-
公开(公告)号：CN116863991B
公开(公告)日：2024-07-19
申请号：CN202310841279.5
申请日：2023-07-10
Applicant: 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院)
Abstract: 一种基于动作电位对细胞离子通道特性的预测方法，涉及一种离子通道特性的预测方法，为了解决目前在研究异常离子通道对细胞影响时，所得到的动作电位和离子通道特性不相匹配的问题。本发明基于离子通道数据对真实细胞的电生理系统进行建模，获得多个离子通道特性曲线以及与多个离子通道特性曲线一一对应的动作电位；利用神经网络，将动作电位作为输入，离子通道特性作为输出，进行训练，得到神经网络模型；利用得到的神经网络模型完成对离子通道特性的预测。有益效果为在记录到动作电位的同时，可以得到与之对应的离子通道特性成为可能，避免了原数据采集中所需高技术的操作流程；同时所得到的动作电位和离子通道特性高度匹配。
-
公开(公告)号：CN116863991A
公开(公告)日：2023-10-10
申请号：CN202310841279.5
申请日：2023-07-10
Applicant: 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院)
Abstract: 一种基于动作电位对细胞离子通道特性的预测方法，涉及一种离子通道特性的预测方法，为了解决目前在研究异常离子通道对细胞影响时，所得到的动作电位和离子通道特性不相匹配的问题。本发明基于离子通道数据对真实细胞的电生理系统进行建模，获得多个离子通道特性曲线以及与多个离子通道特性曲线一一对应的动作电位；利用神经网络，将动作电位作为输入，离子通道特性作为输出，进行训练，得到神经网络模型；利用得到的神经网络模型完成对离子通道特性的预测。有益效果为在记录到动作电位的同时，可以得到与之对应的离子通道特性成为可能，避免了原数据采集中所需高技术的操作流程；同时所得到的动作电位和离子通道特性高度匹配。
-
公开(公告)号：CN119475243A
公开(公告)日：2025-02-18
申请号：CN202411636139.5
申请日：2024-11-15
Applicant: 哈尔滨工业大学
IPC: G06F18/25 , G06F18/213 , G06N3/0464 , G06N3/0455 , G06N3/0442 , G06N3/042 , G06N3/08
Abstract: 一种基于VQ‑GCN的医学多模态隐空间对齐融合方法及系统，它属于医学多模态融合技术领域。本发明解决了传统融合方法难以在同一特征空间内保持语义一致性的问题。本发明方法具体为：步骤S1、分别为每个模态数据分别构建特征提取器；步骤S2、并将各个模态数据分别输入对应的特征提取器，获得各个模态数据的模态特征；步骤S3、对各个模态数据的模态特征进行隐空间对齐，分别获得各个模态的最终语义编码特征以及全部模态的最终共有语义特征；步骤S4、对各个模态的最终语义编码特征和全部模态的最终共有语义特征进行分层跨模态注意力特征融合，获得医学多模态特征融合结果。本发明方法可以应用于医学多模态隐空间对齐融合。
-
公开(公告)号：CN118710653A
公开(公告)日：2024-09-27
申请号：CN202410878175.6
申请日：2024-07-02
Applicant: 哈尔滨工业大学
Abstract: 一种基于提示学习的模态增量MRI脑肿瘤图像分割系统，它属于深度学习技术领域。本发明解决了由于现有方法存在信息的灾难性遗忘以及不能充分利用多模态MRI影像之间的数据相关性，导致脑肿瘤图像分割的准确率低的问题。本发明设计了基于提示学习的模态特征提取器模块和基于双重知识蒸馏的分割网络模型，将患者脑部在不同成像方式下的MRI图像作为每一阶段的输入，模态特征提取器结构让分割网络模型能够学习当前模态的结构特征并在预测其他模态时为分割网络模型提供辅助，因而充分利用了多模态MRI影像之间的数据相关性，采用双重知识蒸馏损失避免了分割网络模型在模态增量持续学习过程中遇到的灾难性遗忘问题。本发明方法可以应用于MRI脑肿瘤图像分割。
-
公开(公告)号：CN117422912B
公开(公告)日：2024-08-23
申请号：CN202311366790.0
申请日：2023-10-20
Applicant: 哈尔滨工业大学
IPC: G06V10/764 , G06V10/82 , G06V10/44 , G06T7/00 , G06T7/11 , G06T7/136 , G06T7/194 , G06N3/048 , G06N3/042 , G06N3/096
Abstract: 一种基于提示学习的组织病理图像多任务分类系统，它属于医学图像分析技术领域。本发明解决了现有多任务学习模型忽视了各任务间潜在的关联性，导致现有方法对组织病理图像多任务分类的性能差的问题。本发明通过为每个任务设计任务特定的提示，并引入任务相关性学习模块，能够显式地识别和利用各种任务之间的潜在关联性。此外，本发明在训练时对整个神经网络模型进行了全面微调，使各个任务之间相互促进，这一策略不仅显著提高了其相对于训练多个单任务模型的计算效率和性能，还增强了模型对多种不同任务的适应能力，提升了本发明方法在组织病理图像多任务分类上的性能。本发明可以应用于医学图像分析。
-
Patent Agency Ranking
公开(公告)号：CN116993770A
公开(公告)日：2023-11-03
申请号：CN202311031721.4
申请日：2023-08-16
Applicant: 哈尔滨工业大学
IPC: G06T7/194 , G06T5/00 , G06N3/0464 , G06N3/09
Abstract: 一种基于残差扩散模型的图像分割方法，它属于图像处理技术领域。本发明解决了现有模糊图像分割算法的分割效果差的问题。本发明的主要方案为：步骤S1、对已知目标区域的三维图像进行预处理，将预处理后的图像作为训练数据；步骤S2、将步骤S1中预处理后图像的目标区域标签转换成体素级的独热编码分割标签向量y0；步骤S3、构建残差扩散模型，所述残差扩散模型包括扩散先验网络和噪声估计网络两个部分；利用训练数据和分割标签向量y0对扩散先验网络和噪声估计网络进行联合训练；步骤S4、对待分割图像进行预处理操作后，利用训练好的残差扩散模型的参数对预处理后的待分割图像进行分割。本发明方法可以应用于图像分割。
-
公开(公告)号：CN113902824B
公开(公告)日：2022-10-28
申请号：CN202111187568.5
申请日：2021-10-12
Applicant: 哈尔滨工业大学
IPC: G06T11/00
Abstract: 一种血管内光学相干断层扫描的导丝伪影去除方法，属于医学图像处理技术领域，本发明为解决血管内光学相干断层扫描技术对心血管进行成像时存在导丝伪影的问题。它包括：获取有效帧图像数据；人工标记导丝和支柱位置，经过预处理后作为训练数据；构建训练伪影检测网络模型的数据集；构建伪影检测网络模型，对其进行训练，获得目标检测卷积神经网络模型，完成导丝伪影的检测；构建去除伪影网络的数据集；构建图像补全模型，对其进行训练，获得训练好的目标去除图像补全模型，完成导丝伪影的去除；将目标检测卷积神经网络模型和目标去除图像补全模型进行链接，完成导丝伪影检测去除重建。本发明IVOCT成像的导管伪影进行检测、去除及重建。
-
公开(公告)号：CN117422911B
公开(公告)日：2024-04-30
申请号：CN202311366788.3
申请日：2023-10-20
Applicant: 哈尔滨工业大学
IPC: G06V10/764 , G06V10/20 , G06V10/40 , G06V10/774 , G06T7/00 , G06T7/194 , G06N20/00
Abstract: 一种协同学习驱动的多类别全切片数字病理图像分类系统，它属于医学图像分析技术领域。本发明解决了现有方法仅关注二分类且无法捕捉类相关语义信息的问题。本发明首先获取待分类的全切片数字病理图像，再对图像进行预处理，获取前景组织区域图像并将前景组织区域图像分割为子图像补丁；对子图像补丁进行编码，根据编码结果得到补丁特征令牌；设置分类令牌，根据补丁特征令牌和分类令牌进行计算，再根据计算结果生成类激活图，并根据类激活图得到类别的热力图。本发明可以应用于数字病理图像分类。
-
公开(公告)号：CN114863104B
公开(公告)日：2023-08-08
申请号：CN202210480964.5
申请日：2022-05-05
Applicant: 哈尔滨工业大学
IPC: G06V10/26 , G06V10/764 , G06V10/80 , G06V10/774 , G06N3/0455 , G06N3/09
Abstract: 一种基于标签分布学习的图像分割方法，它属于图像处理技术领域。本发明解决了现有方法无法充分利用神经网络中捕捉的先验信息导致分割结果的准确率低，且分割结果边界不连续的问题。本发明首先利用语义分割标签生成多分辨率的标签分布，并在分割网络不同的上采样层加入对应分辨率的标签分布监督，利用标签分布学习的方法训练网络，并得到不同细节的预测区域分布，最后基于上述预测区域分布实现逐像素的稠密分布预测。本发明方法能够充分利用分割网络中生成的先验信息，并能够有效的捕捉边界信息进而促进边界的分割，可以准确且高效地实现图像的语义分割任务，保证了图像分割的准确性。本发明方法可以应用于对图像进行分割。
-
公开(公告)号：CN116152285A
公开(公告)日：2023-05-23
申请号：CN202310117871.0
申请日：2023-02-15
Applicant: 哈尔滨工业大学
Abstract: 基于深度学习和灰度信息的图像分割系统，具体涉及一种用于小样本核磁共振数据图像的基于深度学习和灰度信息的分割系统，为了解决核磁共振影像分割时要依赖大量的影像数据，泛化性能差，且在灰度分布不均匀的核磁共振影像中分割准确率较低，或存在分割不全以及分割目标不连续的问题，它包括编码模块、空间注意力模块、灰度校正模块、分割模块、损失模块，编码模块分别与空间注意力模块、灰度校正模块和分割模块连接，空间注意力模块与灰度校正模块连接，损失模块分别与灰度校正模块和分割模块连接。本发明采用了深度学习技术和灰度偏置校正，利用深度学习技术将灰度偏置校正与分割两个任务协同进行。属于医学图像分割领域。
-
-
-
-
-
-
-
-
-
Search Results
47
records
(took 0.059 seconds)
