-
公开(公告)号：CN104537645A
公开(公告)日：2015-04-22
申请号：CN201410767647.7
申请日：2014-12-15
Applicant: 北京工业大学
CPC classification number: G06T7/0012 , A61B8/0891 , A61B8/12 , A61B8/5284 , G06T7/32 , G06T2207/10132 , G06T2207/30101
Abstract: 一种基于血管内超声图像ROI标记点的匹配方法涉及计算机医学图像分析领域。其特征在于，首先将对IVUS图像的ROI以外区域进行背景抑制，将ROI图像提取出来，设定原始图像均匀标记点；然后根据血管壁形变的有限性，以及采集的图像之间不会发生旋转变换，在待匹配图像上设置搜索窗口，搜索窗口的大小根据血管内膜的最大形变量设定。最后在搜索窗口中采用遍历的方法搜索匹配点，将与标记点邻域子图的互相关相似性测度最大的搜索子图的中心位置作为匹配点。与一般的匹配算法比，该方法匹配时间短，精度高。该方法能够提供血管形变前后的位移情况，为弹性计算提供了条件，从而为病变分析提供了很好的依据。
-
Patent Agency Ranking
公开(公告)号：CN105426426A
公开(公告)日：2016-03-23
申请号：CN201510740516.4
申请日：2015-11-04
Applicant: 北京工业大学
CPC classification number: G06F17/3071 , G06K9/6268
Abstract: 一种基于改进的K-Medoids的KNN文本分类方法，该方法涉及计算机文本数据处理领域；首先将对训练文本集和测试文本集进行预先处理，包括分词，停用词去除，DF特征选择以及向量表示，得到训练文本向量空间和测试文本向量空间；然后进行基于改进的K-Medoids方法的训练样本裁剪，即分别从初始中心点选择和替换中心点搜索策略角度进行优化，并将其运用到训练样本裁剪，得到新的训练文本空间；最后进行KNN分类，定义代表度函数，将其运用到类别属性函数中用于KNN分类，得到最终结果。实验结果表明，与传统KNN方法、基于K-Medoids的KNN方法相比，本发明具有更高的分类精度和分类效率。
-
公开(公告)号：CN105512311A
公开(公告)日：2016-04-20
申请号：CN201510927759.9
申请日：2015-12-14
Applicant: 北京工业大学
CPC classification number: G06F17/30 , G06F17/2705 , G06F2216/03
Abstract: 一种基于卡方统计的自适应特征选择方法，本方法涉及计算机文本数据处理领域，首先进行训练文本集和测试文本集的预处理，包括分词，停用词处理，然后进行基于卡方统计的自适应文本特征选择，定义词频因子和类间方差，将其引入CHI算法，为CHI算法添加合适的比例因子，最后结合经典的KNN算法的评价指标，自动调节比例因子，使改进的CHI适用于不同的语料库，以保证较高的分类准确度。实验结果表明，与传统的CHI方法相比，本发明分别用于平衡语料库和非平衡语料库分类精度均得到提高。
-
公开(公告)号：CN105512311B
公开(公告)日：2019-02-26
申请号：CN201510927759.9
申请日：2015-12-14
Applicant: 北京工业大学
Abstract: 一种基于卡方统计的自适应特征选择方法，本方法涉及计算机文本数据处理领域，首先进行训练文本集和测试文本集的预处理，包括分词，停用词处理，然后进行基于卡方统计的自适应文本特征选择，定义词频因子和类间方差，将其引入CHI算法，为CHI算法添加合适的比例因子，最后结合经典的KNN算法的评价指标，自动调节比例因子，使改进的CHI适用于不同的语料库，以保证较高的分类准确度。实验结果表明，与传统的CHI方法相比，本发明分别用于平衡语料库和非平衡语料库分类精度均得到提高。
-
公开(公告)号：CN105426426B
公开(公告)日：2018-11-02
申请号：CN201510740516.4
申请日：2015-11-04
Applicant: 北京工业大学
Abstract: 一种基于改进的K‑Medoids的KNN文本分类方法，该方法涉及计算机文本数据处理领域；首先将对训练文本集和测试文本集进行预先处理，包括分词，停用词去除，DF特征选择以及向量表示，得到训练文本向量空间和测试文本向量空间；然后进行基于改进的K‑Medoids方法的训练样本裁剪，即分别从初始中心点选择和替换中心点搜索策略角度进行优化，并将其运用到训练样本裁剪，得到新的训练文本空间；最后进行KNN分类，定义代表度函数，将其运用到类别属性函数中用于KNN分类，得到最终结果。实验结果表明，与传统KNN方法、基于K‑Medoids的KNN方法相比，本发明具有更高的分类精度和分类效率。
-
公开(公告)号：CN104504757A
公开(公告)日：2015-04-08
申请号：CN201410773992.1
申请日：2014-12-15
Applicant: 北京工业大学
IPC: G06T17/20
CPC classification number: G06T17/20
Abstract: 一种基于限制点集方法的血管壁网格划分方法，涉及计算机医学图像分析领域，其特征在于，首先，一种基于限制点集方法的血管壁网格划分方法。首先，图像序列结合GVF-snake模型对血管内超声图像进行分割，提取出血管壁的ROI区域；然后，根据多次实验对比，拟定合适的阈值对ROI区域进行二值化处理的到血管壁的内外膜边缘；最后，利用限制点集的方法选取边缘上的特征点，并对特征点进行Delaunay划分，消去位于血管腔中的无效三角形，从而获得直观、精确的血管壁划分效果。为后续血管壁应变分析创造条件。
-
-
-
-
-
Search Results
6
records
(took 0.019 seconds)
