-
公开(公告)号：CN106529601B
公开(公告)日：2019-10-11
申请号：CN201611030667.1
申请日：2016-11-16
Applicant: 东北大学
IPC: G06K9/62
Abstract: 本发明涉及数据挖掘技术领域，提出一种基于稀疏子空间多任务学习的图像分类预测方法，包括：步骤一：根据对训练图像集提取的异构视觉特征构建特征数据；步骤二：基于任务的相关性和异构视觉特征的结构性，根据特征数据的训练数据集建立稀疏子空间的多任务分类算法的目标函数；步骤三：基于稀疏子空间的多任务分类算法的目标函数，采用迭代优化算法进行求解，生成稀疏子空间多任务分类模型；步骤四：采用稀疏子空间多任务分类模型对图像测试图像集进行分类预测。本发明结合子空间相关性和稀疏机制建立多任务学习机制，改善分类器的泛化性能，提高了图像分类的泛化性能。
-
公开(公告)号：CN110311974A
公开(公告)日：2019-10-08
申请号：CN201910572743.9
申请日：2019-06-28
Applicant: 东北大学
IPC: H04L29/08 , H04L29/06 , G16H30/20 , G06F16/182
Abstract: 本发明提出一种基于异步消息的云存储服务方法，包括：进行验证登录；客户端发送项目编号ProjectID到云服务器；客户端发送数据到云服务器，数据被保存到本地临时文件目录，将数据发送给消息处理进程中；客户端发送消息到消息队列，消息队列接收到消息后，将该消息按照时间顺序排列在消息队列中；开启消息处理进程，将本地临时文件目录中的数据调用到消息处理进程中，当进程结束后，将所有数据保存到云存储器和数据库中；客户端接收到云服务器消息队列的提示，断开此次连接。本发明提高用户存储数据效率，避免在数据量比较大或者操作时间长的情况下，产生回话连接超时的问题，还能作为插件安装到第三方系统中，方便对已有系统集成和数据迁移。
-
公开(公告)号：CN109285225A
公开(公告)日：2019-01-29
申请号：CN201811197178.4
申请日：2018-10-15
Applicant: 东北大学
Abstract: 本发明涉及一种基于医学影像的虚拟现实辅助手术的建立方法，该方法包括：从患者医学断层图像获取特定组织的体数据，并对体数据进行处理，生成以四面体网络为代表的三维人体组织模型；依据虚拟现实眼镜，构建与现实手术室相当的3D模型手术室；将三维人体组织模型加入到3D模型手术室中，并对组织模型中各个组织添加碰撞检测包围盒，以检测模拟手术中是否碰撞到各组织；将3D模型手术室关联的控制装置与组织模型进行匹配，获取匹配关系，使用户使用控制装置进行虚拟现实辅助手术。上述方法利用从患者CT影像数据提取的组织数据进行三维建模，借助虚拟现实设备还原真实的人体组织与手术场景，达到虚拟手术带来的沉浸感与交互性。
-
公开(公告)号：CN108959660A
公开(公告)日：2018-12-07
申请号：CN201810930098.9
申请日：2018-08-15
Applicant: 东北大学
IPC: G06F17/30
Abstract: 本发明提出一种基于HDFS分布式文件系统的存储方法及使用方法，包括：一体化内容存储文件块结构：包括内容索引表块、采样体数据块、基础信息表块、三维体矩阵块、头信息备份块；基于一体化内容存储文件块结构的文件缓存池：包括用户队列、用户数据队列和HDFS连接池；包括文件缓存池访问流程；本发明技术搭建在分布式文件系统上，减少数据存储成本，易于扩展，支持不停机状态的存储扩容，同时数据存储冗余存储提高了安全性；采用分布式数据访问，显著提升了并发访问能力，比传统的集中存储技术具有更好的读写性能，满足在线高并发访问需求；该技术部署在云平台，能够快速构建应用共享平台，满足移动应用开发对云存储分布性能需求。
-
公开(公告)号：CN108171703A
公开(公告)日：2018-06-15
申请号：CN201810050741.9
申请日：2018-01-18
Applicant: 东北大学
Abstract: 本发明属于基于医学图像的图像处理技术领域，尤其涉及一种从胸部CT图像中自动提取气管树的方法。从胸部CT图像中获取主气管与主支气管；根据3D区域生长分割方式和已获取主气管与主支气管信息，建立自适应阈值3D区域生长分割模型和自适应阈值泄漏模型；利用自适应阈值3D区域生长分割模型和自适应阈值泄漏模型，提取胸部CT图像的第二类气管分支；根据提取的第二类气管分支的中间信息，调整自适应阈值3D区域生长模型和自适应阈值泄露模型的参数，然后提取所述胸部CT图像的第三类气管分支；基于已获取气管树拓扑结构提取末梢气管分支，获得所述胸部CT图像的气管树。本发明提供的方法提高了从CT图像中提取气管树的气管分割精度，同时降低提取时间。
-
Patent Agency Ranking
公开(公告)号：CN107993696A
公开(公告)日：2018-05-04
申请号：CN201711423436.1
申请日：2017-12-25
Applicant: 东软集团股份有限公司 , 东北大学
Abstract: 本发明公开一种数据采集方法、装置、客户端及系统，应用于临床源数据采集，包括：向服务器端发送采集临床源数据的请求，并接收服务器端返回的允许进行临床源数据采集的响应；所述服务器端为医院生产系统；利用第一数目MAP在预先设置时间并行从所述服务器端采集临床源数据；所述第一数目根据预先设置时间确定；利用第二数目MAP并行将采集的临床源数据进行分块预处理；所述第二数目由采集的临床源数据的数据量确定；将预处理后的数据转换为预定格式的目标数据。能够对医院生产系统保存的大量临床数据进行整合。
-
公开(公告)号：CN118691816A
公开(公告)日：2024-09-24
申请号：CN202410816269.0
申请日：2024-06-24
Applicant: 东北大学
IPC: G06V10/26 , G06V10/774 , G06V10/44 , G06V10/80 , G06V10/30 , G06N3/0455 , G06N3/0464 , G06N3/048 , G06V10/764 , G06N3/084
Abstract: 本发明提供一种基于注意力引导的宫颈癌危及器官影像分割方法，涉及医学图像处理技术领域。采用多尺度特征融合与注意力引导的卷积神经网络实现对宫颈癌危及器官的精准分割，通过对不同尺度特征图的有效融合，使得模型更好地捕捉图像中的全局和局部信息，能够应对不同形状和不同位置的危及器官，采用注意力机制引导模型学习重要信息，过滤干扰信息，实现有效信息的准确传递，以此来实现宫颈癌危及器官的准确分割。
-
公开(公告)号：CN118410367A
公开(公告)日：2024-07-30
申请号：CN202410481267.0
申请日：2024-04-22
Applicant: 东北大学
IPC: G06F18/23213 , G06F18/22 , G06N3/0455 , G16B40/30
Abstract: 本发明提供一种基于高斯混合变分图自编码器的聚类方法，涉及数据处理技术领域。该方法以变分图自编码器为基础框架，并使用高斯混合模型作为变分图自编码器的先验分布，能够发现复杂数据的分布，直接获取低维表示中的聚类信息，从而以端到端的方式实现更好的聚类效果；然后将ZINB模型集成到改进的变分图自编码器中，通过学习高维稀疏数据的均值、离散度和数据丢失的概率，其中数据丢失的概率即真实数据被观测为0的概率，来捕获高维稀疏数据的全局概率结构，得到数据的有效特征表示，具备较高的聚类准确率，实现了较好的模型效果。
-
公开(公告)号：CN118154624A
公开(公告)日：2024-06-07
申请号：CN202410412115.5
申请日：2024-04-08
Applicant: 东北大学
IPC: G06T7/11 , G06T7/136 , G06T7/194 , G06T7/62 , G06T7/66 , G06N3/0455 , G06N3/0464 , G06N3/08
Abstract: 本发明设计一种基于置信度评估的鼻咽癌自动分割方法，属于医学影像辅助检测技术领域；首先获取MRI数据，构建MRI数据集；根据MRI数据集配置深度神经网络模型，将鼻咽癌MRI数据集划分为两种数据集类型：训练和测试数据集以及待评估数据集；如果使用的是训练和测试数据集，则初始化MRI鼻咽癌分割模型权重，训练MRI鼻咽癌分割模型；训练完成后输出并保存训练得到的模型参数，加载模型参数配置，使用MRI鼻咽癌分割模型分割待评估数据中的鼻咽癌区域；本发明实现方法简单，运算速度快，结果准确性高，置信度评估准确，基本达到了临床应用的要求。
-
公开(公告)号：CN113177604B
公开(公告)日：2024-04-16
申请号：CN202110525604.8
申请日：2021-05-14
Applicant: 东北大学
IPC: G06F18/2113 , G06F18/23213 , G06F18/24 , G16B40/00
Abstract: 本发明提供一种基于改进L1正则化和聚类的高维数据特征选择方法，涉及机器学习技术领域。本发明提出了一种混合特征选择算法用于微阵列数据分析，基于K‑Means聚类算法和改进L1正则化的思想，其中K‑Means聚类算法用于数据预处理来删除冗余特征，改进L1正则化方法用于特征选择，提高稳定性和分类准确率。
-
-
-
-
-
-
-
-
-
Search Results
106
records
(took 0.072 seconds)
