-
公开(公告)号：CN107230204B
公开(公告)日：2019-11-22
申请号：CN201710374181.8
申请日：2017-05-24
Applicant: 东北大学
Abstract: 本发明公开一种从胸部CT图像中提取肺叶的方法及装置，涉及计算机技术领域。该方法包括基于3D区域生长的肺实质提取过程、基于区域特征的左右肺粘连气管剔除过程、肺血管根部剔除过程、基于拓扑细化的肺血管中心路经提取过程和基于支持向量机分类的肺叶分割算法，以获得肺叶组织。本发明能够准确的从胸部CT图像中提取出肺叶，准确的完成对每个肺叶的病情程度的定量评估，对肺部疾病的诊断和治疗更加准确和有效。
-
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：CN114596317B
公开(公告)日：2025-05-06
申请号：CN202210253312.8
申请日：2022-03-15
Applicant: 东北大学
IPC: G06T7/10 , G06T3/4007 , G06N3/08 , G06N3/0464 , G06V10/774 , G06V10/82 , G06V10/80
Abstract: 本发明公开了一种基于深度学习的CT影像全心脏分割方法；涉及医学图像领域；在网络编码阶段中引入残差模块，增强了网络捕捉全心脏子结构特征的能力。在解码阶段引入基于注意力机制的多尺度融合模块，该模块在反卷积之后融合多尺度特征并进行特征重利用，更好的融合了低级特征和高级特征。同时将加权交叉熵损失函数和加权DICE损失函数结合解决了类失衡问题，在分割细节上起到了良好的驱动作用。本发明实现方法简单，自动将全心脏分成7个子结构，包括左心房、左心室、左心室心肌、右心房、右心室、肺动脉、升动脉，测试一个数据只需几秒钟，极大的减少了医生投入的时间和学习成本，处理过程不需要人工交互，达到了应用的要求。
-
公开(公告)号：CN118314946A
公开(公告)日：2024-07-09
申请号：CN202410425721.0
申请日：2024-04-10
Applicant: 东北大学
Abstract: 本发明公开了基于变分图自编码器的单细胞多组学数据整合方法，涉及单细胞多组学数据整合领域。对原始的scRNA‑seq和scATAC‑seq两组学数据进行预处理，获得细胞特征矩阵；用KNN构建两组学数据的细胞间初级结构图GX和GY；通过拓扑数据分析学习两组学数据的高阶拓扑相似性得到高阶拓扑相似性矩阵；对GX和GY进行重构；以变分图自编码器作为基础架构构建细胞嵌入表示学习模块，并对该模块进行训练获得训练好的细胞嵌入表示学习模块，以训练好的细胞嵌入表示学习模块的输出作为针对两个组学数据的细胞整合结果。本发明方法属于基于深度学习的方法，通过图神经网络来学习细胞间的结构信息，数据整合结果对数据具有更丰富的表达能力。
-
Patent Agency Ranking
公开(公告)号：CN118053501A
公开(公告)日：2024-05-17
申请号：CN202410145086.0
申请日：2024-02-01
Applicant: 东北大学
IPC: G16B40/20 , G16B40/30 , G16B25/10 , G16B25/30 , G06F18/2111 , G06F18/2113 , G06F18/23 , G06F18/2411 , G06F18/243 , G06F18/27 , G06N5/01 , G06N20/20
Abstract: 本发明提供一种基于遗传算法的生物标志物识别方法，涉及机器学习技术领域。该方法首先利用mRMR算法对高维的基因微阵列数据进行过滤；然后通过多种机器学习方法的特征选择结果与OBL算法相结合生成初始化种群，最后使用改进的遗传算法进行最优特征子集的选择，实现生物标志物的识别。该方法融合了不同特征选择算法的优势，还结合了全局搜索和局部搜索进行特征选择，得到的最优个体向量能够保留较少的特征数目且具备较高的分类准确率，实现了较好的分类效果。
-
公开(公告)号：CN113298825B
公开(公告)日：2023-11-14
申请号：CN202110642418.2
申请日：2021-06-09
Applicant: 东北大学
IPC: G06T7/11 , G06T7/136 , G06N3/0464 , G06N3/0455 , G06V10/44 , G06V10/52
Abstract: 本发明公开了一种基于MSF‑Net网络的图像分割方法，涉及图像分割技术领域。该方法包括：输入待分割图像；先将MSF模块加入U‑Net网络的编码阶段，然后图像X经过编码阶段进行特征提取得到特征图M1～M5，将SE模块也加入U‑Net网络的编码阶段，并将M5经过SE模块得到MS；结合步骤2得到的特征图Mi，将MS经过解码阶段进行特征还原得到Y，根据Y得到图像的分割结果。MSF模块的加入，增加了不同尺度感受野的特征提取模块，解决了U‑Net网络中缺少处理图像多尺度问题的模块这一问题；SE模块的加入，可以使特征图自适应地调整各通道之间的关系，提升了网络对于CT图像中病灶分割的准确率。
-
公开(公告)号：CN113139061B
公开(公告)日：2023-07-21
申请号：CN202110525578.9
申请日：2021-05-14
Applicant: 东北大学
IPC: G06F16/35 , G06F16/335 , G06F16/31 , G06F16/903 , G06F40/289 , G06F40/242
Abstract: 本发明提供一种基于词向量聚类的案件特征提取方法，涉及机器学习技术领域。本发明通过对历史案件数据中的案情摘要进行分析，构建基于哈希表的分词方法，并构造司法领域专用停用词表进行停用词过滤，通过word2vec方法生成案情摘要词向量，将词向量聚类，最后生成案情摘要的类簇分布。利用该案件特征提取方法对大量的历史案件案情摘要进行分析，可以准确提取案件不同的关键信息，实现相同类型案件的进一步区分，为客观定量地预测出每个案件的工作量提供参考。本专利提供不同检察院的案件类簇分布，可以对比分析不同检察院的案件分布，为检察院的综合办案能力分析提供参考，提高检察院的自我学习能力。
-
公开(公告)号：CN110517271B
公开(公告)日：2023-02-07
申请号：CN201910776575.5
申请日：2019-08-22
Applicant: 东北大学
IPC: G06T7/11
Abstract: 本发明提供一种先验形状约束的图像水平集分割方法，涉及计算机视觉及图像处理技术领域。该方法读取待分割图像，并初始化图像的水平基函数和形状先验水平集函数；建立图像水平集分割的能量泛函，设定水平集方法中的参数；然后分别更新第j次迭代的聚簇中心集合、图像水平集函数、形状约束水平集函数和基函数权重列向量，并计算第j次迭代的能量泛函的函数值直至达到最大迭代次数J或者能量泛函相邻两次的迭代结果差值小于设定的收敛阈值，得到待分割图像I的分割结果，并根据更新后的基函数权重列向量和基函数列向量得到待分割图像的偏移场估计；本发明方法克服了图像中灰度不均对分割精度造成的影响，在先验形状的约束下，增强了分割方法的鲁棒性。
-
公开(公告)号：CN110349168B
公开(公告)日：2022-11-29
申请号：CN201910623301.2
申请日：2019-07-11
Applicant: 东北大学
IPC: G06T7/11 , G06V10/764
Abstract: 本发明提供一种股骨头CT影像的分割方法，涉及医学图像处理技术领域。该方法使用三维最大类间方差法进行预分割，然后基于图割和形状约束相结合进行自动股骨头精确分割，构建图后，基于Graph cuts模型优化分割结果，基于分层Hough变换检测影像中圆形区，使用SVM对Graph cuts的分割结果进行重新预测、分类，提取邻域梯度特征，分离股骨头和髋臼，以检测出的圆心为种子节点，使用区域生长算法生成股骨头，得到最终的股骨头分割图像。本发明不仅能够有效剔除影像噪声，为Graph cuts模型提供硬约束条件，鲁棒性较好，实现全自动分割股骨头CT影像，还能大大缩短Graph cuts模型的收敛时间，分割出的股骨头边缘完整、细节清晰，分割准确率达到92％。
-
-
-
-
-
-
-
-
-
Search Results
106
records
(took 0.03 seconds)
