影像融合效果

该系统基于各级医疗系统的影像科研临床应用基础及各类院校影像教学大 纲而开发，贴合各级诊疗机构日常诊疗习惯和院校教学大纲需求，方便教师对各 类影像图片的展示和教学，能更好的让学生全面对各类影像进行阅片、报告书写 练习，以及熟悉临床应用及诊疗流程，有利于训练学生的影像技能操作能力及就业。

本发明公开了一种无需 POS 辅助的低空遥感影像快速自动拼接方法，包括步骤:步骤 1，低空遥感 影像测区的全自动恢复;步骤 2，根据精匹配种子点对预处理后的影像进行精匹配获得精匹配结果;步 骤 3，对精匹配结果进行自由网平差迭代获得平差结果;步骤 4，根据差结果内插生成影像的数字地面 模型，根据平差结果获取影像在自由网坐标系下的相对外方位元素，基于数字地面模型和相对外方位元 素对各影像进行正射纠正，同时生成测区的正射影像拼接图。本发明无需 POS 数据辅助，可实现全自 动、快速生产正射影像拼图，能满足遥感影像准实时处理要求，适用于灾害应急响应、军事保障等领域。

 PACS（Picture Archiving and Communication Systems）是医学影像计算机存档与传输系统的简称，是近年来随着数字成像技术、计算机技术和网络技术的进步而迅速发展起来的、旨在全面解决医学影像的获取、显示、存贮、传送和管理的综合系统。本设计方案完全遵循DICOM3.0国际标准（Digital Imaging and Communications in Medicine），符合医院的工作流程习惯，并可根据医院的实际需求提供整套的PACS解决方案，以满足医院实用、具有良好的扩展性和柔软性。 以读片诊断中心（PACS Station）为中心可组建PACS系统的各个模块，如下图所示。具体的PACS项目可根据医院的规模和投资的大小构成，组建不同级别的PACS系统。   1、放射与核医学影像中心 该模块将医院的CT、MR、DSA、CR、DR、RF等数字影像设备获得的标准DICOM影像传输到PACS系统，进行存储、管理，并通过读片中心显示和诊断。它遵循DICOM3.0国际标准，可以将所有满足该标准的数字影像设备轻松地接入PACS系统，具有无限的可扩展性。 2、视频设备 该模块将超声、内窥镜、病理等视频设备获得的非DICOM影像通过DICOM网关转换成DICOM影像，接入PACS系统。 3、登记与管理 该模块完成病人及其检查项目的登记、预约、病历管理、科室管理和系统维护等功能。包括放射科登记、核医学登记、超声登记、内窥镜登记、病理登记、急诊登记等。 4、DICOM照相输出 该模块将PACS系统中病人的DICOM影像和诊断结果进行编辑，通过激光相机打印，输出胶片。还可以将病人的胶片通过高精度扫描仪转换成DICOM数字影像，输入到PACS系统中。 5、诊断读片报告中心 该模块是PACS系统的核心部分，可以完成调阅病历和查询病人检查状态、阅读各种检查的影像资料、编辑诊断结论和审核等功能。诊断读片工作站具有强大的影像处理功能，可以对图像进行多模式调入、锁定、调节窗位窗宽、放大/缩小、移动、旋转、图像测量、标注、动态播放、伪彩、滤波、均衡、反相、拷贝、导出等操作，支持双屏浏览，内含放射影像描述专家系统，帮助医生快速生成诊断报告。 6、PACS影像存储中心 该模块由PACS服务器和RAID磁盘阵列构成，实现PACS影像的海量存储和自动备份管理。RAID磁盘阵列实现TB级的在线影像存储，可管理医院3－5年的影像资料。可外接CD－R、DVD－RW或磁带机，实现历史影像资料的离线存储。所有在线和离线影像均由数据库统一管理。     7、WEB发布与远程诊断 该模块通过WEB服务器实现B/S方式的影像资料的共享，医生工作台只需IE网络浏览器而不需要安装其他软件，即可浏览影像资料和诊断结论，方便临床和门诊医生。 8、HIS互连 该模块可根据医院现有HIS系统结构，实现PACS系统和HIS系统的互连。 本次开发包括上述的1至6模块，7和8模块作为本系统未来的可扩充功能。 读片诊断工作站（PACS Station）是PACS系统中的核心模块，其他的模块都是为它服务的。它接受和管理所有数字影像设备送来的DICOM影像，从数据库中获取病人的信息，在高精度影像显示器上显示检查的图片资料，对病灶部位的重要影像进行一系列操作，并帮助医生做出最后的诊断。系统结构如图所示。 “管理工作站”负责将病人的基本信息、检查申请和医嘱输入PACS数据库。病人在CT（或者MR、DSA、RF、CR、DR等）做完检查后，检查的影像资料通过DICOM网关PACS Station的DICOM服务器。DICOM服务器将资料存入工作站的影像文件库的同时，通知数据库影像的位置和修改工作流（Workflow）的状态。最后，医生通过读片诊断工作站（PACS Station）主程序，从数据库读取病人信息，从影像文件库读取检查影像并显示，使用该工作站提供的工具对影像资料进行调入、调窗、放大、缩小、移动、旋转、测量（长度/角度/面积）、标注等一系列的操作，键入诊断结论并输出。 适合于中小型医院、县级医院、医学院和大学的附属医院等。 主要技术指标：  PACS Station的主要技术指标如下： 1、PACS Station支持的医学影像的分辨率和灰阶值 医学影像模式 分辨率 灰阶值 X射线 2048x2048 12 CT 512x512 12-16 DA或DF 512x512 8-12 1024x0124 2048x2048 MRI 256x256 12 NMI 64x64 8-16 128x128 256x256 US 64x64 16-32 128x128 2、影像分割模式：有1x1，1x2，2x2，2x3等四种模式（用户可自定义）。 3、调窗：支持鼠标快速调窗；精细调窗；窗宽调节等。 4、影像大小调节：支持 l  无级缩放：缩放倍数无限可调； l  放大镜：在鼠标所在处出现一个方框，方框可自由移动，框内图像被放大一倍； l  图像满幅显示：恢复到图像被载入时的初始状态； l  原始大小显示：被选中的图像以实际物理大小显示。 5、图像移动与翻转：支持 l  图像移动：用鼠标按住图像，直接拖动； l  图像翻转：可水平镜像和垂直镜像翻转； l  图像旋转：可按顺时针或逆时针方向0－360度任意旋转。 6、图像测量：支持以下方式 l  点测量：显示鼠标所在点的CT值（或灰度值）以及坐标； l  长度测量：显示鼠标给定的两点间的长度； l  面积测量：可按矩形、椭圆形和任意多边形显示和测量面积，并显示测量区域CT值的最大、最小、均值等统计参数。 7、图像标注：可用一条标注斜线和矩形方框指向一图像区域，在方框中可输入标注文字。 8、图像动态播放：可按键：“播放”、“暂停”、“首帧”、“前一帧”、“后一帧”等连续显示一个序列的图像。 9、图像处理：支持 l  图像伪彩：对原始黑白灰度的图像，按一定的映射关系转成彩色，增强显示效 果； l  图像增强：通过对比度的线性展宽，提升高灰阶值像素的灰度，抑制低灰阶值 像素的灰度，达到增加对比度的效果； l  中指滤波：显示中指滤波后的图像； l  直方图均衡：显示直方图均衡后的图像，增强原图像中较暗的部分，增强细节； l  反相：显示负片效果的图像。 与国内外技术水平及价格比较： 成果鉴定认为，该PACS系统的各项技术指标已经达到了国际同类产品的先进水平。而系统造价只有进口产品的五分之一到十分之一。 市场应用前景： 根据市场权威部门统计，我国县级以上医院每年用于PACS系统的投资都在50亿人民币以上，并且平均每年以20％的速度递增。市场前景非常客观。