-
公开(公告)号：CN110533683B
公开(公告)日：2022-04-29
申请号：CN201910817072.8
申请日：2019-08-30
Applicant: 东南大学
IPC: G06T7/136 , G06K9/62 , G06V10/764
Abstract: 本发明公开了一种融合传统特征与深度特征的影像组学分析方法，包括以下步骤：首先，提取感兴趣区域的一阶特征、形状特征和纹理特征等传统特征；其次，对提取出的原始特征集进行特征选择剔除冗余特征；然后，通过卷积神经网络模型提取深度特征；最后，通过将传统特征与深度特征进行融合，实现不同组别的分类。本发明比单独使用传统特征或深度特征相比获得更好的分类效果。
-
公开(公告)号：CN113823308A
公开(公告)日：2021-12-21
申请号：CN202111100709.5
申请日：2021-09-18
Applicant: 东南大学
IPC: G10L21/0208 , G10L21/0232 , G10L21/0264 , G10L25/30 , G06N3/04 , G06N3/08
Abstract: 本发明提供了一种仅使用单个带噪语音样本进行语音去噪的方法。该方法包括以下步骤：(1)对于干净的语音信号，分别叠加合成噪声和真实世界的不同噪声类型生成带噪语音样本；(2)对于单个带噪语音样本，使用一个语音下采样器生成一对语音训练样本；(3)将训练的输入语音转化为频谱图，然后输入去噪网络进行训练，该去噪网络在十层深度复数Unet的编码器和解码器之间叠加了复数两级Transformer模块；(4)训练使用的损失函数由基础损失和正则化损失组成，基础损失由网络特点决定，正则化损失可以防止单样本去噪训练出现过度平滑现象。对比使用干净语音以及使用一对带噪语音进行训练的传统方法，该方案在信噪比、语音质量感知评估、短时客观可懂度等多个评估指标上均取得了更好的结果。
-
公开(公告)号：CN113592836A
公开(公告)日：2021-11-02
申请号：CN202110898144.3
申请日：2021-08-05
Applicant: 东南大学
Abstract: 本发明提供了一种深度多模态图卷积的脑图分类方法，通过将不同模态间脑图进行融合达到脑图的分类目的。首先进行多模态脑拓扑图构建，利用静息态功能磁共振数据与弥散张量磁共振数据依据其生物学意义构建脑拓扑图；然后，进行多模态融合，包含功能‑结构融合和动态‑静态融合两个部分。本发明不仅使用了多种模态特征，并对其进行了融合，能够充分利用特征间的相似性和互补性，这使得进行脑图分类的结果更加准确。
-
公开(公告)号：CN110728685A
公开(公告)日：2020-01-24
申请号：CN201910892219.X
申请日：2019-09-20
Applicant: 东南大学
Abstract: 本发明公开了一种基于对角体素的局部二值模式纹理算子的脑组织分割方法，步骤如下所示：S1：对原始脑部磁共振扫描图像进行超体素聚类分割；S2：对超体素进行对角体素局部二值模式纹理特征提取；S3：根据所述对角体素局部二值模式纹理特征，以kNN为预测模型，进行特征匹配。本发明从三维的角度去整体地看待MRI数据，能够最大限度、高效地对有限的数据进行充分利用，从而可以很好地提取三维数据的特征，有效缓解MRI数据样本不足与机器学习需要大量训练数据的矛盾。
-
公开(公告)号：CN110533683A
公开(公告)日：2019-12-03
申请号：CN201910817072.8
申请日：2019-08-30
Applicant: 东南大学
Abstract: 本发明公开了一种融合传统特征与深度特征的影像组学分析方法，包括以下步骤：首先，提取感兴趣区域的一阶特征、形状特征和纹理特征等传统特征；其次，对提取出的原始特征集进行特征选择剔除冗余特征；然后，通过卷积神经网络模型提取深度特征；最后，通过将传统特征与深度特征进行融合，实现不同组别的分类。本发明比单独使用传统特征或深度特征相比获得更好的分类效果。
-
Patent Agency Ranking
公开(公告)号：CN110148145A
公开(公告)日：2019-08-20
申请号：CN201910226802.7
申请日：2019-03-25
Applicant: 东南大学
Abstract: 本发明涉及一种融合边界信息的图像目标区提取方法及应用，引入双神经网络先后应用，即采用神经网络RCF模型，以及改进型语义分割网络SegNet，针对目标类型灰度图像中的目标区域图像实现高效提取，其中能够结合局部特征和全局特征，有效克服网络下采样过程中细节特征丢失的问题，因此将设计方案应用于脑组织提取过程中，对于比较难分割的脑组织边界区域，能得到更好的脑组织区域图像提取效果。
-
公开(公告)号：CN109472263A
公开(公告)日：2019-03-15
申请号：CN201811186880.0
申请日：2018-10-12
Applicant: 东南大学
Abstract: 本发明公开了一种结合全局和局部信息的大脑磁共振图像分割方法，包括：利用构建的端到端卷积神经网络对大脑磁共振图像进行分割，得到各类别的预测概率分布；对于大脑磁共振图像利用线性迭代聚类超体素算法生成超体素；将分割所得预测概率分布和所生成超体素融合得到分割结果的大脑磁共振图像，包括：找出超体素在各类别预测概率分布中的对应区域；统计找出各对应区域中背景、脑脊液、灰质和白质出现次数，并计算各个类别出现的比重；利用超体素类别比例方法对各类别预测概率分布重新赋值；求出其类别概率最大的一类，及将类别作为该像素点的类别标签，得到分割结果的大脑磁共振图像。本发明可提高分割精度，得到较好的大脑磁共振图像分割结果。
-
公开(公告)号：CN109124623A
公开(公告)日：2019-01-04
申请号：CN201810554759.2
申请日：2018-06-01
Applicant: 东南大学
IPC: A61B5/0476
CPC classification number: A61B5/0476 , A61B5/7225
Abstract: 本发明公开了一种基于三维非线性偏直接相干函数的脑电信号间效应连通性检测方法，包括如下步骤：(1)构造单输入多输出的非线性自回归模型；(2)应用FROLS算法对步骤(1)构造的模型进行系数估计；(3)对三维PDS进行形式变换，得到用频率响应函数描述的信号yi对yj的PDC的定义式；(4)应用Volterra级数核函数的多维傅里叶变换对SIMO NARX模型进行频域分析，计算出模型的非线性频率响应函数；(5)将步骤(4)计算出的非线性频率响应函数代入步骤(3)中的PDC定义式，得到三维NPDC，得出在同时考虑三维信号的情况下某一信号对另一信号的因果影响。该方法可以检测三维脑电信号之间的因果关系。
-
公开(公告)号：CN108717717A
公开(公告)日：2018-10-30
申请号：CN201810366656.3
申请日：2018-04-23
Applicant: 东南大学
Abstract: 本发明公开了一种基于卷积神经网络和迭代方法相结合的稀疏MRI重建的方法，该方法首先准备一个数据集，包括训练数据和测试数据，训练数据用于训练网络，测试数据用于测试训练好的网络，每组数据都包含一组样本和标签，样本为将高度降采样的k空间数据分为低频数据和高频数据，分别进行填零重建得到的具有噪声和伪影的低质量的高频图像和低频图像，标签为该低质量图像对应的没有噪声与伪影的高质量MR图像。分别利用低频数据和高频数据训练出两个结构相同的网络，一个用于重建高频k空间数据，一个用于重建低频k空间数据，两个重建结果相加就是最终需要的重建结果。本发明利用更少的k空间数据，重建速度更快，图像质量更高。
-
公开(公告)号：CN108171009A
公开(公告)日：2018-06-15
申请号：CN201711392385.0
申请日：2017-12-21
Applicant: 东南大学
Abstract: 本发明公开了一种基于二维自回归模型参数估计的脑电信号间因果关系检测方法，包括以下步骤：(1)自回归模型进行阶数估计；(2)对原始信号进行加窗处理；(3)结合OPS算法对自回归模型进行参数估计；(4)所得自回归模型应用于Wiener‑Granger因果方法检测脑电信号间的因果关系。该方法最大限度地减少自回归模型参数估计中的干扰项，并提高参数估计结果的精度。
-
-
-
-
-
-
-
-
-
Search Results
152
records
(took 0.038 seconds)
