-
公开(公告)号：CN106157230A
公开(公告)日：2016-11-23
申请号：CN201610351789.4
申请日：2016-05-25
Applicant: 华中科技大学
CPC classification number: G06T1/0007 , G06T1/60 , G06T2200/04
Abstract: 本发明公开了一种海量脑组织三维图像数据快速调用方法，该方法包括：在采用分块结构进行存储的海量脑组织三维图像数据中，通过拟合神经纤维的走势，沿着神经纤维自然延伸方向预测将要使用的三维图像数据块，并提前加载至计算机缓存区中；若用户实际请求调用的三维图像数据块已位于缓存区当中，则从缓存区读取，实现快速调用。本发明方法通过对神经纤维的走势进行分析，有针对性的预加载数据到缓存中，使重建过程中读取数据的时间缩短，减少用户等待时间，提高了神经元形态结构重建的效率。
-
公开(公告)号：CN104615739A
公开(公告)日：2015-05-13
申请号：CN201510072037.X
申请日：2015-02-11
Applicant: 华中科技大学
IPC: G06F17/30
CPC classification number: G06F17/30073 , G06F17/30224 , G06F17/30271
Abstract: 本发明涉及一种适用于三维脑组织高分辨海量图集的数据快速归档方法，包括以下步骤：生成归档数据：将三维数据空间分割为若干大小相等数据块，并以n+1种不同分辨率生成n+1套数据集，各自根据路径自索引结构保存为独立数据文档；提取归档数据：通过感兴趣区域的起始坐标和终止坐标以及第几级分辨率6个参数，计算出包含所述感兴趣区域所需的最少数据块；依次将感兴趣区域所需的数据块的独立数据文档读入内存，并与保留感兴趣区域的数据点组成感兴趣的数据空间。本发明对三维脑组织高分辨海量图集进行归档，无需索引文件便可从归档文件中快速、连续调取出感兴趣数据块。本发明中建立和提取文档过程具有并行性，可以通过应用并行计算作进一步加速。
-
公开(公告)号：CN102590155A
公开(公告)日：2012-07-18
申请号：CN201210013629.0
申请日：2012-01-16
Applicant: 华中科技大学
Abstract: 本发明涉及一种组织切片扫描成像装置。该装置包括激光源、非机械式扫描器、探测器、电控运动平台。非机械式扫描器按线扫描方式对组织切片进行扫描，电控运动平台带动样品沿垂直于扫描线的方向作相对运动，扫描器的扫描运动与电控运动平台的运动精确同步，在组织切片运动的同时完成扫描图像的获取。本发明适用于大量组织切片的图像的快速获取，具有分辨率高、图像获取快速的优点。以及对完整组织块的快速切片及同步的切片图像获取。
-
公开(公告)号：CN101458177A
公开(公告)日：2009-06-17
申请号：CN200810306499.3
申请日：2008-12-24
Applicant: 华中科技大学
CPC classification number: Y02P70/171
Abstract: 本发明公开了一种精密扫描式切削系统及切削样本加工方法，所述切削系统包括刀具、样本槽、精密组合移动平台、精密组合移动平台控制器、控制计算机以及循环吸屑装置；所述刀具安装于样本槽的上方；所述样本槽固定在所述精密组合移动平台上，随平台一起运动；所述精密组合移动平台由控制器驱动，所述控制器与所述控制计算机通讯连接；所述循环吸屑装置安装于刀具和样本槽之间。切削样本加工方法是在三维方向移动样本，实现扫描式加工样本，产生所需尺寸的样本薄片和样本截面。本发明实现了按层扫描方式加工样本，能够长时间连续稳定的自动工作，具有高精度的运动过程，能达到亚微米级的工作精度。
-
公开(公告)号：CN115063377B
公开(公告)日：2024-12-24
申请号：CN202210734637.8
申请日：2022-06-27
Applicant: 华中科技大学苏州脑空间信息研究院
IPC: G06T7/00 , G06T3/4007 , G06N3/048 , G06N3/0464 , G06N3/08 , G06T3/4076 , G06T3/4046
Abstract: 本发明提供一种纤维状结构三维显微图像的智能插值方法及系统，首先构建类似于各向异性低分辨率的zy面图像，作为训练的数据集，其次用xy面构建的训练数据集进行训练全卷积神经网络模型，然后将训练后的模型应用于zy面低分辨率数据上，经全卷积神经网络模型预测后实现z向分辨率的提升。本发明预测的图像结果相比于原来的zy面低分辨图像质量有显著提升，很大程度上改善了原来低分辨率图像上的锯齿现象，预测的图像神经元纤维更清晰；同时对比zy面图像绘制的灰度曲线图，预测后图像的曲线更连续平滑，消除了原来的z向低分辨图像的锯齿效应；对预测后的zy面图像做数据重切片，实现三维数据集的高分辨率各向同性。
-
Patent Agency Ranking
公开(公告)号：CN116958422A
公开(公告)日：2023-10-27
申请号：CN202310847152.4
申请日：2023-07-11
Applicant: 华中科技大学苏州脑空间信息研究院
IPC: G06T17/00 , G06T7/00 , G06V10/764 , G06V10/766 , G06V10/774 , G06V10/10 , G06V10/82 , G06V10/80 , G06T7/13 , G06T7/136 , G06T7/194 , G06T7/187 , G06N3/0464 , G06N3/08
Abstract: 本发明提供一种针对小鼠脑三维图像数据的Aβ斑块数字化重建方法，包括：步骤一，对待测图像进行预处理，所述待测图像为脑三维图像数据，预处理后的待测图像的属性与后续即将使用的目标检测网络相匹配；步骤二，将预处理后的待测图像输入到所述目标检测网络，形成最后的识别结果，输出斑块目标识别框；步骤三，针对识别出的斑块目标识别框，对框内信号使用三维最大熵阈值分割、连通域分析、轮廓提取及边缘模糊器一系列图像处理操作组合，进行斑块前景信号的提取。本发明实现了斑块前景信号的精准提取，弥补当前方法中斑块边缘弥散范围确定工作的空缺，实现高效的斑块数字化重建效果。
-
公开(公告)号：CN115457218A
公开(公告)日：2022-12-09
申请号：CN202211247610.2
申请日：2022-10-12
Applicant: 华中科技大学苏州脑空间信息研究院
IPC: G06T17/00 , G06T3/40 , G06T3/00 , G06F40/186
Abstract: 本发明提供一种三维脑图谱模板构建方法，其包括：步骤一，形变场获取：选取一套二维图像的序列，对于任意相邻的两张二维图像，将前一张配准到后一张上，配准过程生成形变场；步骤二，中间形变场生成：对于任意相邻的两张二维图像配准生成的形变场，按时间的形变路径积分，计算中间形变场；步骤三，插值图像生成：对于任意相邻的两张二维图像，根据所述中间形变场，计算待插值图像。本发明所述三维脑图谱模板构建方法、存储介质及电子设备，避免了传统三维重建思路可能产生的碎片空洞和缝隙重叠等问题。
-
公开(公告)号：CN115063377A
公开(公告)日：2022-09-16
申请号：CN202210734637.8
申请日：2022-06-27
Applicant: 华中科技大学苏州脑空间信息研究院
Abstract: 本发明提供一种纤维状结构三维显微图像的智能插值方法及系统，首先构建类似于各向异性低分辨率的zy面图像，作为训练的数据集，其次用xy面构建的训练数据集进行训练全卷积神经网络模型，然后将训练后的模型应用于zy面低分辨率数据上，经全卷积神经网络模型预测后实现z向分辨率的提升。本发明预测的图像结果相比于原来的zy面低分辨图像质量有显著提升，很大程度上改善了原来低分辨率图像上的锯齿现象，预测的图像神经元纤维更清晰；同时对比zy面图像绘制的灰度曲线图，预测后图像的曲线更连续平滑，消除了原来的z向低分辨图像的锯齿效应；对预测后的zy面图像做数据重切片，实现三维数据集的高分辨率各向同性。
-
公开(公告)号：CN115049626A
公开(公告)日：2022-09-13
申请号：CN202210734691.2
申请日：2022-06-27
Applicant: 华中科技大学苏州脑空间信息研究院
Abstract: 本发明提供一种图谱辅助绘制方法、计算机可读存储介质及电子设备，通过步骤S1，脑片轴向对应关系构建；步骤S2，旧版图谱数据规范化；步骤S3，区域特征提取；步骤S4，非线性配准；步骤S5，旧版图谱信息整合，实现将旧版图谱上的脑区位置和边界信息，准确地匹配到待绘制新图谱的图像上。
-
公开(公告)号：CN115035089A
公开(公告)日：2022-09-09
申请号：CN202210751358.2
申请日：2022-06-28
Applicant: 华中科技大学苏州脑空间信息研究院
Abstract: 本发明公开了一种适用于二维脑图像数据的脑解剖结构定位方法，通过检索的方式获取二维脑图像模板，利用分割的方法得到特征区域，并使用配准方法将待定位的二维脑图像与二维脑图像模板进行匹配，从而得到脑解剖结构的位置信息。整个定位过程不需要人工参与，可以实现快速的脑解剖结构定位，定位目标为二维脑图像上的所有脑解剖结构，相比现有方法提高了定位的精度。
-
-
-
-
-
-
-
-
-
Search Results
50
records
(took 0.022 seconds)
