-
公开(公告)号：CN110349254A
公开(公告)日：2019-10-18
申请号：CN201910623642.X
申请日：2019-07-11
Applicant: 东北大学
Abstract: 本发明提供一种面向C/S架构的自适应医学影像三维重建方法，涉及医学影像三维重建技术领域。该方法通过基于四层架构的通用三维重建方法给出一种在客户端和服务端都包括四层结构的通用三维重建方法，四层结构自底而上分别是远程传输协议层、预处理体数据层、重建场景算法层和渲染可视模型层，然后通过基于决策树的自适应重建模式选择方法实现动态地根据运行平台、数据量、网络类别、网络速度的不同，自适应切换重建模式。本发明能够统一当前各种不同类型的医学影像三维重建机制，基于该方法实现的医学影像系统能适应不同运行平台、不同传输网络、不同医学影像数据量，并根据不同的运行实时状况动态切换医学影像三维重建机制，灵活性强。
-
公开(公告)号：CN107341497A
公开(公告)日：2017-11-10
申请号：CN201611038696.2
申请日：2016-11-11
Applicant: 东北大学
IPC: G06K9/62
CPC classification number: G06K9/6277
Abstract: 本发明涉及数据挖掘技术领域，提出结合选择性升采样的不均衡数据流加权集成分类预测方法，包括根据相似度对历史数据块的少数类样本进行筛选，选择与当前训练数据块概念最相近的样本；对选择的样本通过在决策边界区域合成新样本以达到选择地实施升采样；采用基于概率分布相关度的权重分配策略对新样本进行加权集成分类处理。通过选择相似度高的历史数据和合成边界区域的新数据来有效增加少数类样本信息，扩大少数类的决策域；同时为了适应存在概念漂移的动态数据，使用集成分类思想，设计一种基于概率分布相关度的权重分配策略，提升整体分类精度。实验结果表明该算法有效地提高了少数类的识别率以及整体的分类性能，具有更好的处理不均衡数据流的优势。
-
公开(公告)号：CN119988676A
公开(公告)日：2025-05-13
申请号：CN202510164149.1
申请日：2025-02-14
Applicant: 东北大学
IPC: G06F16/783 , G06F16/78 , G06F16/732 , G06V20/40 , G06V10/74 , G06N3/048 , G06N3/045 , G06N3/08
Abstract: 本发明提供一种基于改进细粒度对齐的视频文本检索方法和系统，涉及视频文本检索技术领域。本发明引入了文本引导的对象‑文本对齐(TOTAL)模块，该模块创新性地将文本与从视频帧中提取的对象进行对齐，显著提升了性能。为了解决视频中存在贡献程度低的帧的问题，提出了相似度帧聚合(SIFA)模块，通过为视频中的对象‑文本对齐帧分配权重，从而提升视频的检索的精度，解决现有的视频文本检索方法中的细粒度对齐的缺陷。
-
公开(公告)号：CN118587148A
公开(公告)日：2024-09-03
申请号：CN202410365354.X
申请日：2024-03-28
Applicant: 东北大学
Abstract: 本发明设计一种动态影像关键点和关键帧定位方法，属于计算机辅助诊断技术领域；首先对包含待测量目标的动态影像序列进行预处理；对预处理得到的动态影像序列进行编码与解码，提取多级特征；其次对动态影像序列关键点进行粗定位：然后构建自适应贝叶斯超图模型，扩展出超节点，从而对关键点进行微调；最后对关键帧进行识别，实现关键点和关键帧的同步检测；另外本发明还提出阶次损失函数，建立关键帧与非关键帧之间相对关系，实现关键帧的精准辨识的同时促进了关键点定位的精度提升。
-
公开(公告)号：CN118115735A
公开(公告)日：2024-05-31
申请号：CN202410130619.8
申请日：2024-01-30
Applicant: 东北大学
IPC: G06V10/26 , G06V10/44 , G06V10/774 , G06V10/764 , G06T7/194 , G06N3/0464 , G06N3/0455 , G06N3/0895
Abstract: 医学图像分割在疾病的诊断，治疗以及手术中起着至关重要的作用，可以用于分析和处理图像、测量病灶区域、定量分析指标等。作为医学图像分割常用的小样本医学图像分割技术能利用少量有标注的新类样本就可完成对新类的分割，降低了人工标注的工作量，且可用于数据量较少的稀有病的诊断。但医学图像普遍存在前景和背景不平衡问题，医学图像的前景类类小且均匀，背景存在多种组织或器官较复杂，因此背景类较大且在空间上不均匀导致模型偏向于背景，从而影响分割结果。本发明要解决的技术问题是针对上述现有技术的不足，提供一种基于对比学习的原型网络小样本医学图像分割方法，该方法能够增强前景原型与背景的区分度，使得对图像的分割更精确。
-
Patent Agency Ranking
公开(公告)号：CN118115491A
公开(公告)日：2024-05-31
申请号：CN202410432281.1
申请日：2024-04-11
Applicant: 东北大学
Abstract: 本发明公开了一种基于多支输入及空间关注的多时序医学影像配准方法，涉及医学影像配准技术领域。该方法采用多支输入，保证在学习浮动影像与固定影像这一影像对特征的同时充分利用影像对中各自的空间语义信息，解决了基于深度学习的方法理解多时序医学影像配准在空间语义信息上的限制。该方法引入LK模块来增大有效的感受野，不仅可以处理远距离空间信息，还可以在更精细的尺度上捕获和融合空间信息。该方法创建了VSAW模块，为医学影像中不同区域的像素赋予不同的权重，能够更精确地捕获影像中的结构特征，提升了存在大尺度变形的多时序恶性肿瘤CT影像的配准精度。
-
公开(公告)号：CN117992913A
公开(公告)日：2024-05-07
申请号：CN202410148682.4
申请日：2024-02-02
Applicant: 东北大学
IPC: G06F18/25 , G06F18/241 , G16B40/00 , G06V10/44 , G06V10/82 , G06N3/045 , G06N3/0464 , G06N3/084
Abstract: 本发明设计一种基于双峰注意力融合网络的多模态数据分类方法，属于多模态数据分析领域；首先通过TCGA下载公开基因表达数据，然后通过特征选择方法提取基因表达数据中的基因特征；然后通过TCGA下载公开病理图像数据，再训练卷积神经网络模型提取病理图像数据中的图像特征；最后通过双峰注意力融合网络BAFN将提取到的基因特征和图像特征进行特征融合并输出分类结果；与传统方法相比，本发明能够更好地利用多模态数据之间的关联性，更高效地融合多模态特征，同时减少融合过程中信息丢失的问题，从而实现更好的分类效果。
-
公开(公告)号：CN113205150B
公开(公告)日：2024-03-01
申请号：CN202110558478.6
申请日：2021-05-21
Applicant: 东北大学
IPC: G06V10/764 , G06V10/80 , G06V10/82 , G06N3/0464 , G06N3/098 , G16H30/20 , G16H50/20 , G16H10/20
Abstract: 本发明提供一种基于多时相融合的多任务分类系统及方法，涉及深度学习技术领域。本发明通过动态的更新每个任务的权重来提高多个临床指标的预测准确性。将MRI放射组学映射到相关的临床指标上可以提高多个任务的预测性能。结合放射组学的相关性，通过多任务学习联合预测指标，对肿瘤的最佳治疗是重要的，还可根据多个临床指标进行临床决策。
-
公开(公告)号：CN113592802B
公开(公告)日：2024-02-02
申请号：CN202110845333.4
申请日：2021-07-26
Applicant: 东北大学 , 中国医科大学附属第一医院
IPC: G06T7/00 , G06T7/10 , G06T7/73 , G06N3/0464 , G06N3/048
Abstract: 本发明提供一种基于超声图像的二尖瓣环位移自动检测系统，涉及计算机视觉技术领域。该系统首先获取多个带有左心室掩模或二尖瓣环位点坐标标签的超声心动图作为样本数据集；然后初始化用于左心室分割和二尖瓣检测的深度神经网络模型，并使用样本数据集预训练深度神经网络模型，得到预训练模型；加载预训练模型的模型参数和配置文件，分割待评估的超声心动图中的左心室内膜，确定二尖瓣环室间隔位点和左心室侧壁位点坐标以及左心室心尖位点坐标；计算二尖瓣环室间隔位点位移、左心室侧壁位点位移和收缩初期到收缩末期二尖瓣环相对于心尖的位移变化量，并在待评估的超声心动图像上输出MAD指标，完成对超声心动图像二尖瓣
-
公开(公告)号：CN113409433B
公开(公告)日：2023-10-17
申请号：CN202110655771.4
申请日：2021-06-11
Applicant: 东北大学
Abstract: 本发明涉及一种基于移动终端的医学三维模型显示和切割系统，系统包括Model‑View‑ViewModel架构；Model‑View‑ViewModel架构包括Model层、View层和ViewModel层；View层用于接收用户交互操作的数据，将用户交互操作的数据传递至ViewModel层；ViewModel层用于在接收到View层传来的用户操作数据后，根据用户操作数据和预先存储的操作数据，对预先存储的模型文件进行处理，获取处理结果，将处理结果保存至Model层；预先存储的模型文件为采用LiveData的组件对模型列表进行存储；View层包括：模型加载模块、包括渲染器的模型显示模块、模型管理模块。
-
-
-
-
-
-
-
-
-
Search Results
106
records
(took 0.044 seconds)
