-
公开(公告)号：CN106446923B
公开(公告)日：2019-08-06
申请号：CN201610352489.8
申请日：2016-05-25
Applicant: 哈尔滨工程大学
IPC: G06K9/62
Abstract: 本发明属于医疗健康数据挖掘领域，具体涉及一种基于角点匹配的医学图像分类方法。本发明包括：待分类的医学图像I提出分类请求；提取I的角点序列C；初始匹配角点对序列集DS的计算；初始匹配角点对序列集DS的计算；最大匹配角点对序列集DM的计算；公共K近邻匹配角点对序列集DT的计算；计算和I最相似的t幅医学图像；根据投票机制输出I的类标签。本发明提出了一对一的最大匹配角点对序列的定义，给出了将一对多的匹配角点对序列中求解一对一的最大匹配角点对序列问题转化为求二分图最大匹配的问题并利用匈牙利算法进行求解，并提出了基于匹配角点对的医学图像相似度计算公式，此公式既考虑了匹配角点对序列，也考虑了未匹配上的角点，提高了角点匹配的准确度，从而提高了分类结果的准确度。
-
公开(公告)号：CN109145944A
公开(公告)日：2019-01-04
申请号：CN201810758508.6
申请日：2018-07-11
Applicant: 哈尔滨工程大学
CPC classification number: G06K9/6256 , G06K9/3233 , G06K9/6267 , G06N3/0454
Abstract: 本发明公开了一种基于纵向三维图像深度学习特征的分类方法，属于图像分析领域。本发明包括两个阶段：训练阶段：包括对研究对象的三维图像的预处理、获取切片图像特征提取器、根据词袋模型计算扫描图像特征向量、以及设计并训练循环神经网络分类器；测试阶段：包括待分类的研究对象P提出分类请求、对P的三维图像进行预处理、提取切片图像特征、计算扫描图像特征、以及输出分类结果。本发明利用深度卷积神经网路直接从切片图像进行特征的自动提取，无需任何人工设计的图像特征和图像的3D配准、特征区域检测等复杂的预处理步骤，且本发明针对纵向三维图像进行研究，利用循环神经网络从纵向三维图像特征向量中学习图像的变化特征，分类更准确。
-
公开(公告)号：CN105184074B
公开(公告)日：2018-10-26
申请号：CN201510551820.4
申请日：2015-09-01
Applicant: 哈尔滨工程大学
IPC: G16H30/20
Abstract: 本发明属于医疗信息技术领域，具体涉及一种基于多模态医学影像数据模型的医学数据提取和并行加载方法。本发明包括：数据准备；数据建模；数据提取；数据加载；数据使用。本发明提出的多模态数据模型是对医学影像数据的一个统一模型。提出的基于多模态数据模型的DICOM提取和并行加载技术实现了医学影像数据的统一建模和存储。这种统一建模的数据提取和加载技术对原始数据的利用率很高，不同类型数据之间的关系也被精确完整地表达，从而扩展了基于医学影像数据的数据挖掘的挖掘范围和深度。采用统一模型对所有模态的数据建模，使数据的后期使用和更新具有更好的通用性和一致性。
-
公开(公告)号：CN104933712B
公开(公告)日：2017-12-01
申请号：CN201510324245.4
申请日：2015-06-12
Applicant: 哈尔滨工程大学
IPC: G06T7/11
Abstract: 本发明属于医疗信息技术领域，具体涉及一种基于脑部CT图像的图模型展示方法。本发明包括：待建模图像提出建模请求：待建模图像为原始脑部CT图像；图像预处理；ROIs的分割和标记；确定ROI所处区域；确定ROI的区域优先级；顶点的建立以及顶点上特征向量的定义；边的建立规则以及边上特征向量的定义；展示结果。本发明提出一种基于脑部CT图像的TRVL图模型展示方法，此模型是依据侧脑室之间的空间关系以及病变区域对侧脑室的影响建立的拓扑关系图，它不仅准确地表示大脑颅内侧脑室之间的关系，同时也展现了病变区域对侧脑室的影响等病理信息，很好地将图像信息转变为计算机视觉信息。
-
公开(公告)号：CN106446923A
公开(公告)日：2017-02-22
申请号：CN201610352489.8
申请日：2016-05-25
Applicant: 哈尔滨工程大学
IPC: G06K9/62
CPC classification number: G06K9/6268
Abstract: 本发明属于医疗健康数据挖掘领域，具体涉及一种基于角点匹配的医学图像分类方法。本发明包括：待分类的医学图像I提出分类请求；提取I的角点序列C；初始匹配角点对序列集DS的计算；初始匹配角点对序列集DS的计算；最大匹配角点对序列集DM的计算；公共K近邻匹配角点对序列集DT的计算；计算和I最相似的t幅医学图像；根据投票机制输出I的类标签。本发明提出了一对一的最大匹配角点对序列的定义，给出了将一对多的匹配角点对序列中求解一对一的最大匹配角点对序列问题转化为求二分图最大匹配的问题并利用匈牙利算法进行求解，并提出了基于匹配角点对的医学图像相似度计算公式，此公式既考虑了匹配角点对序列，也考虑了未匹配上的角点，提高了角点匹配的准确度，从而提高了分类结果的准确度。
-
Patent Agency Ranking
公开(公告)号：CN104217213A
公开(公告)日：2014-12-17
申请号：CN201410409810.2
申请日：2014-08-20
Applicant: 哈尔滨工程大学
IPC: G06K9/62
Abstract: 本发明属于医疗信息技术领域，具体涉及一种基于对称性理论的医学图像多阶段分类方法。本发明包括：待分类图像提出分类请求,待分类图像应为原始医学图像数据；图像预处理过程：图像建模；多阶段分类；展示结果。本发明提出的弱对称性和强对称性的概念是对医学图像的一个重新定义。提出弱对称性判定算法和强对称性判定算法实现医学图像的多阶段的分类。这种多阶段分类的分类准确率很高，每一个阶段直接的衔接逐层深入，从而提高医生的诊断精度和缩短诊断时间。采用对称性理论实现医学图像的分类，使基于对称性理论的医学图像多阶段分类方法具有更高的准确性。
-
公开(公告)号：CN109145944B
公开(公告)日：2021-11-05
申请号：CN201810758508.6
申请日：2018-07-11
Applicant: 哈尔滨工程大学
Abstract: 本发明公开了一种基于纵向三维图像深度学习特征的分类方法，属于图像分析领域。本发明包括两个阶段：训练阶段：包括对研究对象的三维图像的预处理、获取切片图像特征提取器、根据词袋模型计算扫描图像特征向量、以及设计并训练循环神经网络分类器；测试阶段：包括待分类的研究对象P提出分类请求、对P的三维图像进行预处理、提取切片图像特征、计算扫描图像特征、以及输出分类结果。本发明利用深度卷积神经网路直接从切片图像进行特征的自动提取，无需任何人工设计的图像特征和图像的3D配准、特征区域检测等复杂的预处理步骤，且本发明针对纵向三维图像进行研究，利用循环神经网络从纵向三维图像特征向量中学习图像的变化特征，分类更准确。
-
公开(公告)号：CN104217213B
公开(公告)日：2018-04-27
申请号：CN201410409810.2
申请日：2014-08-20
Applicant: 哈尔滨工程大学
IPC: G06K9/62
Abstract: 本发明属于医疗信息技术领域，具体涉及一种基于对称性理论的医学图像多阶段分类方法。本发明包括：待分类图像提出分类请求,待分类图像应为原始医学图像数据；图像预处理过程：图像建模；多阶段分类；展示结果。本发明提出的弱对称性和强对称性的概念是对医学图像的一个重新定义。提出弱对称性判定算法和强对称性判定算法实现医学图像的多阶段的分类。这种多阶段分类的分类准确率很高，每一个阶段直接的衔接逐层深入，从而提高医生的诊断精度和缩短诊断时间。采用对称性理论实现医学图像的分类，使基于对称性理论的医学图像多阶段分类方法具有更高的准确性。
-
公开(公告)号：CN104933712A
公开(公告)日：2015-09-23
申请号：CN201510324245.4
申请日：2015-06-12
Applicant: 哈尔滨工程大学
IPC: G06T7/00
CPC classification number: G06T7/168 , G06T2207/10081 , G06T2207/20104 , G06T2207/30016
Abstract: 本发明属于医疗信息技术领域，具体涉及一种基于脑部CT图像的图模型展示方法。本发明包括：待建模图像提出建模请求：待建模图像为原始脑部CT图像；图像预处理；ROIs的分割和标记；确定ROI所处区域；确定ROI的区域优先级；顶点的建立以及顶点上特征向量的定义；边的建立规则以及边上特征向量的定义；展示结果。本发明提出一种基于脑部CT图像的TRVL图模型展示方法，此模型是依据侧脑室之间的空间关系以及病变区域对侧脑室的影响建立的拓扑关系图，它不仅准确地表示大脑颅内侧脑室之间的关系，同时也展现了病变区域对侧脑室的影响等病理信息，很好地将图像信息转变为计算机视觉信息。
-
公开(公告)号：CN104899292A
公开(公告)日：2015-09-09
申请号：CN201510306230.5
申请日：2015-06-08
Applicant: 哈尔滨工程大学
IPC: G06F17/30
CPC classification number: G06F17/30247
Abstract: 本发明属于图挖掘技术领域，具体涉及一种面向属性图集的频繁近似子图挖掘方法。本发明包括：输入属性图集D；构造属性图集S；挖掘频繁近似顶点；子图扩展；计算扩展子图P’在属性图集D中的支持度；输出频繁近似子图集F。本发明提出一种面向属性图集的频繁近似子图挖掘方法，首先利用聚类算法将属性图集中连续数值型特征向量分割成离散特征向量，从而构建一个新的属性图集S，方便子图的搜索；然后在图近似匹配过程中采用具有较强容错能力的图编辑距离，符合现实世界中噪声和图失真普遍存在的现象，可以发现更多重要模式，具有更实际的应用前景。
-
-
-
-
-
-
-
-
-
Search Results
12
records
(took 0.023 seconds)
