-
公开(公告)号：CN113888474B
公开(公告)日：2024-05-31
申请号：CN202111063063.8
申请日：2021-09-10
Applicant: 北京邮电大学
IPC: G06T7/00 , G06T7/11 , G06V10/774 , G06V10/764 , G06V10/80 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 本发明提供了一种目标细胞的智能检测方法。所述方法包括：将超高分辨率免疫组化数字图像均匀地、低重叠地裁剪成多个大尺寸概览图像；将概览图像输入卷积神经网络提取得到不同尺度的特征；将不同尺度的特征进行自适应加权融合，计算出候选细胞的分布概率图；将分布概率图映射到输入的概览图像中，得到多个位置坐标；根据位置坐标信息，对概览图像进行局部裁剪，得到候选细胞的小尺寸近距离图像；将候选细胞的小尺寸近距离图像输入分类网络，输出候选细胞是否为目标细胞的精确分类结果；融合所有概览图像中候选细胞的位置坐标信息和精确分类结果，最后输出目标细胞的检测结果。本发明不仅能更快速地得到检测的结果，还能保证检测的精度。
-
公开(公告)号：CN117672509A
公开(公告)日：2024-03-08
申请号：CN202311361638.3
申请日：2023-10-19
Applicant: 北京邮电大学
IPC: G16H50/30 , A61B5/145 , A61B5/01 , A61B5/11 , A61B5/0205 , A61B5/02 , A61B5/00 , G16H40/60 , G06F18/15 , G06N3/09
Abstract: 本发明提供了基于可穿戴设备监控的体征信号的呼吸道疾病重症预测方法。所述方法包括：通过可穿戴设备采集患者体征信号，并收集电子病例；对患者体征信号做清洗过滤、时长筛选、质量评估等处理；待训练干净特征信号的归一化与时间编码处理；以临床结论为参照，根据临床数据分析呼吸道疾病病程趋势，并以此为先验知识，设计合适的病程拟合曲线函数；分析临床信号特点，构建针对一维信号特征提取骨干网络；依托病程拟合曲线，构建针对噪声标签的鲁棒性损失函数，以训练深度学习分类网络，用来预测呼吸道疾病患者的重症情况；不断优化病程拟合曲线与特征提取骨干网络，寻找最具普遍性的呼吸道疾病病程趋势，以此构建呼吸道疾病重症预测系统。本发明的方案结合呼吸道疾病临床的结论先验，寻找最具普遍性的病程趋势，构建鲁棒性损失函数监督优化深度学习分类网络。该重症预测系统不需要重新训练即可应用推广在临床与居家特征监控中，在实际应用中具有轻小便捷、时效性高、精度高、推广范围广、鲁棒性高等优点。
-
公开(公告)号：CN117235529A
公开(公告)日：2023-12-15
申请号：CN202311321973.0
申请日：2023-10-12
Applicant: 北京邮电大学
IPC: G06F18/214 , A61B5/318 , G06F18/40 , G06F18/10 , G06F18/213 , G06F18/243 , G06N3/0464
Abstract: 本发明提供了基于关键点和质量标签辅助的ECG信号标注方法、软件工具及系统。所述方法包括：对ECG信号进行标准化处理，形成待标注的数据集S0；将S0进行数据滤波降噪预处理；计算ECG信号的关键点(R‑Peak，P‑Peak和T‑Peak)；训练质量评估模型，并基于此模型计算ECG信号的质量标签；搭建可视化标注平台，加载之前步骤计算出的关键点和质量标签到标注平台作为人工标注的辅助提示；人机交互标注R‑Peak、P‑Peak和T‑Peak，噪声等级和心律失常特征；标注结果进行标准化格式保存。本发明的方案可应用于复杂噪声环境中采集的ECG信号的质量评估，通过可视化标注工具和辅助标注信息，以人机交互的策略辅助构建ECG相关数据集，对ECG信号处理、医学信号智能分析算法等方向的研究具有重要意义。
-
公开(公告)号：CN113053497B
公开(公告)日：2022-06-28
申请号：CN202110250510.4
申请日：2021-03-08
Applicant: 北京邮电大学
Abstract: 本发明提供了一种优化组织学病理图像智能分析性能的后处理方法。所述方法包括：获取病例的多张病理切片的数字图像，并绘制先验图谱；将切片对应的数字图像和先验图谱裁剪成小尺寸图像块；计算待优化算法对于小尺寸图像块的预测置信概率特征，并计算对应的先验图谱的平均值作为先验权重；计算每个小尺寸图像块的加权置信概率特征；融合切片对应的所有小尺寸图像块的加权置信概率特征；融合病例对应的所有切片的加权置信概率特征；最后预测病例所属病变类别。本发明的方案不需要重新训练即可应用于现有智能分析方法，不仅能提升算法的分析精度，也能结合医生的先验知识关注部分关键区域，在病理医生诊断过程中起到更精确的智能辅助效果。
-
公开(公告)号：CN114646653A
公开(公告)日：2022-06-21
申请号：CN202011521136.9
申请日：2020-12-21
Applicant: 中国科学院物理研究所 , 北京邮电大学
IPC: G01N23/20058 , G01N23/2055 , G06K9/62 , G06V10/762 , G06T7/00 , G06T7/60
Abstract: 本发明提供了一种基于机器学习的原位电子衍射数据处理分析方法及应用，该方法包括：单帧电子衍射图中心的自动标定，衍射斑点的自动检测和跟踪，衍射环的计算和标定，以及针对单个衍射斑点的径向半径、亮暗衬度和切向角度变化的数据存储和分析方法。本发明结合了机器学习、图像处理等方法，实现了对于原位电子衍射数据中每一帧电子衍射花样中的每一个衍射斑点的定性分析和定量计算。
-
Patent Agency Ranking
公开(公告)号：CN109815863B
公开(公告)日：2021-10-12
申请号：CN201910026602.7
申请日：2019-01-11
Applicant: 北京邮电大学
Abstract: 本公开涉及一种基于深度学习和图像识别的烟火检测方法，包括以下步骤：步骤1、从待识别的视频中读取视频帧，根据所述视频帧内的像素的颜色特征、以及视频帧间的像素的差异特征，提取所述视频帧内的部分像素集合，形成一个或多个预处理区域供识别；步骤2、将提取出的预处理区域截取成图片，作为烟火检测模型的输入；步骤3、通过所述烟火检测模型，从所述图片提取特征；步骤4、根据所提取的特征来确定所述图片中存在烟火场景的置信度；步骤5、如果所述置信度超过置信度阈值，则将所述图片对应的区域在所述视频帧中标记出来。
-
公开(公告)号：CN109801275B
公开(公告)日：2021-09-10
申请号：CN201910026589.5
申请日：2019-01-11
Applicant: 北京邮电大学
Abstract: 本公开涉及一种基于图像识别的马铃薯病害检测方法，包括以下步骤：步骤1、客户端获取待识别的马铃薯叶片、根茎和薯块的图片，并上传到服务端；步骤2、服务端对所述图片进行预处理，之后将预处理后的图片送入深度学习模型；步骤3、深度学习模型对预处理后的图片提取高维特征后识别并标定出图片中包含的马铃薯病斑的类别和位置；步骤4、将识别出的病斑位置及其类别作为标记叠加到图片上，形成检测结果图片，以供客户端下载并显示。
-
公开(公告)号：CN112991360A
公开(公告)日：2021-06-18
申请号：CN202110226699.3
申请日：2021-03-01
Applicant: 北京邮电大学
Abstract: 本发明提供了一种宫颈癌前病理组织学分割优化方法。所述方法包括：选择宫颈分布一致性损失函数的优化权重函数类型；选择宫颈分布一致性损失函数的优化权重函数参数；确定宫颈分布一致性损失函数表达形式；计算宫颈分布一致性损失函数的值并优化模型；迭代优化预测模型的性能；通过更新后的预测模型预测病变位置和类别。本发明的方案适用于大多数从其他领域迁移的图像分割神经网络结构，可应对各种实际采集到的复杂宫颈活检组织样本，明显提升现有的图像分割方法在宫颈癌前组织图像分割任务上的性能，大幅度节约人工成本。
-
公开(公告)号：CN103888770B
公开(公告)日：2018-03-09
申请号：CN201410098019.4
申请日：2014-03-17
Applicant: 北京邮电大学
IPC: H04N19/40 , H04N19/176 , H04N19/513 , H04N19/96
Abstract: 本申请公开了一种基于数据挖掘的高效自适应的视频转码系统、以及方法，该方法包括以下步骤：步骤1、输入第一压缩标准的待转码的视频；步骤2、对所述待转码的视频进行解码，生成待编码的视频，并提取每个视频帧的每个宏块的解码信息；步骤3、将所提取的解码信息输入到编码宏块模式决策树，通过编码宏块模式决策树来确定待编码的视频的每个视频帧的每个宏块将采用的编码宏块模式；步骤4、根据所确定的编码宏块模式、以及每个宏块的运动矢量，对待编码的视频的每个视频帧的每个宏块进行第二压缩标准的编码，从而将待编码的视频编码为第二压缩标准的转码后的视频。
-
公开(公告)号：CN103955699B
公开(公告)日：2017-12-26
申请号：CN201410125985.0
申请日：2014-03-31
Applicant: 北京邮电大学
Abstract: 本申请公开了一种基于监控视频的实时摔倒事件检测方法，在检测场景中安装有朝向同一目标区域、拍摄角度不同的多个摄像机，多个摄像机连续拍摄目标区域，包括以下步骤：多个摄像机同时拍摄目标区域的一段视频；从多个摄像机各自拍摄的同一时段的多个视频中，分别提取出每一帧画面的代表目标的前景图像；提取同一时刻同一目标的前景图像在由多个摄像机拍摄的画面中的各自的形状和位置特征，并使用RVM分类器，确定每一帧画面对应的时刻的目标姿态类别；将所得到的每一帧画面的目标姿态类别作为目标姿态值序列输入到HMM评估器，得到目标姿态类别变化的后验概率，目标姿态类别变化代表目标摔倒事件发生；如果后验概率大于预定阈值，则确定摔倒发生。
-
-
-
-
-
-
-
-
-
Search Results
71
records
(took 0.033 seconds)
