-
公开(公告)号：CN110263553A
公开(公告)日：2019-09-20
申请号：CN201910394120.7
申请日：2019-05-13
Applicant: 清华大学
Abstract: 本发明公开了一种基于公钥验证的数据库访问控制方法、装置及电子设备，其中，方法包括：接收用户节点的访问申请；根据接收的访问申请匹配用户权限；匹配通过，则生成用户节点的一组公钥与私钥；根据生成的公钥登录数据库。本发明通过生成的公钥登录数据库，隐藏用户节点的真实身份，可以避免数据泄露或遭到攻击，提高数据安全性，并且，通过采用用户公钥进行身份验证，使得同一IP地址的不同用户也能获取相应的数据读取权限，不会造成权限不足或是过度开放的情况发生。
-
公开(公告)号：CN110245685A
公开(公告)日：2019-09-17
申请号：CN201910401771.4
申请日：2019-05-15
Applicant: 清华大学
Abstract: 本发明涉及生物信息学技术领域，提供一种基因组单位点变异致病性的预测方法、系统及存储介质。其中，方法包括：根据基因组单位点变异位置和变异情况，获取基因组单位点变异数据和辅助进化保守性数据；对基因组单位点变异数据和辅助进化保守性数据进行预处理，生成矩阵；加载模型，输入矩阵，并分别通过密集连接卷积神经网络进行特征提取，采用多层感知机拼合特征数据并进行计算，输出预测结果。采用本发明能够解决现有技术中基因组单位点变异致病性的预测准确率不高、可信度低、成本昂贵的问题。
-
公开(公告)号：CN110232365A
公开(公告)日：2019-09-13
申请号：CN201910532431.5
申请日：2019-06-19
Applicant: 清华大学
Abstract: 本发明涉及图像分析技术领域，提供一种细胞图像中细胞轮廓弯曲程度的衡量方法、系统及介质。其中，方法包括：读取细胞分割掩膜图；对细胞分割掩膜图进行轮廓提取，得到初步的细胞轮廓图；对初步的细胞轮廓图中的轮廓点进行筛选处理，得到处理后的轮廓图；将处理后的轮廓图中的轮廓点坐标按序转存；将转存后的每个轮廓点坐标转化为极坐标，将半径进行归一化处理；计算半径方差和角度变化率方差，采用所述半径方差和角度变化率方差表示细胞轮廓的弯曲程度。采用本发明能够解决现有技术中难以对细胞图像中细胞轮廓的弯曲程度进行表述的问题，且表示细胞轮廓弯曲程度的两个量具有旋转不变性和相似不变性。
-
公开(公告)号：CN110223732A
公开(公告)日：2019-09-10
申请号：CN201910411387.2
申请日：2019-05-17
Applicant: 清华大学
IPC: G16B30/10
Abstract: 本发明公开了一种多类生物序列注释的整合方法，包括：从生物测序数据中选取一种生物测序数据作为主要生物序列集，其余的作为辅助生物序列集；建立序列-基因关联映射集；据基因转录起始点获取该基因的基础关联区域和扩展关联区域；对于主要生物序列集的序列，遍历基因的扩展关联区域，若序列所在的区域和某个基因的扩展关联区域有交集，则建立基因和序列的序列-基因关联映射；对参考数据应用于序列-基因关联映射集中的生物序列注释的结果采用超几何检验、二项检验计算显著性；对两种方法得到的注释分别排序，并对相同的注释的排序的序号相加后再次排序作为多种生物序列数据的注释结果。本发明实现综合各种特征的注释，在医疗领域具有应用价值。
-
公开(公告)号：CN110032739A
公开(公告)日：2019-07-19
申请号：CN201910313195.8
申请日：2019-04-18
Applicant: 清华大学
IPC: G06F17/27
Abstract: 本发明公开了一种中文电子病历命名实体抽取方法及系统。该方法包括：通过字符嵌入层将输入语句中的每个字映射为一个向量；采用LSTM模型输入字符序列，获得隐表示向量；将每个字作为以该字为结尾的语义单位的最后一个字，进行语义分割，得到该字对应的所有网格编码；将每个字的所有网格编码进行线性组合，得到最后的每个字符的向量，其中，线性组合中的权重由自注意力机制给出；采用深度残差网络作为输出解码层，解码出命名实体链。本发明中文电子病历命名实体抽取方法及系统可以自动从中文电子病历中抽取各种医学命名实体，且提高了抽取效率，免去了病历结构化过程中人工消耗。
-
Patent Agency Ranking
公开(公告)号：CN109036521A
公开(公告)日：2018-12-18
申请号：CN201810581501.1
申请日：2018-06-07
Applicant: 清华大学
IPC: G16H30/20
CPC classification number: G16H30/20
Abstract: 本发明提供一种病理切片图片显示方法及系统，其中的方法包括块初始化，在块初始显示的范围内，确定病理切片图片的其中一层的所有块的位置信息，并将所有块读入缓存；缓存中计算并读取显示范围所需的块的信息；将读取的各块的信息按照应位置拼接起来，并进行比例的缩小，得到新块的显示位置信息；判断新块的所在的层数、位置是否发生变化，如果发生变化，则从将新块初始化，行逐步进行操作；判断缓存中块的位置是否包含在新块的显示位置中，若否则释放；判断新块的显示位置范围的拓展方向，并计算新块的拓展位置，将新块读取入缓冲内。利用本发明，能够解决病理切片图像显示时读取时间长、占用缓存空间大以及图片操作运算多等问题。
-
公开(公告)号：CN108960289A
公开(公告)日：2018-12-07
申请号：CN201810586792.3
申请日：2018-06-08
Applicant: 清华大学
Abstract: 本发明公开了一种医用图像分类装置，包括：样本库建立部，建立已有图像样本的数据库，并标注所述图像样本的类别；模型训练部，用于训练深度卷积神经网络模型；映射库建立部，建立与样本库中图像样本相对应的映射向量的数据库；图像输入部，用于将待分类的图像输入训练好的深度卷积神经网络模型，得到与待分类的图像相对应的映射向量；比较部，比较待分类的图像与图像样本的相似度；以及输出部，根据所述比较部的比较结果，输出分类结果。本发明提高了对医用图像识别的准确率。本发明还公开了一种医用图像分类方法。
-
公开(公告)号：CN108921172A
公开(公告)日：2018-11-30
申请号：CN201810550987.2
申请日：2018-05-31
Applicant: 清华大学
CPC classification number: G06K9/4671 , G06K9/6256 , G06K9/6269
Abstract: 本发明公开了一种基于支持向量机的图像处理装置。该装置包括：图像块获取模块，用于获取图像块；特征提取模块，提取图像块特征，得到特征向量，包括：第一提取单元，第二提取单元，第三提取单元，以及第四提取单元；图像识别模块，基于邻近算法，从低级别到高级别，根据某一级别中是否存在大于该级别预先设置的阈值的置信分数识别该图像块是否正常；图像分类模块，基于支持向量机对图像分类；数据处理模块，对识别出的图像块数目和分类出的图像块数目进行处理，完成图像的识别和分类。本发明还公开了一种基于支持向量机的图像处理方法。本发明可以快速、准确的完成图像识别与分类，提高了识别和分类的准确性，可应用于病理组织图片处理。
-
公开(公告)号：CN118983006A
公开(公告)日：2024-11-19
申请号：CN202410993668.4
申请日：2024-07-23
Applicant: 清华大学
IPC: G16B40/00 , G16B40/20 , G06N3/084 , G06F18/25 , G06F18/241
Abstract: 一种多切片数据的处理方法、装置和介质，涉及生物技术领域，其中，方法包括：获取多个待处理切片的切片数据，切片数据包括对待处理切片进行空间染色质开放性测序得到的采样点‑峰区域矩阵和空间染色质开放性测序时采样点的坐标矩阵；根据全部待处理切片包含的峰区域之间的重合区域，将对应的切片数据融合，得到融合数据；基于融合数据构建训练样本，对预先构建的神经网络模型进行训练，得到训练后的神经网络模型；神经网络模型用于提取输入数据中的生物特征信息，并去除输入数据的批次效应，得到输入数据的共嵌入矩阵；从融合数据中提取目标切片对应的目标数据；将目标数据输入神经网络模型，得到目标切片的共嵌入矩阵。
-
公开(公告)号：CN118213048A
公开(公告)日：2024-06-18
申请号：CN202410337026.9
申请日：2024-03-22
Applicant: 清华大学
IPC: G16H30/40 , G06T5/70 , G06T5/60 , G06N3/0475 , G06N3/08
Abstract: 本申请提供一种影像处理方法、模型训练方法、设备、介质及产品。该方法包括：获取已训练生成网络，已训练生成网络包括：已训练编码网络、已训练随机采样网络和已训练解码网络；采用已训练编码网络提取并输出真实医学影像中的真实疾病核心特征；采用已训练随机采样网络基于随机噪声数据生成并输出随机匿名特征；随机匿名特征与真实医学影像中的真实疾病非核心特征的相似度大于第一相似度阈值；将真实疾病核心特征和随机匿名特征输入到已训练解码网络中，并采用已训练解码网络对真实疾病核心特征和随机匿名特征进行融合和解码处理，以生成匿名医学影像并输出。本申请能够准确地对医学影像数据进行匿名模糊化处理。
-
-
-
-
-
-
-
-
-
Search Results
88
records
(took 0.022 seconds)
