-
公开(公告)号：CN109285176A
公开(公告)日：2019-01-29
申请号：CN201811166740.7
申请日：2018-10-08
Applicant: 东南大学
Abstract: 本发明公开了一种基于正则化图割的大脑组织分割方法，首先基于强度距离和空间相似度，设计新的体素间相似度计算方法，从而对体素进行聚类，把大脑MRI图像分割为一系列均匀并且较好地贴合图像边缘的超体素；随后明通过把大脑不同组织的先验概率融入到图割框架中，设计一个能量计算公式，计算每个超体素在分配不同标签时各个部分的能量值，从而使用图割方法对超体素分割，把Magnetic Resonance Imaging(MRI)图像分割成不同的组织。本发明能够从最初的脑部MRI分割出三种脑组织，分割结果中各个组织间边界贴合度高。与已有的MRI图像分割方法相比，本发明分割效果更好，边界贴合度更高，效率更高，处理速度更快，可以较好地抑制噪声的影响。
-
公开(公告)号：CN109086802A
公开(公告)日：2018-12-25
申请号：CN201810748292.5
申请日：2018-07-10
Applicant: 东南大学
Abstract: 本发明公开了一种基于八元数卷积神经网络的图像分类方法，首先，输入训练图像，并且将训练图像表示成八元数矩阵的形式；其次，建立八元数卷积神经网络并且训练八元数卷积神经网络，学习得到每一层的网络参数，即训练模型；然后，用校验图像集进行校验，调整到最佳网络参数；最后，对测试图像进行测试，统计分类结果，计算识别率。本发明构造的八元数卷积神经网络，应用八元数矩阵表达方式保留图像内部的内在结构，使得在各种分类任务中，构造的网络与传统方法相比能够获得更高的图像的分类准确率。
-
公开(公告)号：CN108875782A
公开(公告)日：2018-11-23
申请号：CN201810431379.X
申请日：2018-05-08
Applicant: 东南大学
IPC: G06K9/62
Abstract: 本发明公开一种基于自适应图滤波器下的特征聚类方法，包括如下步骤：步骤1，特征数据规范化，同一维度的特征要求单位化；步骤2，特征数据标签记录，提供一定量的先验知识；步骤3，构建基于数据源的图信号，将数据映射到数据结构图上，获取初始图信号s(known)；步骤4，全变分平滑滤波，获得降噪后的图信号s(true)；步骤5，图滤波器自匹配，获得抽头数组h；步骤6，全局滤波，获得分类结果s(pred)。此种方法可增强对先验知识的利用，构建新的图信号权重边。
-
公开(公告)号：CN106919710A
公开(公告)日：2017-07-04
申请号：CN201710144714.3
申请日：2017-03-13
Applicant: 东南大学
CPC classification number: G06F17/30752 , G06F17/30268 , G06F17/3028 , G06N3/084
Abstract: 本发明公开了一种基于卷积神经网络的方言分类方法，包括如下步骤：(1)建立包含多地方言的样本集，对样本进行预处理，并进行标注；(2)将训练集和测试集中的所有图片缩放成预定大小的彩色图，并为每张图片赋予标签信息，标签信息表示对应的图片所属的县级市；(3)建立卷积神经网络，卷积神经网络各层次依次为输入层、多个卷积层、全连接层和输出层，使用梯度下降法和反向传播算法训练所属卷积神经网络；(4)训练完成后，得到训练过程中的错误率下降趋势图。本发明的有益效果为：使用卷积神经网络对二维图像进行分类，可取得良好的分类效果，很大程度上提高对方言的分类准确率。
-
公开(公告)号：CN103337096B
公开(公告)日：2015-09-09
申请号：CN201310307604.6
申请日：2013-07-19
Applicant: 东南大学
Abstract: 本发明公开了一种冠状动脉CT造影图像钙化点检测方法，利用已有的冠状动脉中轴线，首先提取该血管的感兴趣区域内各体素点的局部结构特征，然后利用球谐函数变换对局部结构特征量化得到特征向量，最后采用分类算法对所获得的特征向量进行分类，以确定体素点与训练数据集中的图像背景、血管腔及钙化点的局部结构特征近似程度，最终获得钙化点检测结果。本发明方法能够精确定位冠状动脉CT造影图像中位于冠状动脉血管壁上的钙化点，提高计算机辅助诊断的效率及准确率。
-
Patent Agency Ranking
公开(公告)号：CN104881682A
公开(公告)日：2015-09-02
申请号：CN201510274498.5
申请日：2015-05-26
Applicant: 东南大学
IPC: G06K9/62
CPC classification number: G06K9/6269
Abstract: 本发明公开了一种基于保局映射与主成分分析的图像分类方法，包括以下步骤：1、输入训练对象；2、建立一层或两层的流形学习网络，对于每一种具体的网络，学习得到每一层的滤波器；3、建立流形学习网络的输出层得到最终特征向量；4、将步骤3中最终得到的所有的特征向量输入支持向量机分类器进行训练；5、用校验图像集进行校验，调整到最佳网络参数；6、对测试图像进行测试，统计分类结果，计算识别率。本发明通过构造三种结构相似但不同网络层的网络，应用一种流形方法即保局映射获得图像更加本质的局部结构，使得在各种分类任务中，构造的网络更加具有分辨力，获得更高的图像的分类准确率。
-
公开(公告)号：CN103337096A
公开(公告)日：2013-10-02
申请号：CN201310307604.6
申请日：2013-07-19
Applicant: 东南大学
Abstract: 本发明公开了一种冠状动脉CT造影图像钙化点检测方法，利用已有的冠状动脉中轴线，首先提取该血管的感兴趣区域内各体素点的局部结构特征，然后利用球谐函数变换对局部结构特征量化得到特征向量，最后采用分类算法对所获得的特征向量进行分类，以确定体素点与训练数据集中的图像背景、血管腔及钙化点的局部结构特征近似程度，最终获得钙化点检测结果。本发明方法能够精确定位冠状动脉CT造影图像中位于冠状动脉血管壁上的钙化点，提高计算机辅助诊断的效率及准确率。
-
公开(公告)号：CN117524487B
公开(公告)日：2024-03-29
申请号：CN202410008602.5
申请日：2024-01-04
Applicant: 首都医科大学附属北京天坛医院 , 东南大学
Abstract: 本发明提供一种基于人工智能的动脉硬化斑块风险评估的方法及系统，涉及图像处理技术领域，所述方法包括：根据二维病灶区域以及血管截面，确定体积危险性评分；根据二维病灶区域内的第一像素点的第一像素值，以及血管壁的第二像素点的第二像素值，确定对比度危险性评分；根据二维病灶区域的轮廓，以及第一像素点的第一像素值，确定形态危险性评分；根据体积危险性评分、对比度危险性评分和形态危险性评分，获得高危动脉硬化斑块识别评分；如果高危动脉硬化斑块识别评分大于或等于高危阈值，确定动脉硬化斑块为高危动脉硬化斑块。根据本发明，可通过多个方面综合评价动脉硬化斑块病灶的危险性，从而为专业人士提供更准确的参考，降低误诊的可能性。
-
公开(公告)号：CN117524487A
公开(公告)日：2024-02-06
申请号：CN202410008602.5
申请日：2024-01-04
Applicant: 首都医科大学附属北京天坛医院 , 东南大学
Abstract: 本发明提供一种基于人工智能的动脉硬化斑块风险评估的方法及系统，涉及图像处理技术领域，所述方法包括：根据二维病灶区域以及血管截面，确定体积危险性评分；根据二维病灶区域内的第一像素点的第一像素值，以及血管壁的第二像素点的第二像素值，确定对比度危险性评分；根据二维病灶区域的轮廓，以及第一像素点的第一像素值，确定形态危险性评分；根据体积危险性评分、对比度危险性评分和形态危险性评分，获得高危动脉硬化斑块识别评分；如果高危动脉硬化斑块识别评分大于或等于高危阈值，确定动脉硬化斑块为高危动脉硬化斑块。根据本发明，可通过多个方面综合评价动脉硬化斑块病灶的危险性，从而为专业人士提供更准确的参考，降低误诊的可能性。
-
公开(公告)号：CN117273134A
公开(公告)日：2023-12-22
申请号：CN202311275705.X
申请日：2023-09-28
Applicant: 东南大学
IPC: G06N5/022 , G06F16/36 , G06F16/33 , G06F16/332 , G06F40/289 , G06F40/30 , G06F18/22 , G06F18/214 , G06N3/0455 , G06N3/048 , G06N3/084
Abstract: 本发明公开了一种基于预训练语言模型的零样本知识图谱补全方法，具体包括以下步骤：1、知识图谱数据预处理，从知识图谱中采样零样本知识图谱补全数据集，进一步获取关系的描述语句以及关系的所有三元组中实体和关系文本信息组成的三元组文本语句；2、利用预训练语言模型Sentence‑BERT进行微调，学习关系描述语句的向量表示以及三元组文本语句的向量表示；3、利用零样本知识图谱验证集进行验证，调整到最佳网络参数；4、利用零样本知识图谱测试集进行测试，统计模型效果；该方案充分发挥预训练语言模型的能力，能够达到需要额外利用邻居实体信息的方法相同的效果。
-
-
-
-
-
-
-
-
-
Search Results
68
records
(took 0.026 seconds)
