-
公开(公告)号：CN107978373A
公开(公告)日：2018-05-01
申请号：CN201711177721.X
申请日：2017-11-23
Applicant: 吉林大学
Abstract: 本发明涉及一种基于共训练的半监督生物医学事件抽取方法。随着生物医学文献的快速增长，生物医学事件的自动抽取引起了人们极大的兴趣。然而，已标注的生物医学事件语料库规模较小，这会影响分类算法的性能，甚至导致过拟合。我们提出了一种新的生物医学事件抽取的共训练方法，从未标记的数据中识别出更准确的正实例，以此扩大已标记的训练集。首先，设计丰富的特征供SVM使用。然后，用从Word2vec从Pubmed中学习基于词嵌入的短句，进一步将短句拓展为触发词和参数之间的依存短句，并将其输入到CNN中。最后，未标记语料库中经SVM和CNN预测的符合条件的样本对回填到训练集中，增量地扩展训练集。大量实验结果表明，新的半监督生物医学事件提取方法能有效提取事件。
-
公开(公告)号：CN118319489B
公开(公告)日：2024-08-09
申请号：CN202410751428.3
申请日：2024-06-12
Applicant: 吉林大学
Abstract: 本申请提供了一种安全距离确定方法、装置、设备及介质，该方法应用于医学图像技术领域，该方法包括：通过获取目标对象的头部图像；在对头部图像进行图像分割，得到目标对象的上颌骨对应的上颌骨图像，以及目标对象的下颌骨对应的下颌骨图像；在分别对上颌骨图像和下颌骨图像进行神经管分割，得到上颌骨图像对应的翼腭管和下颌骨图像对应的下颌管；之后测量上颌骨的上颌截骨线到翼腭管的第一安全距离，以及下颌骨的下颌截骨线到下颌管的第二安全距离。该方法可以提高安全距离的确定效率和精度。
-
Patent Agency Ranking
公开(公告)号：CN118319489A
公开(公告)日：2024-07-12
申请号：CN202410751428.3
申请日：2024-06-12
Applicant: 吉林大学
Abstract: 本申请提供了一种安全距离确定方法、装置、设备及介质，该方法应用于医学图像技术领域，该方法包括：通过获取目标对象的头部图像；在对头部图像进行图像分割，得到目标对象的上颌骨对应的上颌骨图像，以及目标对象的下颌骨对应的下颌骨图像；在分别对上颌骨图像和下颌骨图像进行神经管分割，得到上颌骨图像对应的翼腭管和下颌骨图像对应的下颌管；之后测量上颌骨的上颌截骨线到翼腭管的第一安全距离，以及下颌骨的下颌截骨线到下颌管的第二安全距离。该方法可以提高安全距离的确定效率和精度。
-
公开(公告)号：CN118319488A
公开(公告)日：2024-07-12
申请号：CN202410751361.3
申请日：2024-06-12
Applicant: 吉林大学
Abstract: 本申请提供了一种截骨线确定方法、装置、设备及介质，该方法应用于医学图像技术领域，该方法包括：通过获取目标对象的头部图像；对所述头部图像进行分割，得到所述目标对象的上颌骨对应的上颌骨图像，以及所述目标对象的下颌骨对应的下颌骨图像；基于预设的关键点标注信息和上颌骨图像，确定所述上颌骨的上颌关键点，基于所述关键点标注信息和下颌骨图像，确定所述下颌骨的下颌关键点；基于预设的路径算法和约束信息，对所述上颌关键点与所述下颌关键点进行路径规划，生成所述目标对象的上颌截骨线和下颌截骨线。该方法可以提高截骨线确定的精度和效率。
-
公开(公告)号：CN116612292A
公开(公告)日：2023-08-18
申请号：CN202310617739.6
申请日：2023-05-29
Applicant: 吉林大学
IPC: G06V10/40 , G06V10/80 , G06V10/82 , G06V10/764 , G06V10/766 , G06N3/045 , G06N3/0464 , G06N3/048 , G06N3/08
Abstract: 本发明公开了一种基于深度学习的小目标检测方法，其方法为：第一步、获取图像样本，构建训练集；第二步、小目标检测模型的构建；第三步：将待检测的图像，利用上述第二步得到的小目标检测模型实现目标检测，有益效果：通过训练得到用于检测的改进版YOLO模型，使得整体网络结构不再臃肿，不仅压缩了网络模型，有效减少了计算量，并且更有效地利用了浅层次网络中提取的特征信息，在识别小目标物体上达到了理想的效果。采用基于双参数加权的完全交并比损失函数能让网络模型更加关注高交并比值目标，并有效提升小目标物体的检测准确度。
-
公开(公告)号：CN116612008A
公开(公告)日：2023-08-18
申请号：CN202310652004.7
申请日：2023-06-05
Applicant: 吉林大学
IPC: G06T3/40 , G06N3/0464 , G06N3/0475 , G06V10/82 , G06V10/40 , G06N3/084 , G06V10/764 , G06N3/094
Abstract: 本发明公开了一种基于深度学习的图像超分辨率重建方法，其方法包括的步骤为：第一步、获得图像样本，对其进行处理以构建训练集；第二步、图像超分辨率网络模型的构建，第三步、使用上述得到的SRGAN模型中的生成器网络，对待超分辨率重建的图像进行处理，以实现超分辨率重建。有益效果：有利于图像超分辨率重建时的细节生成。提高计算深度的同时更能对浅层特征进行保留，使得图像超分辨率重建这一浅层任务的完成效果更佳。去除了批归一化层对于特征的模糊影响，进一步提供了模型的表达能力。提高图像超分辨率重建的质量，更好地生成高分辨率图像。
-
公开(公告)号：CN106777957A
公开(公告)日：2017-05-31
申请号：CN201611138305.4
申请日：2016-12-12
Applicant: 吉林大学
CPC classification number: G06F17/2775 , G06K9/6269 , G16H50/70
Abstract: 本发明公开了一种不平衡数据集上生物医学多参事件抽取的新方法，步骤如下：第一部分：步骤1：获取序列库；步骤2：构造序列数据库S；步骤3：给定最小支持度阈值；步骤4：判断序列个数；第二部分：步骤1：在选择的样本集上提取四类特征；步骤2：得到多类别的分类器；第三部分：步骤1：计算相似度；步骤2：计算触发词重要度步骤3：合并重要度和相似度Sim(ti，aj，ak)得到联合评分Score(ti，aj，ak)；步骤4：给定阈值δ。有益效果：采用数据挖掘和自然语言处理技术，方法灵活，易于实现，可达到很高的准确度。
-
-
-
-
-
-
Search Results
17
records
(took 0.021 seconds)
