-
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：CN114596317A
公开(公告)日：2022-06-07
申请号：CN202210253312.8
申请日：2022-03-15
Applicant: 东北大学
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：CN113762387A
公开(公告)日：2021-12-07
申请号：CN202111048836.5
申请日：2021-09-08
Applicant: 东北大学
Abstract: 本发明提供一种基于混合模型预测的数据中心站多元负荷预测方法，涉及自动控制技术领域。本发明将数据中心站的多元数据分成春秋、夏、冬三类场景，居于各类场景的数据进行多元负荷预测，采用GRA方法对多元负荷数据进行特征分析和归一化，将处理后的数据输入到QPSO－BP神经网络进行预测，在预测算法方面，采用QPSO‑BP神经网络与XGBoost模型并行预测，将深度学习与机器学习技术同时运用于负荷预测，将两种集成学习方式有效结合，充分发挥两个模型优点，有助于获得更稳定、泛化能力更强的模型。混合预测模型能主动丰富维度单一的输入数据特征，避免数据采集过程中人为因素导致的数据误差对计算精度的影响，在负荷波动较大等特殊情况下也能实现高精度负荷预测。
-
公开(公告)号：CN113762387B
公开(公告)日：2024-02-02
申请号：CN202111048836.5
申请日：2021-09-08
Applicant: 东北大学
Abstract: 本发明提供一种基于混合模型预测的数据中心站多元负荷预测方法，涉及自动控制技术领域。本发明将数据中心站的多元数据分成春秋、夏、冬三类场景，居于各类场景的数据进行多元负荷预测，采用GRA方法对多元负荷数据进行特征分析和归一化，将处理后的数据输入到QPSO－BP神经网络进行预测，在预测算法方面，采用QPSO‑BP神经网络与XGBoost模型并行预测，将深度学习与机器学习技术同时运用于负荷预测，将两种集成学习方式有效结合，充分发挥两个模型优点，有助于获得更稳定、泛化能力更强的模型。混合预测模型能主动丰富维度单一的输入数据特征，避免数据采集过程中人为因素导致的数据误差对计算精度的影响，在负荷波动较大等特殊
-
-
-
Search Results
4
records
(took 0.02 seconds)
