-
公开(公告)号：CN118319488B
公开(公告)日：2024-08-20
申请号：CN202410751361.3
申请日：2024-06-12
Applicant: 吉林大学
Abstract: 本申请提供了一种截骨线确定方法、装置、设备及介质，该方法应用于医学图像技术领域，该方法包括：通过获取目标对象的头部图像；对所述头部图像进行分割，得到所述目标对象的上颌骨对应的上颌骨图像，以及所述目标对象的下颌骨对应的下颌骨图像；基于预设的关键点标注信息和上颌骨图像，确定所述上颌骨的上颌关键点，基于所述关键点标注信息和下颌骨图像，确定所述下颌骨的下颌关键点；基于预设的路径算法和约束信息，对所述上颌关键点与所述下颌关键点进行路径规划，生成所述目标对象的上颌截骨线和下颌截骨线。该方法可以提高截骨线确定的精度和效率。
-
公开(公告)号：CN110111840B
公开(公告)日：2021-04-09
申请号：CN201910396731.5
申请日：2019-05-14
Applicant: 吉林大学
Abstract: 本发明公开了一种体细胞突变检测方法。所述检测方法包括如下步骤：首先，获取体细胞序列集；提取所述体细胞序列集中每个体细胞序列的描述基因组候选突变位点的特征，获得样本数据集，并从所述样本数据集中选取第一训练集和第二训练集和测试集；然后，建立全连接神经网络模型；并利用所述第一训练集、所述第二训练集和所述测试集对所述全连接神经网络模型进行训练和验证，获得训练后的全连接神经网络模型；最后，获取待检测的全基因组序列，并提取待检测的全基因组序列的描述基因组候选突变位点的特征，得到待检测数据；将所述待检测数据输入所述训练后的全连接神经网络模型进行检测，实现了突变基因的检测，进而提高肿瘤疾病诊断的准确性。
-
公开(公告)号：CN110111840A
公开(公告)日：2019-08-09
申请号：CN201910396731.5
申请日：2019-05-14
Applicant: 吉林大学
Abstract: 本发明公开了一种体细胞突变检测方法。所述检测方法包括如下步骤：首先，获取体细胞序列集；提取所述体细胞序列集中每个体细胞序列的描述基因组候选突变位点的特征，获得样本数据集，并从所述样本数据集中选取第一训练集和第二训练集和测试集；然后，建立全连接神经网络模型；并利用所述第一训练集、所述第二训练集和所述测试集对所述全连接神经网络模型进行训练和验证，获得训练后的全连接神经网络模型；最后，获取待检测的全基因组序列，并提取待检测的全基因组序列的描述基因组候选突变位点的特征，得到待检测数据；将所述待检测数据输入所述训练后的全连接神经网络模型进行检测，实现了突变基因的检测，进而提高肿瘤疾病诊断的准确性。
-
公开(公告)号：CN106777957B
公开(公告)日：2019-07-30
申请号：CN201611138305.4
申请日：2016-12-12
Applicant: 吉林大学
Abstract: 本发明公开了一种不平衡数据集上生物医学多参事件抽取的新方法，步骤如下：第一部分：步骤1：获取序列库；步骤2：构造序列数据库S；步骤3：给定最小支持度阈值；步骤4：判断序列个数；第二部分：步骤1：在选择的样本集上提取四类特征；步骤2：得到多类别的分类器；第三部分：步骤1：计算相似度；步骤2：计算触发词重要度步骤3：合并重要度和相似度Sim(ti，aj，ak)得到联合评分Score(ti，aj，ak)；步骤4：给定阈值δ。有益效果：采用数据挖掘和自然语言处理技术，方法灵活，易于实现，可达到很高的准确度。
-
公开(公告)号：CN117934278A
公开(公告)日：2024-04-26
申请号：CN202410095363.1
申请日：2024-01-24
Applicant: 吉林大学
IPC: G06T3/4053 , G06T5/50
Abstract: 本发明公开了一种基于深度学习的视频超分辨率重建方法，其方法包括的步骤为：第一步、获取视频样本集；第二步、构建全时超分辨率重建网络模型；第三步、模型训练；第四步、将待进行超分辨率重建任务的视频。有益效果：构建了低频超分结果，并采用非局部注意力渐进融合，对来自过去、现在和未来的信息进行渐进融合,充分提取帧内空间相关性与帧间时间相关性,实现了有效的对齐与融合，同时利用先验信息,使得模型更好地重建前景的高频信息,提高重建观感和质量。该方法在多个公开数据集上取得了较好的重建效果。
-
Patent Agency Ranking
公开(公告)号：CN117456376A
公开(公告)日：2024-01-26
申请号：CN202311497977.4
申请日：2023-11-10
Applicant: 吉林大学
IPC: G06V20/13 , G06V10/774 , G06V10/762 , G06V10/40 , G06V10/82 , G06N3/0464 , G06N3/082
Abstract: 本发明公开了一种基于深度学习的遥感卫星影像目标检测方法，其方法为：第一步：获取图像样本，构建训练集；第二步：遥感卫星影像目标检测模型的构建；第三步：将待检测的图像，利用上述第二步得到的遥感卫星影像目标检测模型实现目标检测，有益效果：采用结合降通道的SPPF代替原先网络模型中的SPPCSP结构，不仅压缩了网络模型，减少了计算量，并且能更有效扩大感受野。此外在浅层ELAN模块中结合空间通道注意力(Convolutional Block Attention Module，CBAM)机制，弥补因池化下采样所造成的部分重要信息的丢失。该改进模型以极少的参数有效提升遥感卫星影像中物体的检测准确度。
-
公开(公告)号：CN119919348A
公开(公告)日：2025-05-02
申请号：CN202411853282.X
申请日：2024-12-16
Applicant: 吉林大学
IPC: G06T7/00 , G06V10/44 , G06V10/766 , G06V10/26
Abstract: 本申请提供了一种基于椎体分割的脊柱Cobb角预测方法，包括：获取待测脊柱的X射线图像；将X射线图像输入编码器，得到X射线图像的特征图；将特征图输入脊柱解码器，得到脊柱分割掩膜；将特征图输入椎骨解码器，得到椎骨分割掩膜；根据脊柱分割掩膜进行中心线预测，得到脊柱的中心线表示；根据椎骨分割掩膜进行特征提取，得到目标特征向量；目标特征向量用于表征每块椎骨的形态和结构信息；根据中心线表示和目标特征向量，预测得到待测脊柱的X射线图像对应的目标Cobb角。该方法能够减少对数据质量的过高依赖性，提升在各种图像质量下的预测能力，减少人工操作的耗时并提升精确性，增强Cobb角预测的鲁棒性和可解释性。
-
公开(公告)号：CN118628599A
公开(公告)日：2024-09-10
申请号：CN202410763966.4
申请日：2024-06-14
Applicant: 吉林大学
IPC: G06T11/00 , G06T5/60 , G06T5/77 , G06N3/0455 , G06N3/0464
Abstract: 本发明公开了一种去除CT图像金属伪影新方法，其方法为：第一步、制作模拟数据集，构建受损CT图像的训练集；第二步、构建双域网络模型，包括图像预处理、基于小波融合的先验图像生成、构建基于掩码UNet的投影域修复网络、构建基于改进UNet的图像域修复网络以及设计双域网络模型的总体损失函数；第三步、将受金属伪影影响的临床CT图像利用上述第二步得到的双域网络模型去除金属伪影，调整受金属伪影影响的临床CT图像大小与训练图像大小一致；有益效果：在减轻CT图像伪影的同时，保留了重要的骨等组织结构，有利于后续的图像域修复；能够使网络自主学习通道层面和空间层面的特征信息，捕获长远距离关系中的潜在特征。
-
公开(公告)号：CN115131556A
公开(公告)日：2022-09-30
申请号：CN202210590951.3
申请日：2022-05-27
Applicant: 吉林大学
Abstract: 本发明公开了一种基于深度学习的图像实例分割方法，其方法为：第一步、获取图像样本，构建训练集；第二步、图像实例分割模型的构建，具体过程为：步骤1、将待训练的图像集中每个图像划分为S*S小网格，根据实际应用进行选取；步骤2、通过ResNet‑101网络提取图像特征；步骤3、通过基于加权BiFPN构建的特征网络层，将图像特征进行多尺度融合提取；步骤4、构建联合注意力筛选模块；步骤5、得到实例的掩码信息；步骤6、得到图像实例分割模型；第三步、将待分割的图像，利用上述第二步中得到的图像实例分割模型实现实例分割。有益效果：使模型在处理多尺度特征融合方面表现更好；提高模型对细节信息的把握能力，保证模型的高效性能。
-
公开(公告)号：CN112732944A
公开(公告)日：2021-04-30
申请号：CN202110130895.0
申请日：2021-01-30
Applicant: 吉林大学
IPC: G06F16/36 , G06F40/242 , G06N3/08
Abstract: 本发明公开一种文本检索的新方法，其方法包括的步骤为：第一部分、使用知识图谱中构造多关系下的实体表示词典集，从多个角度描述实体语义；第二部分、利用查询和文档集训练深度学习网络得到模型；第三部分、给定一个检索问题和测试文档集中利用训练好的神经网络模型进行检索。本发明的有益效果：本发明引入多关系实体表示能够有效的引入先验知识，对于提高算法对语义的理解能力并且减少数据的使用需求有着重要作用。同时使用深度学习方法，合理的引入注意力机制将是深度学习算法优化的关键。最后，随着信息检索文献和方法的成熟，应用更有效的图谱实体学习方法和更合理的深度学习网络结构，将会实现文本及检索领域的更大突破。
-
-
-
-
-
-
-
-
-
Search Results
17
records
(took 0.02 seconds)
