-
公开(公告)号：CN119625322A
公开(公告)日：2025-03-14
申请号：CN202510157012.3
申请日：2025-02-13
Applicant: 吉林大学
IPC: G06V10/26 , G06V10/764 , G06V10/82 , G06N3/045 , G06N3/08
Abstract: 本发明适用于医学图像处理技术领域，提供了一种基于深度学习的脊柱区域超声图像语义分割方法，包括以下步骤：将采集到的脊柱侧弯患者的脊柱区域超声视频数据转换为JPG格式的图片集合，对棘突和横突区域清晰的图像进行预处理；标注棘突和横突区域，得到用来语义分割的标签，利用棘突类和横突类的标签生成辅助类标签，构建出脊柱区域超声图像数据集；将数据集划分为训练集、验证集和测试集；生成反映先验知识的概率热图；设计特定的神经网络模型结构；在数据集上训练和测试模型，以实现对图像中棘突类和横突类的精准分割。本发明不仅实现了脊柱区域超声图像的精准分割，更为后续的脊柱模型重建及Cobb角的测量工作提供了强有力的支持。
-
公开(公告)号：CN118262801B
公开(公告)日：2024-07-23
申请号：CN202410683127.1
申请日：2024-05-30
IPC: G16B40/20 , G16B20/00 , G16B30/00 , G06F18/214 , G06F18/2431 , G06F18/27 , G06F18/25 , G06F18/2113 , G06N3/045 , G06N3/08
Abstract: 本发明适用于肽识别技术领域，提供了一种基于融合特征深度学习网络的抗炎肽识别方法，方法包括以下步骤：特征构建；两阶段特征选择，得到最终的信息性元特征；构建AIPPD模型，当预测值大于0.5时，视为AIP，否则视为Non‑AIP。本发明提供了一种新的抗炎肽识别方法，解决了湿实验室实验方法鉴定AIP昂贵、费力和耗时等问题。该识别方法能够更全面的描述AIP的特征，与8个最先进的模型在两个基准数据集上进行比较，AIP2125和AIP4194测试数据集上的MCC(从5.5%提高到11.7%)和MCC(从6.7%提高到31.3%)的性能优越，在效率、准确度、精度和可靠性方面均取得了更好的效果。
-
公开(公告)号：CN117292742A
公开(公告)日：2023-12-26
申请号：CN202311138515.3
申请日：2023-09-05
IPC: G16B5/00 , G16B40/20 , G06N3/0442 , G06N3/09
Abstract: 本发明适用于肽识别技术领域，提供了一种抗癌肽识别方法及系统，识别方法包括以下步骤：输入给定的肽序列，对肽序列进行数据增强，得到原始序列；第一通道使用Bi‑LSTM从原始序列中提取特征；第二通道将原始序列转化为化学分子式的形式，并使用SMILES简化化学分子式，将SMILES表示的序列输入至预训练的BERT模型，得到深度抽象特征；第三通道融合BPF、DPC、PAAC和K‑mer四种特征，共同提取原始序列不同层面的特征；拼接三个通道提取的特征，通过全连接层对输入的肽序列进行分类。本发明中ACP‑BC模型具有较强的稳健性和通用性，在预测ACP和非ACP方面具有巨大的潜力。
-
Patent Agency Ranking
公开(公告)号：CN116774154B
公开(公告)日：2023-10-31
申请号：CN202311061194.1
申请日：2023-08-23
Applicant: 吉林大学
IPC: G01S7/02 , G01S7/41 , G06V10/46 , G06V10/774 , G06V10/776 , G06V10/82 , G06N3/0455 , G06N3/0464 , G06N3/048 , G06N3/08 , G06V10/80
Abstract: 本发明适用于雷达信号处理领域，提供了一种雷达信号分选方法，该方法包括以下步骤：步骤A：生成六种雷达信号调制模式不同情况的数据，以扩充数据集；步骤B：对步骤A中的图像进行正则化操作；步骤C：构建基于卷积神经网络和Transformer的RDNet；输入的雷达信号图像首先经过特征提取编码器进行特征提取，然后将提取的特征送入到解码器进行尺度的重建，最后将与原始图像相同尺寸的特征输入到雷达信号分选头，从而得到最终的分选结果，本发明的分选准确度高，在面对输入脉冲中缺失率和噪音率高的情况下鲁棒性强，可以成为复杂电磁环境下雷达信号分选的有利工具，有助于电子战中雷达电子对抗的实施。
-
公开(公告)号：CN116778208A
公开(公告)日：2023-09-19
申请号：CN202311070150.5
申请日：2023-08-24
Applicant: 吉林大学
IPC: G06V10/762 , G06V10/774 , G06V10/80 , G06V10/82 , G06N3/0464 , G06N3/048 , G06N3/08
Abstract: 本发明适用于图像处理技术领域，提供了一种基于深度网络模型的图像聚类方法，包括以下步骤：对数据集进行灰度归一化预处理，将像素值统一，裁剪为统一大小；把处理后的图像数据集分成训练集、验证集和测试集，增强图像，制作数据集视图，将每个图像数据生成两种增强视图，为数据赋予伪标签；构建深度网络模型；训练深度网络模型，生成训练模型；对训练模型进行测试。本发明中深度网络模型将类内紧密性与类间差异性相互融合，得到更多尺度、更丰富的特征，在聚类头模块实现精准的聚类分配；可以准确地进行层次相似性的提取，减少了因缺少相似性信息导致的类间冲突从而导致聚类性能不佳，提高聚类效率与聚类效果。
-
公开(公告)号：CN116630324A
公开(公告)日：2023-08-22
申请号：CN202310912201.8
申请日：2023-07-25
Applicant: 吉林大学
IPC: G06T7/00 , G06N3/0455 , G06N3/0464 , G06N3/08 , G06V10/80
Abstract: 本发明适用于医学图像处理技术领域，提供了一种基于深度学习的MRI图像自动评估腺样体肥大的方法，包括以下步骤：将采集的DICOM格式的MRI图像转换为PNG格式，从矢状位的图像序列中挑选鼻中隔所在的一帧及其左右几帧作为数据集，对图像进行预处理；图像增强，扩充数据集；制作标签；对图像进行特征提取；在图像中自动定位四个地标并计算腺样体厚度与鼻咽腔间隙的比值（AN比值），评估该图像对应患者是否存在腺样体肥大。本发明通过自动定位四个地标进而计算AN比值，实现对患者是否存在腺样体肥大的自动评估，有利于减少医生的重复、费时的测量工作，辅助医生进行腺样体肥大的评估诊断。
-
公开(公告)号：CN115564146B
公开(公告)日：2023-04-07
申请号：CN202211442450.7
申请日：2022-11-18
Applicant: 吉林大学
IPC: G06Q10/04 , G06Q10/0631 , G06Q50/04 , G16H40/20 , G06N3/006
Abstract: 本发明属于用于预测最优调度结果的数据处理领域，涉及一种以改进的粒子群算法为内核的分组车间作业调度方法，包括以下步骤：（1）将分组车间所有的加工方案储存到excel表，读取所有工件、机器信息，整理成两个dataframe，分别命名为工件信息表和机器信息表；（2）读取所有工件信息和机器信息，利用改进的粒子群算法计算机器余量矩阵pre；（3）根据改进的粒子群算法获得的机器余量矩阵pre进行初次调度；（4）读取初次调度获得的机器信息表和工件信息表矩阵，开始迭代优化调度结果。该方法可以确定一个良好的调度结果，并为调度结果进行调度优化，获得更优的调度结果，解决调度不平均的问题。
-
公开(公告)号：CN115564146A
公开(公告)日：2023-01-03
申请号：CN202211442450.7
申请日：2022-11-18
Applicant: 吉林大学
Abstract: 本发明属于用于预测最优调度结果的数据处理领域，涉及一种以改进的粒子群算法为内核的分组车间作业调度方法，包括以下步骤：（1）将分组车间所有的加工方案储存到excel表，读取所有工件、机器信息，整理成两个dataframe，分别命名为工件信息表和机器信息表；（2）读取所有工件信息和机器信息，利用改进的粒子群算法计算机器余量矩阵pre；（3）根据改进的粒子群算法获得的机器余量矩阵pre进行初次调度；（4）读取初次调度获得的机器信息表和工件信息表矩阵，开始迭代优化调度结果。该方法可以确定一个良好的调度结果，并为调度结果进行调度优化，获得更优的调度结果，解决调度不平均的问题。
-
-
-
-
-
-
-
Search Results
28
records
(took 0.017 seconds)
