-
公开(公告)号：CN107341497A
公开(公告)日：2017-11-10
申请号：CN201611038696.2
申请日：2016-11-11
Applicant: 东北大学
IPC: G06K9/62
CPC classification number: G06K9/6277
Abstract: 本发明涉及数据挖掘技术领域，提出结合选择性升采样的不均衡数据流加权集成分类预测方法，包括根据相似度对历史数据块的少数类样本进行筛选，选择与当前训练数据块概念最相近的样本；对选择的样本通过在决策边界区域合成新样本以达到选择地实施升采样；采用基于概率分布相关度的权重分配策略对新样本进行加权集成分类处理。通过选择相似度高的历史数据和合成边界区域的新数据来有效增加少数类样本信息，扩大少数类的决策域；同时为了适应存在概念漂移的动态数据，使用集成分类思想，设计一种基于概率分布相关度的权重分配策略，提升整体分类精度。实验结果表明该算法有效地提高了少数类的识别率以及整体的分类性能，具有更好的处理不均衡数据流的优势。
-
公开(公告)号：CN115083594B
公开(公告)日：2025-05-06
申请号：CN202210548953.6
申请日：2022-05-20
Applicant: 东北大学 , 中国医科大学附属盛京医院
IPC: G16H50/20 , G16H50/30 , G06N3/0464 , G06N3/045
Abstract: 本发明提供一种基于卷积神经网络的ACS预测方法，涉及人工智能计算机技术领域；该方法首先在CCTA数据上采集冠脉三个主要分支的节段数据，包括开口处节段数据和病变处节段数据，并按照是否发生ACS事件分成两类，并组建训练数据集和验证数据集；然后构建用于ACS分类的CNN网络模型，使用训练数据集对模型进行训练，获得模型参数；最后把训练得到的模型参数加载到构建好的ACS分类的CNN网络模型中，再采用验证数据集对其进行验证，以选取最优的ACS分类的CNN网络模型，从而准确的预测未来ACS事件的发生，能够辅助临床工作者更加准确地，客观地预测未来ACS事件。
-
公开(公告)号：CN118587148A
公开(公告)日：2024-09-03
申请号：CN202410365354.X
申请日：2024-03-28
Applicant: 东北大学
Abstract: 本发明设计一种动态影像关键点和关键帧定位方法，属于计算机辅助诊断技术领域；首先对包含待测量目标的动态影像序列进行预处理；对预处理得到的动态影像序列进行编码与解码，提取多级特征；其次对动态影像序列关键点进行粗定位：然后构建自适应贝叶斯超图模型，扩展出超节点，从而对关键点进行微调；最后对关键帧进行识别，实现关键点和关键帧的同步检测；另外本发明还提出阶次损失函数，建立关键帧与非关键帧之间相对关系，实现关键帧的精准辨识的同时促进了关键点定位的精度提升。
-
公开(公告)号：CN118115735A
公开(公告)日：2024-05-31
申请号：CN202410130619.8
申请日：2024-01-30
Applicant: 东北大学
IPC: G06V10/26 , G06V10/44 , G06V10/774 , G06V10/764 , G06T7/194 , G06N3/0464 , G06N3/0455 , G06N3/0895
Abstract: 医学图像分割在疾病的诊断，治疗以及手术中起着至关重要的作用，可以用于分析和处理图像、测量病灶区域、定量分析指标等。作为医学图像分割常用的小样本医学图像分割技术能利用少量有标注的新类样本就可完成对新类的分割，降低了人工标注的工作量，且可用于数据量较少的稀有病的诊断。但医学图像普遍存在前景和背景不平衡问题，医学图像的前景类类小且均匀，背景存在多种组织或器官较复杂，因此背景类较大且在空间上不均匀导致模型偏向于背景，从而影响分割结果。本发明要解决的技术问题是针对上述现有技术的不足，提供一种基于对比学习的原型网络小样本医学图像分割方法，该方法能够增强前景原型与背景的区分度，使得对图像的分割更精确。
-
公开(公告)号：CN118053588A
公开(公告)日：2024-05-17
申请号：CN202410309859.4
申请日：2024-03-19
Applicant: 东北大学
IPC: G16H50/30 , A61B5/349 , A61B5/364 , A61B5/00 , G06F18/241 , G06F18/213 , G06N3/0464 , G06N3/048 , G06F18/2415 , G06N3/08 , G16H50/70
Abstract: 本发明提供一种基于深度学习的左心室射血分数自动检测方法，涉及医学辅助检测技术领域。针对初级医疗中缺少能够自动准确使用心电图预测LVEF值方法的问题，训练了一种基于心电图的深度神经网络自动预测LVEF，解决初级医疗中缺乏LVEF值预测方法的问题，为临床诊疗提供重要参考。本发明使用深度学习模型实现左心室射血分数的自动预测，在多个心电图上进行测试，结果表明该方法在多数心电图上，能够较为准确地估算LVEF值，运算速度满足实时性要求。本发明实现方法简单，运算速度快，结果准确性高，不依赖于医生的临床经验，达到了临床应用的要求。
-
Patent Agency Ranking
公开(公告)号：CN117992913A
公开(公告)日：2024-05-07
申请号：CN202410148682.4
申请日：2024-02-02
Applicant: 东北大学
IPC: G06F18/25 , G06F18/241 , G16B40/00 , G06V10/44 , G06V10/82 , G06N3/045 , G06N3/0464 , G06N3/084
Abstract: 本发明设计一种基于双峰注意力融合网络的多模态数据分类方法，属于多模态数据分析领域；首先通过TCGA下载公开基因表达数据，然后通过特征选择方法提取基因表达数据中的基因特征；然后通过TCGA下载公开病理图像数据，再训练卷积神经网络模型提取病理图像数据中的图像特征；最后通过双峰注意力融合网络BAFN将提取到的基因特征和图像特征进行特征融合并输出分类结果；与传统方法相比，本发明能够更好地利用多模态数据之间的关联性，更高效地融合多模态特征，同时减少融合过程中信息丢失的问题，从而实现更好的分类效果。
-
公开(公告)号：CN117934412A
公开(公告)日：2024-04-26
申请号：CN202410096788.4
申请日：2024-01-24
Applicant: 东北大学
IPC: G06T7/00 , G06T7/11 , G06T7/136 , G06T7/33 , G06V10/52 , G06V10/80 , G06V10/82 , G06N3/0455 , G06N3/088
Abstract: 本发明设计一种基于交叉注意力可变形配准的CT图像ASPECTS自动分区方法，属于医学影像处理技术领域；首先获取原始CT图像，并对其进行预处理，基于此构建数据集；利用构建的数据集训练分区网络，得到从浮动图像到固定图像的形变场；所述分区网络包含编码器、解码器、交叉注意力模块CA，Cross Attention以及跳跃连接四个部分；最后将浮动图像的关键分区标签通过形变场采用Nearest插值算法进行空间形变得到匹配患者的ASPECTS的关键分区；本发明相较于以往的配准方法对ASPECTS关键分区的划分具有更高的准确率，达到了应用的要求。
-
公开(公告)号：CN117911702A
公开(公告)日：2024-04-19
申请号：CN202410109965.8
申请日：2024-01-26
Applicant: 东北大学
IPC: G06V10/26 , G06V10/22 , G06V10/774 , G06V10/82 , G06N3/0455 , G06N3/0464 , G06N3/0895 , G06N3/084 , G06T17/00
Abstract: 本发明设计基于结构保留无监督域自适应的CTA影像颅内血管分割方法，属于医学影像分割技术领域；首先收集脑部三维MRA影像与三维CTA影像，对MRA影像中的血管区域位置进行标注，对MRA影像与CTA影像进行切片处理，得到脑部影像初始样本集；其次对脑部影像初始数据集进行预处理；对预处理后的脑部影像初始样本集进行划分，划分为训练样本集与验证样本集；然后构建和训练图像风格转换模型、判别模型、结构信息提取模块、感知损失模型和分割模型；最后将预处理后的切片输入分割模型并得到分割结果，将所有切片按照原本的位置关系合并为三维数据，得到对颅内血管区域的最终分割结果；本发明拥有较高的计算效率，且处理过程不需要人工交互，达到应用要求。
-
公开(公告)号：CN113592802B
公开(公告)日：2024-02-02
申请号：CN202110845333.4
申请日：2021-07-26
Applicant: 东北大学 , 中国医科大学附属第一医院
IPC: G06T7/00 , G06T7/10 , G06T7/73 , G06N3/0464 , G06N3/048
Abstract: 本发明提供一种基于超声图像的二尖瓣环位移自动检测系统，涉及计算机视觉技术领域。该系统首先获取多个带有左心室掩模或二尖瓣环位点坐标标签的超声心动图作为样本数据集；然后初始化用于左心室分割和二尖瓣检测的深度神经网络模型，并使用样本数据集预训练深度神经网络模型，得到预训练模型；加载预训练模型的模型参数和配置文件，分割待评估的超声心动图中的左心室内膜，确定二尖瓣环室间隔位点和左心室侧壁位点坐标以及左心室心尖位点坐标；计算二尖瓣环室间隔位点位移、左心室侧壁位点位移和收缩初期到收缩末期二尖瓣环相对于心尖的位移变化量，并在待评估的超声心动图像上输出MAD指标，完成对超声心动图像二尖瓣
-
公开(公告)号：CN113409445B
公开(公告)日：2023-10-17
申请号：CN202110615880.3
申请日：2021-06-02
Applicant: 东北大学
Abstract: 本公开实施例涉及一种骨折手术钢钉稳定性的评估方法、介质及电子设备，其方法包括：基于目标人体部位的多层螺旋CT图像进行三维重建，得到目标骨骼三维模型；获取预先确定的目标钢钉的待评估的入射位置信息和入射角度信息；基于所述入射位置信息和所述入射角度信息，确定所述目标钢钉在所述目标骨骼三维模型中的入射区域和钢钉长度；基于所述钢钉长度和所述入射区域的CT值，通过结构力学公式计算得到所述目标钢钉的相对可承受力值；基于所述相对可承受力值，评估所述目标钢钉的稳定性。通过本申请的评估方法，实现钢钉进入人体的位置和角度的有效性分析，可为临床医生实施医疗手术提供可靠依据。
-
-
-
-
-
-
-
-
-
Search Results
84
records
(took 0.025 seconds)
