-
公开(公告)号：CN114239705B
公开(公告)日：2024-08-23
申请号：CN202111480785.3
申请日：2021-12-06
Applicant: 大连理工大学
IPC: G06F18/241 , G06F18/214 , G06N3/0464 , A61B5/055 , A61B5/00 , G06V10/764 , G06V10/774 , G06V10/82
Abstract: 一种基于显著图解释多被试复数fMRI数据CNN分类结果的方法，属于生物医学信号处理领域。将单被试的切片样本送入一个训练好的CNN模型获得卷积层输出的特征图，将多通道特征图进行平均并上采样到与输入样本同样的尺寸；经过归一化、取阈值获得分类过程中所依据的显著特征，以解释单被试的分类结果；对于多个被试，将同类被试的特征图先取平均，归一化后取阈值获得分类过程中所依据的组显著特征，用于解释多被试的分类结果。从多个被试的复数静息态fMRI数据中提取DMN成分后，分别建立SSP图和SSM图的样本集，用于训练两个结构相同的CNN模型；本发明的显著图可视化方法显示出SSP图比SSM图在CNN网络的内部传递中生成了更完整、区分度更高的显著特征，提高了CNN模型分类的可信度。
-
公开(公告)号：CN114187475A
公开(公告)日：2022-03-15
申请号：CN202111511828.X
申请日：2021-12-06
Applicant: 大连理工大学
Abstract: 一种基于热力图解释多被试复数fMRI数据CNN分类结果的方法，属于生物医学信号处理领域。将单被试切片样本输入一个训练好的CNN模型，提取最后一个池化层输出的特征图；通过反向传播计算模型输出相对于特征图的梯度；将梯度加权后的特征图送入线性整流单元；经过上采样得到热力图，将模型的决策依据可视化，解释单被试分类结果。对于多个被试，将同类被试的热力图进行平均，得到组热力图，解释多被试分类结果。本发明分别计算精神分裂症患者和健康对照被试在两个CNN模型下的热力图。SSP图比SSM图给出了更完整的DMN区域以及更大的组间差异，提高了CNN分类的可信度。
-
公开(公告)号：CN113792254A
公开(公告)日：2021-12-14
申请号：CN202111302720.X
申请日：2021-11-05
Applicant: 大连理工大学
Abstract: 一种引入空间稀疏约束的多被试fMRI数据Tucker分解方法，属于生物医学信号处理领域。其在RKCA低秩约束Tucker分解模型中引入了空间稀疏约束，解决了“空间体素×时间×被试”形式多被试fMRI数据的高噪性问题，匹配了多被试共享空间成分的稀疏性，从中有效提取了多被试的共享空间成分、共享时间成分，以及含有丰富被试个体信息的核张量。在10个健康被试任务态fMRI数据分解中，与RKCA方法相比，所提取任务态和默认网络的共享空时成分与参考成分的相关系数分别提升了58.3％和29.6％以及31.7％和31.9％，在空间参考内的激活体素数目分别增加了51.1％和26.0％，为脑认知和脑疾病研究提供了新方法。
-
公开(公告)号：CN109871875B
公开(公告)日：2021-01-19
申请号：CN201910054336.9
申请日：2019-01-21
Applicant: 大连理工大学
Abstract: 本发明公开了一种基于深度学习的建筑物变化检测方法，属于计算机视觉技术领域。首先，应用深度学习图像分割算法U‑net进行建筑物分割，得到二值分割图像；接着，将二值分割图像合并，生成建筑物区域合并二值图像；然后，以合并图像为掩蔽图像，去除输入图像中的噪声地物，得到无噪图像；最后，采用非监督深度学习网络PCAnet对无噪图像进行变化检测，选取并输出最优变化图像。与现有的建筑物变化检测方法相比，本发明利用深度学习进行变化检测却不需大量带标签的训练数据；在输入图像中存在噪声地物如树木、车辆、行人等干扰时，只针对建筑物区域进行变化检测。测试结果表明，本专利比GDBM模型方法的正确率提高了7％，虚警率降低了59.8％。
-
公开(公告)号：CN110916661A
公开(公告)日：2020-03-27
申请号：CN201911144811.8
申请日：2019-11-21
Applicant: 大连理工大学
Abstract: 一种ICA-CNN分类的fMRI脑内数据时间预滤波增广方法，属于生物医学信号处理领域。首先对fMRI脑内数据施加时间滤波，增广生成新的fMRI数据集；然后送入ICA-CNN框架，实现对病人与健康人分类性能的改进。采用本发明对82被试的静息态fMRI数据进行病人和健康人的分类，采用三种具有不同通频带的理想带通滤波器对fMRI脑内数据进行时间滤波，生成三组fMRI数据集，然后送入ICA-CNN框架分类。相比已有的多模型阶数数据增广方法，本发明能将分类准确率提高8.24％；若将二者结合，能将分类准确率提高21.06％。因此本发明既能独立提升网络分类性能，也容易与其他增广方法结合，显著提高分类准确率。
-
Patent Agency Ranking
公开(公告)号：CN109871875A
公开(公告)日：2019-06-11
申请号：CN201910054336.9
申请日：2019-01-21
Applicant: 大连理工大学
Abstract: 本发明公开了一种基于深度学习的建筑物变化检测方法，属于计算机视觉技术领域。首先，应用深度学习图像分割算法U-net进行建筑物分割，得到二值分割图像；接着，将二值分割图像合并，生成建筑物区域合并二值图像；然后，以合并图像为掩蔽图像，去除输入图像中的噪声地物，得到无噪图像；最后，采用非监督深度学习网络PCAnet对无噪图像进行变化检测，选取并输出最优变化图像。与现有的建筑物变化检测方法相比，本发明利用深度学习进行变化检测却不需大量带标签的训练数据；在输入图像中存在噪声地物如树木、车辆、行人等干扰时，只针对建筑物区域进行变化检测。测试结果表明，本专利比GDBM模型方法的正确率提高了7％，虚警率降低了59.8％。
-
公开(公告)号：CN108903942A
公开(公告)日：2018-11-30
申请号：CN201810742529.9
申请日：2018-07-09
Applicant: 大连理工大学
IPC: A61B5/055
Abstract: 一种利用复数fMRI空间源相位识别空间差异的方法，属于生物医学信号处理技术领域。对复数fMRI数据进行空间ICA分离，选取感兴趣成分，再进行相位校正和消噪，获得感兴趣成分的空间源相位，最后通过方差齐性分析和方差差异系数计算，识别SZs与HCs在空间源相位中的差异。与被广泛应用的幅值数据相比，本发明利用空间源相位识别精神分裂症患者组与健康对照组之间的空间差异，能展示更高的灵敏度以及可靠性。例如，针对82被试静息状态下采集的复数fMRI数据，在不使用FDR校正的前提下，空间源相位在DMN中多提取到了122.95％的差异性体素，并且由空间源相位提取到的能够通过FDR校正的差异性体素比幅值多出69％。
-
公开(公告)号：CN107229935A
公开(公告)日：2017-10-03
申请号：CN201710341830.4
申请日：2017-05-16
Applicant: 大连理工大学
CPC classification number: G06K9/4671 , G06K9/6211
Abstract: 一种三角形特征的二进制描述方法，属于计算机视觉领域。主要是改进了原RTM算法对三角形特征的浮点描述方法，采用192bits二进制数表示原RTM算法的6维浮点型形状描述子；采用ORB算法中的rBRIEF二进制描述方法，将原RTM算法的32维浮点型区域描述子重建为256bits二进制区域描述子。改进RTM算法的速度大约是原RTM算法速度的3倍；原RTM算法中每个三角形描述子占用152字节，改进算法每个三角形的描述子仅占用56字节，内存占用量降为原RTM算法的36.8％。在精度方面，改进算法的正确率和匹配分数均高于原RTM算法，在结构场景中能匹配上原RTM算法和SIFT算法不能匹配的特征点。因此，本发明在实时性要求高而内存有限的情况下具有良好的应用前景。
-
公开(公告)号：CN105118062B
公开(公告)日：2017-08-22
申请号：CN201510556221.1
申请日：2015-09-02
Applicant: 大连理工大学
IPC: G06T7/33
Abstract: 本发明提供了一种基于单端点特征描述的线段匹配方法，其将线段的一个端点作为主特征点，另一端点作为辅特征点，构建特征描述单元；将特定的线段方向作为特征单元的参考方向，构建特征描述子，进行主特征点匹配；通过两条线段任一端点的匹配关系确定两条线段的匹配关系，最后利用匹配特征点的几何验证来完成线段匹配正确性的验证。本发明大大简化了算法的计算复杂度，显著提升了匹配速度。只要两幅图像对应线段上的任何一个端点或者断点之间能够匹配，则两条线段或者线段的子线段就能够匹配。用线段方向作为描述子的参考方向，解决了根据邻域梯度计算参考方向的模糊性问题，消除了端点相近但方向不同两条线段的错误匹配，提高了线段匹配的鲁棒性。
-
公开(公告)号：CN106875366A
公开(公告)日：2017-06-20
申请号：CN201710116707.2
申请日：2017-03-01
Applicant: 大连理工大学
IPC: G06T5/00
CPC classification number: G06T5/002 , G06T2207/10088
Abstract: 本发明公开了一种对静息态复数fMRI数据进行ICA后处理消噪的相位精确范围检测方法，属于生物医学信号处理领域。对于某一待消噪SM成分，在区间(0,π/2]范围内，采用等间距相位扫描方法，得到K个待检测的有效体素相位范围根据待消噪SM成分的先验信息，构建其参考SM幅值；通过最大化相位消噪SM成分幅值与参考SM幅值之间的相关系数，求解最终的有效体素精确相位范围本发明保障了在ICA中利用完备的静息态复数fMRI数据，大大提升了SM成分所包含的脑功能信息，例如，利用本发明所检测相位范围消噪后的默认网络成分，其所包含的有效体素数是仅仅利用幅值fMRI数据进行ICA的6倍。因此，本发明能为脑功能研究和脑疾病诊断提供更好的技术支持。
-
-
-
-
-
-
-
-
-
Search Results
83
records
(took 0.024 seconds)
