-
公开(公告)号：CN113379757B
公开(公告)日：2024-04-12
申请号：CN202110486674.7
申请日：2021-05-01
Applicant: 首都医科大学宣武医院 , 中国科学院计算机网络信息中心
IPC: G06T7/11 , G06N3/02 , G06V10/774 , G06V10/82
Abstract: 本发明涉及一种用于训练脑影像分割模型的方法，包括：获取脑影像数据集；利用多个分析软件对脑影像进行分割，获得多组机器标签；对部分脑影像进行人工标注，以获得人工标签；以及基于脑影像数据集及相关联的标签，通过循环执行以下步骤来迭代训练待训练的分割模型，得到目标分割模型：将脑影像输入至待训练的分割模型，以获得预测的分割结果；根据单个体素的机器标签之间的一致性，确定标签的权重；根据预测的分割结果与各个标签的差异以及权重来计算损失函数值；基于损失函数值最小化来调节待训练的分割模型的网络参数，得到当前迭代的分割模型；其中单个体素的机器标签的权重与一致性负相关。本发明还涉及分割脑影像的方法和脑影像分割装置。
-
公开(公告)号：CN113379676B
公开(公告)日：2024-07-19
申请号：CN202110489225.8
申请日：2021-05-01
Applicant: 首都医科大学宣武医院 , 中国科学院计算机网络信息中心
Abstract: 本发明提出一种灰白质体积异常检测矫正方法，包括：基于行为学量表，获取测试对象的行为学评分结果，以及对应于所述行为学量表的行为学与脑结构之间的映射模板；将所述行为学评分结果与所述映射模板加权，获得加权模板；对测试对象的磁共振成像数据进行VBM分析，获得脑部灰白质体积异常区域概率模板；将所述加权模板与所述脑部灰白质体积异常区域概率模板比较，提取同时表现为显著异常的体素作为分析结果。本发明还公开了一种灰白质体积异常检测装置、一种/灰白质体积异常检测设备和一种计算机可读存储介质。采用本发明实施例，能够利用脑结构与行为学之间的关系，修正了由于VBM分析中多重比较误差所带来的假阳性。
-
公开(公告)号：CN113379758B
公开(公告)日：2024-04-12
申请号：CN202110486679.X
申请日：2021-05-01
Applicant: 首都医科大学宣武医院 , 中国科学院计算机网络信息中心
IPC: G06T7/11 , G06T7/136 , G06V10/762
Abstract: 本发明提出一种脑图像的迭代分割方法，包括：采用随机种子方法对脑图像进行分割，重复分割多次，并记录每次分割后各个体素的分类；统计各个体素所属分类的概率分布，将概率分布中的最大概率值作为各个体素的类别概率；将类别概率大于或等于概率阈值的体素所组成的区域标记为成功分割区域，将类别概率小于概率阈值的体素所组成的区域标记为分割不成功区域，若存在分割不成功区域，则对分割不成功区域的体素进行聚类处理，将聚类体积超过体积阈值的区域标记为分割不稳定区域；对分割不稳定区域再次采用随机种子方法进行分割，重复分割多次，并判断分割不稳定区域是否符合条件，直到迭代至不存在分割不稳定区域。
-
公开(公告)号：CN113380384A
公开(公告)日：2021-09-10
申请号：CN202110486680.2
申请日：2021-05-01
Applicant: 首都医科大学宣武医院 , 中国科学院计算机网络信息中心
Abstract: 本发明涉及人机协同训练医学影像标注模型的方法，包括以下步骤：(a)收集医学影像的待标注数据集；(b)选择N组影像数据，分别分发给N个标注人员进行人工标注，并且发送至标注模型进行自动标注；(c)评价人工标注结果和自动标注结果是否合格；(d)比较自动标注结果的合格率与人工标注结果的合格率：(d1)如果自动标注结果的合格率大于人工标注结果的合格率，则终止对标注模型的训练；并且(d2)如果自动标注结果的合格率小于人工标注结果的合格率，则利用自动标注结果和人工标注结果中合格的标注结果来训练并更新标注模型；以及(e)循环所述步骤(b)至(d)，直至终止对标注模型的训练。本发明还涉及医学影像标注方法及系统。
-
公开(公告)号：CN113379758A
公开(公告)日：2021-09-10
申请号：CN202110486679.X
申请日：2021-05-01
Applicant: 首都医科大学宣武医院 , 中国科学院计算机网络信息中心
Abstract: 本发明提出一种脑图像的迭代分割方法，包括：采用随机种子方法对脑图像进行分割，重复分割多次，并记录每次分割后各个体素的分类；统计各个体素所属分类的概率分布，将概率分布中的最大概率值作为各个体素的类别概率；将类别概率大于或等于概率阈值的体素所组成的区域标记为成功分割区域，将类别概率小于概率阈值的体素所组成的区域标记为分割不成功区域，若存在分割不成功区域，则对分割不成功区域的体素进行聚类处理，将聚类体积超过体积阈值的区域标记为分割不稳定区域；对分割不稳定区域再次采用随机种子方法进行分割，重复分割多次，并判断分割不稳定区域是否符合条件，直到迭代至不存在分割不稳定区域。
-
Patent Agency Ranking
公开(公告)号：CN113379757A
公开(公告)日：2021-09-10
申请号：CN202110486674.7
申请日：2021-05-01
Applicant: 首都医科大学宣武医院 , 中国科学院计算机网络信息中心
Abstract: 本发明涉及一种用于训练脑影像分割模型的方法，包括：获取脑影像数据集；利用多个分析软件对脑影像进行分割，获得多组机器标签；对部分脑影像进行人工标注，以获得人工标签；以及基于脑影像数据集及相关联的标签，通过循环执行以下步骤来迭代训练待训练的分割模型，得到目标分割模型：将脑影像输入至待训练的分割模型，以获得预测的分割结果；根据单个体素的机器标签之间的一致性，确定标签的权重；根据预测的分割结果与各个标签的差异以及权重来计算损失函数值；基于损失函数值最小化来调节待训练的分割模型的网络参数，得到当前迭代的分割模型；其中单个体素的机器标签的权重与一致性负相关。本发明还涉及分割脑影像的方法和脑影像分割装置。
-
公开(公告)号：CN113379676A
公开(公告)日：2021-09-10
申请号：CN202110489225.8
申请日：2021-05-01
Applicant: 首都医科大学宣武医院 , 中国科学院计算机网络信息中心
Abstract: 本发明提出一种灰白质体积异常检测矫正方法，包括：基于行为学量表，获取测试对象的行为学评分结果，以及对应于所述行为学量表的行为学与脑结构之间的映射模板；将所述行为学评分结果与所述映射模板加权，获得加权模板；对测试对象的磁共振成像数据进行VBM分析，获得脑部灰白质体积异常区域概率模板；将所述加权模板与所述脑部灰白质体积异常区域概率模板比较，提取同时表现为显著异常的体素作为分析结果。本发明还公开了一种灰白质体积异常检测装置、一种/灰白质体积异常检测设备和一种计算机可读存储介质。采用本发明实施例，能够利用脑结构与行为学之间的关系，修正了由于VBM分析中多重比较误差所带来的假阳性。
-
公开(公告)号：CN111710376B
公开(公告)日：2023-04-07
申请号：CN202010403157.4
申请日：2020-05-13
Applicant: 中国科学院计算机网络信息中心
IPC: G16C20/90 , G16C10/00 , G06F9/50 , G06N3/0442 , G06N3/045 , G06N3/042 , G06N3/0464 , G06N3/047 , G06N3/048
Abstract: 本发明提出一种大分子及团簇体系分块计算负载均衡方法及系统，涉及计算化学、高性能计算、大分子及团簇体系的计算与模拟领域，沿用分片方法中流行的“先分块，再计算”的计算策略，对于分块后的各个分子片，采用化学信息学及机器学习的手段，预估各个分块所需要的计算资源及计算机时，再辅以线性规划的优化方案，使各个分子片在优化的方案下可以达到尽可能接近的实际计算时间，以平衡整个计算过程中的计算负载，最大化硬件的利用效率。
-
公开(公告)号：CN112579470B
公开(公告)日：2022-08-30
申请号：CN202011600048.8
申请日：2020-12-29
Applicant: 中国科学院计算机网络信息中心
Abstract: 本发明属于软件动态库调试的编译、链接技术领域，其涉及一种软件动态库调试的编译链接方法及系统，其中，该方法包括以下步骤：从第一组源代码文件中获取需要反复修改的源代码文件，形成第二组源代码文件；将第一组源代码文件进行编译、链接，生成的第一动态库链接库；以及将所述第二组源代码文件进行编译链接，生成第二动态链接库；将所述第一动态链接库和所述第二动态链接库共同链接，生成目标可执行程序。本发明避免了生成大规模动态库的耗时过程，最终提升了动态库调试的编译、链接过程的效率。
-
公开(公告)号：CN111710375A
公开(公告)日：2020-09-25
申请号：CN202010403158.9
申请日：2020-05-13
Applicant: 中国科学院计算机网络信息中心
Abstract: 本发明提出一种分子性质预测方法及系统，涉及量子化学/计算化学、化学信息学、机器学习/人工智能领域，在化学多世界阐释的框架下，使用密度泛函理论、化学信息学、机器学习/人工智能的手段，以分子结构、基组和泛函等信息作为输入，通过机器学习模型输出分子性质的预测结果。本发明对于任意类型的分子结构和任意的计算策略都可以做出预测，比一般的经验方法、回归分析方法更加精确。
-
-
-
-
-
-
-
-
-
Search Results
21
records
(took 0.071 seconds)
