-
公开(公告)号：CN110517271A
公开(公告)日：2019-11-29
申请号：CN201910776575.5
申请日：2019-08-22
Applicant: 东北大学
IPC: G06T7/11
Abstract: 本发明提供一种先验形状约束的图像水平集分割方法，涉及计算机视觉及图像处理技术领域。该方法读取待分割图像，并初始化图像的水平基函数和形状先验水平集函数；建立图像水平集分割的能量泛函，设定水平集方法中的参数；然后分别更新第j次迭代的聚簇中心集合、图像水平集函数、形状约束水平集函数和基函数权重列向量，并计算第j次迭代的能量泛函的函数值直至达到最大迭代次数J或者能量泛函相邻两次的迭代结果差值小于设定的收敛阈值，得到待分割图像I的分割结果，并根据更新后的基函数权重列向量和基函数列向量得到待分割图像的偏移场估计；本发明方法克服了图像中灰度不均对分割精度造成的影响，在先验形状的约束下，增强了分割方法的鲁棒性。
-
公开(公告)号：CN110341192A
公开(公告)日：2019-10-18
申请号：CN201910630656.4
申请日：2019-07-12
Applicant: 东北大学
IPC: B29C64/379 , G06F3/01 , G06F3/0484 , G06T19/20 , B33Y50/00
Abstract: 本发明实施例涉及一种基于VR的导板3D打印模型建立方法，其包括：在虚拟现实VR场景中，基于对被切割模型的平面切割得到切割位置和切割目标模型；根据所述切割目标模型的网格信息进行表面网格提取，在所述切割目标模型的表面生成具有预设厚度的薄膜；利用矩形板在所述切割位置对所述薄膜的表面进行切割，得到导板卡槽位置以及形成导板表面；根据所述导板卡槽位置和所述导板平面构建所述VR场景下的导板3D打印模型。本发明实施例提供的方法通过在VR场景中对被切割模型的切割位置、导板等进行建模，从而可以在虚拟现实中无限制地对真实的手术对象重复进行多次切割操作，在切割位置生成3D导板打印模型，可以减少操作难度和制作时长。
-
公开(公告)号：CN109360219A
公开(公告)日：2019-02-19
申请号：CN201811235734.2
申请日：2018-10-23
Applicant: 东北大学
Abstract: 本发明涉及一种增强现实的辅助手术方法，包括如下步骤：101、获取病人的肺部CT图像数据；102、采用区域生长和图像填充算法对获取的肺部CT图像数据进行处理，获得肺部血管数据和气管数据；103、根据获得的肺部血管数据和气管数据，进行边缘网格模型的构建；104、将构建完成的边缘网格模型导入到混合现实设备中进行展示，供医生观察。本发明提供的增强现实的辅助手术方法能够实现在混合现实设备上进行病人肺部组织结构的展示，和传统的PC端结果展示相比更加立体和清楚。
-
公开(公告)号：CN108765483A
公开(公告)日：2018-11-06
申请号：CN201810565550.6
申请日：2018-06-04
Applicant: 东北大学
CPC classification number: G06T7/55 , G06T7/11 , G06T7/136 , G06T7/187 , G06T2207/10081 , G06T2207/30016
Abstract: 本发明涉及医学图像处理技术领域。本发明提出的从脑部CT图像确定中矢面的方法，包括：步骤S10：根据获取的用户输入的所述脑部CT图像中的一个或多个大脑组织像素点，利用区域生长法确定所述脑部CT图像中的大脑组织；步骤S20：生成对应于所述大脑组织的最小有向包围盒；步骤S30：确定所述最小有向包围盒在沿脑部对称方向的中心对称面，所述中心对称面为所述脑部CT图像的中矢面。本发明提供的从脑部CT图像中确定中矢面的方法自动化程度高，降低了人工参与度，减少了人为主观偏差，准确度好，一致性高。
-
公开(公告)号：CN108595225A
公开(公告)日：2018-09-28
申请号：CN201810413198.4
申请日：2018-05-03
Applicant: 东北大学
IPC: G06F9/445
Abstract: 本发明提供一种量表组件及其定义和自动加载方法。一种量表组件，所述量表组件是将量表界面、数据模型、服务消息封装得到的组件；所述量表界面定义量表组件展示给用户的表格内容和可视化形式；数据模型定义量表组件中包含数据内容的数据组织及存储格式；服务消息定义量表组件的操作服务的消息类型及处理过程。一种所述的量表组件的定义和自动加载方法，包括：将量表组件的活动状态分为定义态和运行态；在定义态实现量表组件定义，在运行态实现量表组件加载。本发明把单独的量表打包成能随时加载和删除的量表组件。在量表组件中，单独编写该量表组件的增删查改功能，该部分功能的代码不会影响系统整体操作，实现模块间的低耦合。
-
Patent Agency Ranking
公开(公告)号：CN107169963A
公开(公告)日：2017-09-15
申请号：CN201710384315.4
申请日：2017-05-26
Applicant: 东北大学
Abstract: 本发明涉及医学图像处理与应用技术领域，尤其涉及一种从胸部CT图像中提取胸主动脉的方法。从胸部CT图像中提取胸主动脉的方法包括以下步骤：步骤一：运用区域生长法，基于胸部CT图像数据，获得不黏连心脏的胸主动脉壁里面的部分数据点，并标记上flag；步骤二：运用数学形态学算法，基于经过步骤一标记flag后的胸部CT图像数据，依次获得不黏连心脏的胸主动脉壁里面的剩余数据点和胸主动脉壁的数据点，并标记上flag。本发明的从胸部CT图像中提取胸主动脉的方法算法复杂度低，在i5处理器4G内存环境下运算时间短，分割效果好。
-
公开(公告)号：CN107045721A
公开(公告)日：2017-08-15
申请号：CN201610924061.6
申请日：2016-10-24
Applicant: 东北大学
CPC classification number: G06T7/0012 , G06T2207/10081 , G06T2207/30061
Abstract: 本申请公开了一种从胸部CT图像中提取肺血管的方法及装置，所述方法包括：接收输入的n层胸部CT图像，获取指定图像层进行灰度映射，获得预设分割阈值；在所述指定图像层上选取肺部区域的指定像素点获得初始种子点，根据所述预设分割阈值及初始种子点进行3D区域增长，获得不带血管的肺组织区域；在所述的肺组织区域进行形态学运算，获得带血管的封闭肺组织区域，计算血管阈值；在所述带血管的封闭肺组织区域查找大于血管阈值的像素点为初始标记点，获得初始扩散面；根据所述初始扩散面和血管阈值，在所述带血管的封闭肺组织区域内进行面扩散，获得肺血管。应用本发明能准确的从胸部CT图像中提取出肺血管，辅助医生准确诊断肺血管疾病。
-
公开(公告)号：CN106529601A
公开(公告)日：2017-03-22
申请号：CN201611030667.1
申请日：2016-11-16
Applicant: 东北大学
IPC: G06K9/62
Abstract: 本发明涉及数据挖掘技术领域，提出一种基于稀疏子空间多任务学习的图像分类预测方法，包括：步骤一：根据对训练图像集提取的异构视觉特征构建特征数据；步骤二：基于任务的相关性和异构视觉特征的结构性，根据特征数据的训练数据集建立稀疏子空间的多任务分类算法的目标函数；步骤三：基于稀疏子空间的多任务分类算法的目标函数，采用迭代优化算法进行求解，生成稀疏子空间多任务分类模型；步骤四：采用稀疏子空间多任务分类模型对图像测试图像集进行分类预测。本发明结合子空间相关性和稀疏机制建立多任务学习机制，改善分类器的泛化性能，提高了图像分类的泛化性能。
-
公开(公告)号：CN119988676A
公开(公告)日：2025-05-13
申请号：CN202510164149.1
申请日：2025-02-14
Applicant: 东北大学
IPC: G06F16/783 , G06F16/78 , G06F16/732 , G06V20/40 , G06V10/74 , G06N3/048 , G06N3/045 , G06N3/08
Abstract: 本发明提供一种基于改进细粒度对齐的视频文本检索方法和系统，涉及视频文本检索技术领域。本发明引入了文本引导的对象‑文本对齐(TOTAL)模块，该模块创新性地将文本与从视频帧中提取的对象进行对齐，显著提升了性能。为了解决视频中存在贡献程度低的帧的问题，提出了相似度帧聚合(SIFA)模块，通过为视频中的对象‑文本对齐帧分配权重，从而提升视频的检索的精度，解决现有的视频文本检索方法中的细粒度对齐的缺陷。
-
公开(公告)号：CN118587148A
公开(公告)日：2024-09-03
申请号：CN202410365354.X
申请日：2024-03-28
Applicant: 东北大学
Abstract: 本发明设计一种动态影像关键点和关键帧定位方法，属于计算机辅助诊断技术领域；首先对包含待测量目标的动态影像序列进行预处理；对预处理得到的动态影像序列进行编码与解码，提取多级特征；其次对动态影像序列关键点进行粗定位：然后构建自适应贝叶斯超图模型，扩展出超节点，从而对关键点进行微调；最后对关键帧进行识别，实现关键点和关键帧的同步检测；另外本发明还提出阶次损失函数，建立关键帧与非关键帧之间相对关系，实现关键帧的精准辨识的同时促进了关键点定位的精度提升。
-
-
-
-
-
-
-
-
-
Search Results
106
records
(took 0.032 seconds)
