CTC

28家中国肿瘤液体活检公司上榜!CBInsights首次发布该领域中国企业榜单

给你一囗甜甜゛ 提交于 2020-08-10 18:10:54
     2020 年 6 月 19 日,泛生子完成全球史上最大癌症精准医学 IPO。   2020 年 6 月 12 日,燃石医学登陆纳斯达克,使其早期投资机构联想之星实现近 80 倍账面回报,超过其当期基金规模的 1.5 倍。    在这巨大商业回报的背后,是人类在不断拓展生命长度的漫长进程中,对癌症精准早筛和伴诊积蓄已久的巨量刚需。 而针对 ctDNA、CTC、外泌体、ctRNA 等肿瘤生物标志物的液体活检手段的出现,则为这一蓬勃需求的宣泄带来了合适的出口。   当下虽已有燃石医学、泛生子成功上市珠玉在前,但 CB Insights China 认为 在中国庞大而纵深的癌症早筛与伴诊潜在市场需求面前,液体活检领域的拓荒才刚刚起步,“广阔天地,大有作为”。 目前中国有将近两百家企业活跃在液体活检领域,呈现百舸争流千帆竞般欣欣向荣之景。CB Insights China 从中遴选出了 28 家大小企业,期望藉此探得中国液体活检行业的些许未来气象。   在本次评选当中,CB Insights China 依据 DPTC( D epth、 P opularity、 T endency、 C ollaboration)体系,从四个维度全方位评估企业自身研发和商业化能力、外界资本态度以及未来发展趋势。具体到肿瘤液体活检榜单上来讲,评价维度包含以下六个方面: 技术前沿度、产品数量和质量

28家中国肿瘤液体活检公司上榜!CB Insights首次发布该领域中国企业榜单

我与影子孤独终老i 提交于 2020-08-08 20:25:32
     2020 年 6 月 19 日,泛生子完成全球史上最大癌症精准医学 IPO。   2020 年 6 月 12 日,燃石医学登陆纳斯达克,使其早期投资机构联想之星实现近 80 倍账面回报,超过其当期基金规模的 1.5 倍。    在这巨大商业回报的背后,是人类在不断拓展生命长度的漫长进程中,对癌症精准早筛和伴诊积蓄已久的巨量刚需。 而针对 ctDNA、CTC、外泌体、ctRNA 等肿瘤生物标志物的液体活检手段的出现,则为这一蓬勃需求的宣泄带来了合适的出口。   当下虽已有燃石医学、泛生子成功上市珠玉在前,但 CB Insights China 认为 在中国庞大而纵深的癌症早筛与伴诊潜在市场需求面前,液体活检领域的拓荒才刚刚起步,“广阔天地,大有作为”。 目前中国有将近两百家企业活跃在液体活检领域,呈现百舸争流千帆竞般欣欣向荣之景。CB Insights China 从中遴选出了 28 家大小企业,期望藉此探得中国液体活检行业的些许未来气象。   在本次评选当中,CB Insights China 依据 DPTC( D epth、 P opularity、 T endency、 C ollaboration)体系,从四个维度全方位评估企业自身研发和商业化能力、外界资本态度以及未来发展趋势。具体到肿瘤液体活检榜单上来讲,评价维度包含以下六个方面: 技术前沿度、产品数量和质量

宜信OCR技术探索与实践|直播速记

随声附和 提交于 2020-08-06 21:10:42
宜信OCR技术探索与实践​|直播速记 ​ 宜信OCR技术探索与实践|完整视频回放 ​ ​ ​分享实录 一、OCR概述 1.1 OCR技术演进 传统图像,冈萨雷斯的图像处理。 信号处理、频域分析以及各类算法:SIFT、HOG、HOUGH、Harris、Canny…都很赞。 从2016年以后业界基本上都已经转向深度了,因为效果真的特别好。 1.2 OCR技术商业服务 身份证卡证类相对容易些,但是要做到复杂场景的,也不是那么容易。 发票、业务单据相对复杂,除了识别,更重要的是版面分析。 最近表格识别比较火,各家都在努力实现,微软的开放tablebank数据集 移动端backboneMobileNet,或者是tesseract+opencv 二、我们的业务场景 2.1 业务需求 满足业务是第一需要,不同于大厂,对外服务API,要求大并发那么强,多样性品类完备,我们更强调单品要做到尽量达到业务要求,更强调定制化,可以分布走,业务上可以给反馈不断改进。 2.2 识别过程中需要解决的问题 三、OCR算法详解 3.1 算法概述——分享原则 大家一定要自己弄细节,读代码、甚至自己动手撸,自己训练,调参,排错,才能有真正的体会和理解,只讲我认为每个算法里面不太好理解,重点,以及容易忽略的点,跟同行一起交流,沟通。 一个模型,要全面深入了解,需要: 目标、目的、意义是啥? 网络结构啥样? loss是啥?

postgresql12 主从复制

人走茶凉 提交于 2020-08-04 18:58:59
前言 PostgreSQL 12 的一个重要变化是 recovery.conf 配置文件中的参数合并到 postgresql.conf,recovery.conf 不再使用 ; 参见:https://www.postgresql.org/docs/release/12.0/ Move recovery.conf settings into postgresql.conf (Masao Fujii, Simon Riggs, Abhijit Menon-Sen, Sergei Kornilov) recovery.conf is no longer used, and the server will not start if that file exists. recovery.signal and standby.signal files are now used to switch into non-primary mode. The trigger_file setting has been renamed to promote_trigger_file. The standby_mode setting has been removed. recovery.conf 配置文件此文件中的参数合并到 postgresql.conf recovery.conf 配置文件不再支持,若

【OCR技术系列之八】端到端不定长文本识别CRNN代码实现

五迷三道 提交于 2020-07-29 09:10:34
CRNN是OCR领域非常经典且被广泛使用的识别算法,其理论基础可以参考我 上一篇文章 ,本文将着重讲解CRNN代码实现过程以及识别效果。 数据处理 利用图像处理技术我们手工大批量生成文字图像,一共360万张图像样本,效果如下: 我们划分了训练集和测试集(10:1),并单独存储为两个文本文件: 文本文件里的标签格式如下: 我们获取到的是最原始的数据集,在图像深度学习训练中我们一般都会把原始数据集转化为lmdb格式以方便后续的网络训练。因此我们也需要对该数据集进行lmdb格式转化。下面代码就是用于lmdb格式转化,思路比较简单,就是首先读入图像和对应的文本标签,先使用字典将该组合存储起来(cache),再利用lmdb包的put函数把字典(cache)存储的k,v写成lmdb格式存储好(cache当有了1000个元素就put一次)。 import lmdb import cv2 import numpy as np import os def checkImageIsValid(imageBin): if imageBin is None: return False try: imageBuf = np.fromstring(imageBin, dtype=np.uint8) img = cv2.imdecode(imageBuf, cv2.IMREAD_GRAYSCALE) imgH,

【OCR技术系列之八】端到端不定长文本识别CRNN代码实现

拈花ヽ惹草 提交于 2020-07-28 11:12:34
CRNN是OCR领域非常经典且被广泛使用的识别算法,其理论基础可以参考我 上一篇文章 ,本文将着重讲解CRNN代码实现过程以及识别效果。 数据处理 利用图像处理技术我们手工大批量生成文字图像,一共360万张图像样本,效果如下: 我们划分了训练集和测试集(10:1),并单独存储为两个文本文件: 文本文件里的标签格式如下: 我们获取到的是最原始的数据集,在图像深度学习训练中我们一般都会把原始数据集转化为lmdb格式以方便后续的网络训练。因此我们也需要对该数据集进行lmdb格式转化。下面代码就是用于lmdb格式转化,思路比较简单,就是首先读入图像和对应的文本标签,先使用字典将该组合存储起来(cache),再利用lmdb包的put函数把字典(cache)存储的k,v写成lmdb格式存储好(cache当有了1000个元素就put一次)。 import lmdb import cv2 import numpy as np import os def checkImageIsValid(imageBin): if imageBin is None: return False try: imageBuf = np.fromstring(imageBin, dtype=np.uint8) img = cv2.imdecode(imageBuf, cv2.IMREAD_GRAYSCALE) imgH,

How to avoid defining target tensors in Tensorflow 2 for CTC loss model?

别等时光非礼了梦想. 提交于 2020-05-16 22:05:13
问题 I am trying to use tf.distribute.MirroredStrategy() for multi GPU training in Tensorflow 2, on a model with CTC loss. Problem is that model needs defining target_tensors in order to compile. What can be the cause of that? Is there some workaround and compile model without defining target_tensors? If I do not pass the targets I get the following: TypeError: Value passed to parameter 'indices' has DataType float32 not in list of allowed values: uint8, int32, int64 The model is defined using

How to avoid defining target tensors in Tensorflow 2 for CTC loss model?

时光怂恿深爱的人放手 提交于 2020-05-16 22:04:56
问题 I am trying to use tf.distribute.MirroredStrategy() for multi GPU training in Tensorflow 2, on a model with CTC loss. Problem is that model needs defining target_tensors in order to compile. What can be the cause of that? Is there some workaround and compile model without defining target_tensors? If I do not pass the targets I get the following: TypeError: Value passed to parameter 'indices' has DataType float32 not in list of allowed values: uint8, int32, int64 The model is defined using

CODING 敏捷实战系列课第二讲:Scrum 敏捷项目管理核心要素之 3355

大城市里の小女人 提交于 2020-05-08 15:22:36
Scrum 是敏捷开发流派中最著名和最落地的一支,全球 70% 以上公司的敏捷转型都是以 Scrum 起步。CODING 特邀敏捷顾问、CST & CTC 认证敏捷教练 申健 老师将在本课程 《Scrum 敏捷项目管理核心要素之 3355》 中介绍 Scrum 框架的核心要素,帮助大家更好地学习实践 Scrum。 大家好,本次我将为大家详细讲解敏捷的一个流派,叫做 Scrum 敏捷项目管理核心 ,它起源于 2001 年,当时有 17 位大牛共同讨论了他们的想法和各种软件开发方法,经过交流,他们最后达成了价值观和原则上的共识,共同发布了敏捷软件开发宣言。 而迭代的概念则可以追溯到 1970 年左右,Scrum 也是用迭代式去进行发展,与之相应对的就是瀑布式,所有工作像流水线一样有计划且按部就班的去进行。例如:在软件开发中,先是需求分析、设计,然后进入开发编码、测试,到最后上线,整个过程有前后顺序,不过现实中总会在某个地方出现问题从而造成返工。 有两个日本学者在 1986 年研究了丰田、本田、佳能等高科技公司怎样在一个不确定的情况下去研发一个新产品,他们发现这些公司不再去区分职能部门,而是具有跨职能团队的特点。就像打英式橄榄球,每个人都有各自的专长,但是目标是统一的:要进球赢球。 所以他们在管理智力型研发项目时,没有再用瀑布流式来管理,而是用一种不断迭代的方式。项目的迭代时间不超过四周

OCR场景文本识别:文字检测+文字识别

ε祈祈猫儿з 提交于 2020-05-06 02:38:32
一. 应用背景 OCR(Optical Character Recognition)文字识别技术的应用领域主要包括:证件识别、车牌识别、智慧医疗、pdf文档转换为Word、拍照识别、截图识别、网络图片识别、无人驾驶、无纸化办公、稿件编辑校对、物流分拣、舆情监控、文档检索、字幕识别文献资料检索等。OCR文字识别主要可以分为:印刷体文字识别和手写体文字识别。文字识别方法的一般流程为:识别出文字区域、对文字区域矩形分割成不同的字符、字符分类、识别出文字、后处理识别矫正。 二. 文字检测 文字检测是文字识别过程中的一个非常重要的环节,文字检测的主要目标是将图片中的文字区域位置检测出来,以便于进行后面的文字识别,只有找到了文本所在区域,才能对其内容进行识别。 1.【CTPN】 CTPN,全称是“Detecting Text in Natural Image with Connectionist Text Proposal Network”,将文本行在水平方向解耦成slices进行检测,再将slices区域合并成文本框。CTPN结构与Faster R-CNN类似,但加入了RNN(LSTM层)用于序列的特征识别来提高检测精度,目前CTPN针对水平长行文本的检测是工业级的,算法鲁棒。 算法流程: Feature Map:N(images) - C(channels) - H(height) - W