-
公开(公告)号：CN110459317A
公开(公告)日：2019-11-15
申请号：CN201910742381.3
申请日：2019-08-13
Applicant: 东北大学
Abstract: 本发明提供一种基于动态脑网络图核的阿尔茨海默病辅助诊断系统及方法。该诊断系统包括预处理单元、动态脑网络构建单元、动态脑网络图核计算单元和分类诊断单元，首先通过预处理单元对功能核磁共振图像进行图像的预处理，然后通过动态脑网络构建单元对预处理后的功能核磁共振图像依次进行脑区的匹配、时间段的分割、互信息值的计算以及频繁子图的挖掘，然后通过动态脑网络图核计算单元对重建的频繁子图动态脑功能网络依次通过二分图的最优匹配、图核的计算、图核矩阵的组合以及权值的分配，得到一个融合后的动态脑功能网络图核矩阵，通过与核SVM结合通过数据训练器进行数据的训练，最终通过辅助诊断器实现对阿尔茨海默病的诊断。
-
公开(公告)号：CN105956198B
公开(公告)日：2019-04-26
申请号：CN201610445569.8
申请日：2016-06-20
Applicant: 东北大学
Abstract: 本发明提供一种基于病灶位置与内容的乳腺图像检索系统及方法，该系统包括图像预处理单元、图像病灶位置相似性度量单元、图像内容相似性度量单元和图像综合相似性度量器，该方法为获取乳腺钼靶x射线图像的待检索图像、历史图像集，选取标准图像，对待检索图像和历史图像集进行预处理，对预处理后的待检索图像和预处理后的历史图像集进行图像病灶位置相似性度量，对乳腺钼靶x线图像的预处理后的待检索图像和预处理后的历史图像集进行图像内容相似性度量，得出图像综合相似性图像序号，得到待检索图像检索结果。本发明增加了基于病灶位置相似性度量方法，有效地改善乳腺钼靶x线图像的检索性能，进一步辅助医生对乳腺疾病的诊断。
-
公开(公告)号：CN109598709A
公开(公告)日：2019-04-09
申请号：CN201811440304.4
申请日：2018-11-29
Applicant: 东北大学
Abstract: 本发明提供一种基于融合深度特征的乳腺辅助诊断系统及方法，涉及医学图像后处理技术领域。系统包括预处理单元、肿块检测单元、融合深度特征提取单元和肿块诊断单元，对原始乳腺图像进行预处理，将乳腺区域分割成若干个互不重叠的子区域；利用卷积神经网络CNN提取乳腺子区域深度特征，利用US-ELM对各子区域深度特征进行聚类，得到乳腺肿块与非肿块区域；利用卷积神经网络CNN提取肿块深度特征，同时提取肿块形态、纹理特征，将肿块深度、形态、纹理特征融合成融合深度特征；利用超限学习机ELM对融合深度特征进行学习，最终得到肿块的良恶性诊断结果。本发明应用到乳腺辅助诊断中，能有效辅助乳腺疾病的准确诊断。
-
公开(公告)号：CN109300113A
公开(公告)日：2019-02-01
申请号：CN201810984893.6
申请日：2018-08-28
Applicant: 东北大学
Abstract: 本发明提供一种基于改进凸包方法的肺结节辅助检测系统及方法，涉及计算机辅助检测领域。该系统包括肺轮廓分割、肺实质空洞填充及气管去除、肺边界修补、疑似候选结节分割、灰度共生矩阵构造、Haralick特征参数计算、Haralick特征集合构成和肺结节辅助检测8个单元；该方法包括：获取肺结节图像并预处理；对图像进行二值化分割；去除图像中非重点部分；修补边缘的凹陷；获取疑似候选结节区域并提取其特征值；判断特征值是否符合过滤条件；生成符合条件图像的灰度共生矩阵及Haralick特征集合；获得训练后的ELM诊断器；获得待诊断肺结节图像的风险概率。本方法能够有效改善肺结节患病风险预测的性能，辅助临床医生根据风险概率更好的为病人诊断，提高诊断的准确性。
-
公开(公告)号：CN109146848A
公开(公告)日：2019-01-04
申请号：CN201810811670.X
申请日：2018-07-23
Applicant: 东北大学
CPC classification number: G06T7/0012 , G06K9/4604 , G06K9/629 , G06K2009/4666 , G06K2209/055 , G06T5/002 , G06T7/41 , G06T7/45 , G06T2207/10132 , G06T2207/20084 , G06T2207/20104 , G06T2207/20221 , G06T2207/30068
Abstract: 本发明涉及一种融合多模态乳腺图像的计算机辅助参考系统及方法，步骤为：对同一患者的乳腺超声和钼靶影像进行图像预处理；以预处理后的乳腺超声和钼靶图像作为输入，获取乳腺图像中肿块区域，获取超声图像的感兴趣区域和乳腺钼靶图像的感兴趣区域；提取乳腺超声图像和乳腺钼靶图像的感兴趣区域的纹理特征及深度特征；将提取的GLCM、LBP、HIS纹理特征以及CNN深度特征进行串联融合，构建纹理‑深度融合特征模型；以纹理‑深度融合特征模型为输入，使用正则化极限学习机对乳腺肿块进行良恶性分类。本发明使用正则化极限学习机对乳腺肿块进行良恶性的分类，从临床需求出发，实现对乳腺肿块性质的判断，为医生诊断提供客观的参考依据。
-
Patent Agency Ranking
公开(公告)号：CN106202969B
公开(公告)日：2018-10-23
申请号：CN201610616774.6
申请日：2016-08-01
Applicant: 东北大学
Abstract: 一种肿瘤分子分型预测系统，包括：基因表达数据提取模块：获取肿瘤基因表达数据；缺失值预处理器：对获取肿瘤基因表达数据进行缺失值填充；重要基因提取模块：提取肿瘤基因表达数据中决定生存时间的肿瘤重要基因；US‑ELM分子分型模块：利用US‑ELM对肿瘤重要基因数据进行肿瘤分子分型预测。本发明的肿瘤分子分型预测系统，克服了以往的针对肿瘤分子分型技术方法速度慢、泛化性能差、分类准确率低的缺陷，实现了快速且分类准确率高的肿瘤分子分型预测，并且能够对多个类别的肿瘤进行无监督机器学习。利用本发明系统进行肿瘤分子分型预测，能更好的判断肿瘤生物学行为，本发明的直接目的不是得到诊断结果，而是为制定个性化治疗方案提供参考依据。
-
公开(公告)号：CN105956198A
公开(公告)日：2016-09-21
申请号：CN201610445569.8
申请日：2016-06-20
Applicant: 东北大学
CPC classification number: G06F17/30247 , G06F19/321
Abstract: 本发明提供一种基于病灶位置与内容的乳腺图像检索系统及方法，该系统包括图像预处理单元、图像病灶位置相似性度量单元、图像内容相似性度量单元和图像综合相似性度量器，该方法为获取乳腺钼靶x射线图像的待检索图像、历史图像集，选取标准图像，对待检索图像和历史图像集进行预处理，对预处理后的待检索图像和预处理后的历史图像集进行图像病灶位置相似性度量，对乳腺钼靶x线图像的预处理后的待检索图像和预处理后的历史图像集进行图像内容相似性度量，得出图像综合相似性图像序号，得到待检索图像检索结果。本发明增加了基于病灶位置相似性度量方法，有效地改善乳腺钼靶x线图像的检索性能，进一步辅助医生对乳腺疾病的诊断。
-
公开(公告)号：CN112802543B
公开(公告)日：2024-04-30
申请号：CN202110048797.2
申请日：2021-01-14
Applicant: 东北大学
Abstract: 本发明提供了一种基于概率图的基因调控网络分析方法，属于基因调控网络分析技术领域。包括：输入概率图，其每个顶点代表一个基因，顶点间的有向边代表基因间存在的调控关系，边上的概率值表示基因间调控关系的强度；在表示基因调控网络的概率图上计算各顶点的中心性，包括度中心性、紧密中心性和中介中心性，对中介中心性计算方法进行了优化；根据概率图上各顶点的中心性，筛选出关键节点；输入源顶点集合和目的顶点，根据实际需要可选择精确计算方法或者近似计算方法计算属于源顶点集合的各源顶点到目的顶点且经过关键节点的可达概率，并根据可达概率对各源顶点进行排序。该方法可以更高效、可靠地分析基因调控网络，大大提高分析结果的准确度。
-
公开(公告)号：CN110718301B
公开(公告)日：2024-04-19
申请号：CN201910916563.8
申请日：2019-09-26
Applicant: 东北大学
Abstract: 本发明公布了一种基于动态脑功能网络的阿尔茨海默病辅助诊断装置及方法。诊断装置包括fMRI数据预处理单元、构建动态脑功能网络单元、生成用于训练的特征单元以及svm分类辅助诊断单元，该诊断装置的使用方法为：首先进行图像预处理，然后构建动态脑网络，其次计算分割后的脑网络的节点度量，并通过时间序列生成器将每个节点度量构成一个时间序列，随后通过特征提取器为构成的时间序列提取特征，再通过特征过滤器将过滤后的特征拼接成一个矩阵并通过特征筛选器筛选，最后通过数据训练器进行数据的分类训练，最终通过辅助诊断器实现对阿尔茨海默病的诊断。该方法克服了静态脑功能网络无法表示动态信息的缺陷，起到了更好的为医疗辅助诊断服务的效果。
-
公开(公告)号：CN117689880A
公开(公告)日：2024-03-12
申请号：CN202410142199.5
申请日：2024-02-01
Applicant: 东北大学
IPC: G06V10/25 , G06V10/42 , G06V10/52 , G06V10/764 , G06V10/77 , G06V10/80 , G06V10/82 , G06N3/0464 , G06N3/084
Abstract: 本发明提供一种基于机器学习用于生物医学图像中目标识别的方法及系统，涉及目标识别技术领域，包括：获取待处理图像，提取待处理图像的分层特征，将顶层特征和底层特征与中间层特征进行特征融合，得到多尺度特征图；将多尺度特征图进行全局平均池化，得到通道维度上的全局描述，结合预先引入的通道注意力机制，确定每个通道的通道权重，根据通道权重得到不同通道的通道特征图，确定通道特征图对应的响应值，将响应值最高的通道特征图作为目标特征图；通过预设的目标检测模型对所述目标特征图生成候选目标框，并对候选目标框进行评分，确定是否存在检测目标，保留存在检测目标的候选目标框，并对保留的候选目标框进行目标分类，得到检测结果。
-
-
-
-
-
-
-
-
-
Search Results
90
records
(took 0.019 seconds)
