-
公开(公告)号：CN117457222A
公开(公告)日：2024-01-26
申请号：CN202311782235.6
申请日：2023-12-22
Applicant: 北京邮电大学
Abstract: 本申请提供阿尔茨海默症大脑萎缩模型构建方法、预测方法及装置，涉及健康信息处理技术领域，构建方法包括：构建由健康人的磁共振图像数据集和各个阿尔茨海默症患者的磁共振图像数据构成的混合数据集；采用混合数据集和健康人的磁共振图像数据集训练阿尔茨海默症大脑萎缩模型，以提取混合数据集的伪健康特征并输出伪健康图像数据，基于混合数据集提取个体大脑萎缩特征并输出个体大脑萎缩预测图像数据，并基于伪健康特征和个体大脑萎缩特征重建混合数据集。本申请能够有效提高阿尔茨海默症大脑萎缩模型的泛化能力及适用范围，进而能够有效提高采用阿尔茨海默症大脑萎缩模型进行大脑萎缩辅助预测的准确性及有效性。
-
公开(公告)号：CN117372440A
公开(公告)日：2024-01-09
申请号：CN202311681795.2
申请日：2023-12-08
Applicant: 北京邮电大学
IPC: G06T7/00 , A61B5/00 , A61B5/055 , A61B5/245 , G06V10/766 , G06V10/774 , G06V10/80
Abstract: 本申请提供阿尔茨海默病风险预警模型训练方法、预警方法及设备，方法包括：根据历史被测对象的多模态磁共振影像对应的多个层级的脑网络特征，构建多个用于存储各个历史被测对象各自对应的样本数据与阿尔茨海默病风险等级标签之间的对应关系的数据集，采用不同的数据集分别一对一训练各个单模态风险预测模型；基于各个单模态风险预测模型分别输出的单模态阿尔茨海默病风险等级数据训练线性回归模型，得到用于输出被测对象的阿尔茨海默病风险预警结果数据的阿尔茨海默病风险预警模型。本申请能够充分捕获多模态磁共振成像所反应的特异和互补的信息，能够更加全面地刻画大脑的全局变化，并能够提高阿尔茨海默病风险评估结果的准确性及可靠性。
-
公开(公告)号：CN119919291A
公开(公告)日：2025-05-02
申请号：CN202510416238.0
申请日：2025-04-03
Applicant: 北京邮电大学
IPC: G06T3/4053 , G06T3/4046 , G06T17/00 , G06N3/0464 , G06N3/048
Abstract: 本申请提供结构磁共振超分辨率图像重建模型训练方法、重建方法及设备，涉及图像处理技术领域，训练方法包括：对结构磁共振图像进行各向异性下采样以得到用于模拟临床结构磁共振低分辨率图像的目标低分辨率图像；基于参考结构磁共振图像生成目标低分辨率图像对应的图像样本，并基于图像样本和结构磁共振图像训练深度学习模型，以将该深度学习模型训练为用于将图像样本重建为超分辨率图像的结构磁共振超分辨率图像重建模型。本申请能够提高图像样本模拟临床中厚层扫描的低分辨率图像的有效性及合理性，能够提高采用图像样本训练结构磁共振超分辨率图像重建模型的有效性及可靠性，进而能够提高采用该模型重建超分辨率图像的精度及可靠性。
-
公开(公告)号：CN119169398A
公开(公告)日：2024-12-20
申请号：CN202411674769.1
申请日：2024-11-21
Applicant: 北京邮电大学
IPC: G06V10/764 , A61B5/00 , G16H50/20 , G06N3/0499 , G06T7/00 , G06V10/422 , G06V10/44 , G06V10/82
Abstract: 本申请提供阿尔茨海默病预测模型训练方法、阿尔茨海默病预测方法及设备，训练方法包括：采用磁共振成像样本的脑室轮廓点云及第一深度学习模型得到第一阿尔茨海默病预测结果数据；采用经协变量校正后的脑室体积比数据及第二深度学习模型得到第二阿尔茨海默病预测结果数据；将第一阿尔茨海默病预测结果数据、第二阿尔茨海默病预测结果数据以及分类标签集中训练SVM模型以用于预测阿尔茨海默病预测融合结果。本申请能够聚焦脑室形态学特征并实现脑室形状的精准刻画，能够有效消除无关因素干扰，能够采用脑室多维数据进行集成学习，并能够有效提高阿尔茨海默病预测模型的分类性能和泛化能力，进而能够有效提高阿尔茨海默病预测效率及准确性。
-
公开(公告)号：CN117372440B
公开(公告)日：2024-03-19
申请号：CN202311681795.2
申请日：2023-12-08
Applicant: 北京邮电大学
IPC: G06T7/00 , A61B5/00 , A61B5/055 , A61B5/245 , G06V10/766 , G06V10/774 , G06V10/80
Abstract: 本申请提供阿尔茨海默病风险预警模型训练方法、预警方法及设备，方法包括：根据历史被测对象的多模态磁共振影像对应的多个层级的脑网络特征，构建多个用于存储各个历史被测对象各自对应的样本数据与阿尔茨海默病风险等级标签之间的对应关系的数据集，采用不同的数据集分别一对一训练各个单模态风险预测模型；基于各个单模态风险预测模型分别输出的单模态阿尔茨海默病风险等级数据训练线性回归模型，得到用于输出被测对象的阿尔茨海默病风险预警结果数据的阿尔茨海默病风险预警模型。本申请能够充分捕获多模态磁共振成像所反应的特异和互补的信息，能够更加全面地刻画大脑的全局变化，并能够提高阿尔茨海默病风险评估结果的准确性及可靠性。
-
Patent Agency Ranking
公开(公告)号：CN106685476B
公开(公告)日：2019-02-12
申请号：CN201611253345.3
申请日：2016-12-30
Applicant: 北京天驰星科技有限公司 , 北京邮电大学
IPC: H04B1/7073 , H04B1/713 , H04L1/00 , H04L27/36
Abstract: 一种兼容数据链的时隙数据帧的形成终端及其工作方法，该终端基于数据冗余度的相关性和通信服务质量要求，在射频带宽恒定条件下，通过各部件的配合，能够直观、清晰展现时隙数据帧的形成过程：对接收到的业务数据进行分析，选择适宜的编码、调制与扩频组合技术和数据封装格式，并开创性地将该组合技术信息映射到时隙数据帧的精同步字段填充比特位，使得接收终端在精同步时，就获取后续接收数据的编码、调制与扩频组合技术信息，缩短接收数据的预处理时间，满足数据链的抗干扰性、保密性、实时性以及覆盖范围的需求，还增强数据链对未来复杂环境的适应性，提高系统吞吐量。该终端结构紧凑、合理、巧妙，操作步骤简单、便捷、容易，其应用前景看好。
-
公开(公告)号：CN117457222B
公开(公告)日：2024-03-19
申请号：CN202311782235.6
申请日：2023-12-22
Applicant: 北京邮电大学
Abstract: 本申请提供阿尔茨海默症大脑萎缩模型构建方法、预测方法及装置，涉及健康信息处理技术领域，构建方法包括：构建由健康人的磁共振图像数据集和各个阿尔茨海默症患者的磁共振图像数据构成的混合数据集；采用混合数据集和健康人的磁共振图像数据集训练阿尔茨海默症大脑萎缩模型，以提取混合数据集的伪健康特征并输出伪健康图像数据，基于混合数据集提取个体大脑萎缩特征并输出个体大脑萎缩预测图像数据，并基于伪健康特征和个体大脑萎缩特征重建混合数据集。本申请能够有效提高阿尔茨海默症大脑萎缩模型的泛化能力及适用范围，进而能够有效提高采用阿尔茨海默症大脑萎缩模型进行大脑萎缩辅助预测的准确性及有效性。
-
公开(公告)号：CN116708200A
公开(公告)日：2023-09-05
申请号：CN202310719831.3
申请日：2023-06-17
Applicant: 北京邮电大学深圳研究院
IPC: H04L41/14 , H04L41/16 , H04L43/0882
Abstract: 本发明涉及机器学习和计算机网络技术领域，且公开了一种基于非可靠传输协议的联邦训练加速方法，通过设计基于拥塞反馈的非可靠层传输算法解决不确定性丢包下如何最大化完整层的接收率；通过设计一个基于层参数的联邦冻结训练框架保证在参数丢失下联邦训练的模型精度无损。该基于非可靠传输协议的联邦训练加速方法，设计了一种基于非可靠传输协议的可穿戴联邦训练加速技术。其关键思想是直接忽略这些网络侧丢失的参数，而不是对网络传输协议进行复杂的检测和重传操作，从而大大提高端到端网络吞吐量；然后，基于机器学习训练的参数冗余特性，接收端用前一轮参数替换网络丢包，并采用层冻结训练技术实现联邦学习在参数丢失下的高精度训练。
-
公开(公告)号：CN106685476A
公开(公告)日：2017-05-17
申请号：CN201611253345.3
申请日：2016-12-30
Applicant: 北京天驰星科技有限公司 , 北京邮电大学
IPC: H04B1/7073 , H04B1/713 , H04L1/00 , H04L27/36
CPC classification number: H04L1/0008 , H04B1/7073 , H04B1/713 , H04L1/0071 , H04L27/36
Abstract: 一种兼容数据链的时隙数据帧的形成终端及其工作方法，该终端基于数据冗余度的相关性和通信服务质量要求，在射频带宽恒定条件下，通过各部件的配合，能够直观、清晰展现时隙数据帧的形成过程：对接收到的业务数据进行分析，选择适宜的编码、调制与扩频组合技术和数据封装格式，并开创性地将该组合技术信息映射到时隙数据帧的精同步字段填充比特位，使得接收终端在精同步时，就获取后续接收数据的编码、调制与扩频组合技术信息，缩短接收数据的预处理时间，满足数据链的抗干扰性、保密性、实时性以及覆盖范围的需求，还增强数据链对未来复杂环境的适应性，提高系统吞吐量。该终端结构紧凑、合理、巧妙，操作步骤简单、便捷、容易，其应用前景看好。
-
公开(公告)号：CN119169398B
公开(公告)日：2025-03-18
申请号：CN202411674769.1
申请日：2024-11-21
Applicant: 北京邮电大学
IPC: G06V10/764 , A61B5/00 , G16H50/20 , G06N3/0499 , G06T7/00 , G06V10/422 , G06V10/44 , G06V10/82
Abstract: 本申请提供阿尔茨海默病预测模型训练方法、阿尔茨海默病预测方法及设备，训练方法包括：采用磁共振成像样本的脑室轮廓点云及第一深度学习模型得到第一阿尔茨海默病预测结果数据；采用经协变量校正后的脑室体积比数据及第二深度学习模型得到第二阿尔茨海默病预测结果数据；将第一阿尔茨海默病预测结果数据、第二阿尔茨海默病预测结果数据以及分类标签集中训练SVM模型以用于预测阿尔茨海默病预测融合结果。本申请能够聚焦脑室形态学特征并实现脑室形状的精准刻画，能够有效消除无关因素干扰，能够采用脑室多维数据进行集成学习，并能够有效提高阿尔茨海默病预测模型的分类性能和泛化能力，进而能够有效提高阿尔茨海默病预测效率及准确性。
-
-
-
-
-
-
-
-
-
Search Results
10
records
(took 0.026 seconds)
