-
公开(公告)号：CN113436202A
公开(公告)日：2021-09-24
申请号：CN202110581029.3
申请日：2021-05-26
Applicant: 哈尔滨理工大学
Abstract: 本发明公开了基于Mask R‑CNN网络的脊柱CT图像分割系统，涉及医疗技术领域；包括如下步骤：步骤一：脊椎CT图像的预处理：预处理采用高斯平滑滤波和窗宽窗位调节的方法，在增强图像质量和保留椎骨有效信息的同时消除噪声干扰；步骤二：基于Mask R‑CNN网络的脊柱CT图像分割；步骤三：卷积神经网络训练优化：将训练数据集应用在上一步建立的卷积网络上进行训练，得到基于Mask R‑CNN神经网络的椎骨CT图像分割网络模型；本发明调小模型复杂度，使其适合自己训练集的数量级；增加训练集样本，训练集越多，过拟合概率越小；将网络扩充为3D，通过增大感受野，提升网络对椎骨类别的辨别能力。
-
公开(公告)号：CN110796672A
公开(公告)日：2020-02-14
申请号：CN201911057495.0
申请日：2019-11-04
Applicant: 哈尔滨理工大学
Abstract: 本发明公开了一种基于层次卷积神经网络的乳腺癌MRI分割方法，融合了多种算法，其具体步骤为，训练一个全卷积网络FCN模型，采用3D U-Net架构来获取输入图像的全局和局部结构信息；以乳房掩膜为引导，训练另外两个FCN模型，分别估计粗分割结果和细化初始结果；开发基于标记点的检测模型，以检测用于活检肿瘤选择和放射基因组学的两个标记点，很好的解决了乳腺DEC-MR图像分割中的常见问题，包括类不平衡问题和混淆等不易解决的问题，设计了学习框架来对乳腺肿瘤进行由粗到细的分割；使用肿瘤位置信息和标记信息来确定所有检测到的肿瘤中的活检肿瘤，自动检测，设计巧妙，精确率高，便于普及推广和使用。
-
公开(公告)号：CN109493317A
公开(公告)日：2019-03-19
申请号：CN201811113870.4
申请日：2018-09-25
Applicant: 哈尔滨理工大学
Abstract: 本发明涉及一种基于级联卷积神经网络的3D多椎骨分割方法，分割方法包括：对原始脊柱CT图像进行CTE预处理，获得预处理图像；将预处理图像输入粗分割全卷积网络FCN进行粗分割训练，获得具有椎骨结构位置先验信息的粗分割结果图；将粗分割结果图和预处理图像作为双通道图像输入细分割深度卷积网络CNN，根据粗分割结果图提供的位置先验信息，在预处理图像中对应的位置提取每块椎骨及背景区域的补丁贴片，再对补丁贴片进行分割，获得具有标签的椎骨分割图像。本发明能快速准确地在3D脊柱CT图像中分割出每个椎骨并对其进行标记。
-
公开(公告)号：CN118296573A
公开(公告)日：2024-07-05
申请号：CN202410216088.4
申请日：2024-02-27
Applicant: 哈尔滨理工大学
Inventor： 刘侠
Abstract: 本发明公开了一种基于数据压缩的大尺度网络多目标跟踪方法，所述方法包括如下步骤：一、构建耦合攻击下大尺度网络的数学模型；二、设计预报‑估计器；三、针对大尺度网络中第κ个单元，借助预报‑估计器获取与预报误差相关的协方差#imgabs0#四、利用#imgabs1#确定预报‑估计器中的待定参数Υκ,u+1；五、将Υκ,u+1代到预报‑估计器方程，获取u+1时刻的精确估计值#imgabs2#判断u+1＜Δ是否成立，若成立，则执行六；六、根据的#imgabs3#和Υκ,u+1进一步获取与估计误差协方差相关的协方差上界#imgabs4#令u＝u+1，继续执行二，直到满足u+1＝Δ。该方法能够避免通信网络堵塞和耦合攻击诱导的跟踪误差大等问题的发生，为通信网络、数据处理以及目标跟踪等方面提供有价值的理论参考。
-
公开(公告)号：CN107977971A
公开(公告)日：2018-05-01
申请号：CN201711096210.5
申请日：2017-11-09
Applicant: 哈尔滨理工大学
CPC classification number: G06T7/11 , A61B6/032 , A61B6/505 , G06N3/0454 , G06N3/08 , G06T7/0012 , G06T17/00 , G06T2207/10081 , G06T2207/10088 , G06T2207/20081 , G06T2207/30012
Abstract: 一种基于卷积神经网络的椎骨定位的方法。脊椎定位是脊柱疾病判断的有效方式，由于脊椎周围的组织结构复杂，纹理丰富，造成诊断困难，效率低下。基于此提出一种基于卷积神经网络的椎骨定位的方法，使得脊椎的定位更加准确。所述脊椎定位方法包括以下步骤：A、对脊椎CT数据进行预处理，增加对比度；B、利用Faster R-CNN模型对脊椎CT图片中关键区域进行分割提取；C、将分割出来的椎骨利用核密度估计法预测椎骨的质心位置；D、利用Mimics对经过处理后的脊椎CT图像进行三维重建。
-
Patent Agency Ranking
公开(公告)号：CN106951892A
公开(公告)日：2017-07-14
申请号：CN201710189364.2
申请日：2017-03-27
Applicant: 哈尔滨理工大学
IPC: G06K9/20
CPC classification number: G06K9/2027 , G06K9/209
Abstract: 本发明公开了一种自动化图像识别设备，它涉及图像识别技术领域；所述工作台的下端安装有支撑脚，所述支撑脚的安装板上安装有图像处理器，所述工作台的上表面安装有检测传感器，所述工作台的上端安装有罩壳，所述罩壳的左端通过转轴安装有门体，所述门体的外侧壁安装有拉手，所述门体的内下端安装有磁铁，所述磁铁与安装在工作台上的吸合块吸合，所述罩壳的内上端分别安装有两个高清摄像头与无影灯，所述罩壳的右内侧壁上安装有补光灯，所述补光灯的外侧安装有反光板，所述检测传感器、高清摄像头均通过导线与图像处理器的输入端连接，本发明便于实现自动感应与自动识别，且能实现无影与补光，使用方便，操作简便，效率高。
-
公开(公告)号：CN106420036A
公开(公告)日：2017-02-22
申请号：CN201610938595.4
申请日：2016-10-25
Applicant: 哈尔滨理工大学
CPC classification number: A61B17/88 , A61B6/032 , A61B6/5205 , A61B6/5211 , A61B2017/90
Abstract: 本发明公开了一种椎弓根螺钉自动置入方法，采用图像采集处理模块实现脊柱图像的摄入和储存任务，完成基于像素层面上的灰度范围一致以及基于图像大小上的尺寸统一，并对采集质量较差的静脉图像进行锐化加强处理，然后利用相应的特征提取算法对预处理过的脊柱图像进行脊柱的特征提取，对提取得到的脊柱特征通过识别决策在已建立的特征数据库中进行特征匹配并进行空间重建，路径筛选模块实现对设定的错误路径进行排除，安全性评估模块实现对区域内的路径进行安全性评估并选出安全性高的路径，深度计算模块实现对已选出的路径进行置入深度计算，优选比较模块实现对计算后的路径进行综合筛选，角度计算模块实现对最终路径置入角度进行计算。在提高螺钉置入的成功率的同时有效缩短了时间，对脊柱椎弓根螺钉自动置入技术的实际应用具有重要意义。
-
公开(公告)号：CN116304575A
公开(公告)日：2023-06-23
申请号：CN202310353564.2
申请日：2023-04-05
Applicant: 哈尔滨理工大学
IPC: G06F18/10 , G06F18/24 , G06F18/25 , G06N3/0442 , G06N3/0464 , G06N3/08 , G06Q10/04 , A61B5/369
Abstract: 该设计是一种多任务癫痫脑电自动检测与预测系统。该系统首先通过预处理模块接收癫痫患者待识别的脑电信号或采集到的用于训练模块的患者脑电信号，并对信号进行去噪、滤波、分段、规范化等处理，并将处理后的用于训练模块的患者脑电信号输出到训练模块；在训练模块中，通过对采集到的用于训练模块的患者脑电信号进行训练与测试，先通过多尺度卷积网络进行特征提取，然后对加入双注意力机制的检测与预测分支进行训练，并保存训练后模型参数用于检测与预测模块；在检测与预测模块中对癫痫患者待识别的脑电信号给出检测与预测结果。本发明采用模块化设计，实现了对带噪声的不平衡脑电信号的实时检测与预测，为实际应用提供可靠的系统。
-
公开(公告)号：CN115512153A
公开(公告)日：2022-12-23
申请号：CN202211146617.5
申请日：2022-09-21
Applicant: 哈尔滨理工大学
Abstract: 基于多尺度残差网络的视网膜OCT图像分类方法、系统、计算机设备和存储介质，属于OCT图像处理技术领域，解决对视网膜OCT图像分类准确率较低问题。本发明的方法包括：获取视网膜OCT图像分类数据集，分为训练集和测试集；对训练集和测试集进行预处理；利用双通道注意力机制和多尺度残差模块对基线网络进行改进，建立视网膜OCT图像分类模型；多尺度残差模块具体包括若干条支路、残差模块、特征融合模块和相加模块，每条支路包括若干个卷积；特征融合模块用于将若干条支路的输出信息进行特征融合；相加模块用于将融合后的信息与残差模块的输出信息进行相加；获取训练后的视网膜OCT图像分类模型；对视网膜OCT图像进行分类。本发明适用于视网膜OCT图像的分类。
-
公开(公告)号：CN115393584A
公开(公告)日：2022-11-25
申请号：CN202210921524.9
申请日：2022-08-02
Applicant: 哈尔滨理工大学
Abstract: 基于多任务超声甲状腺结节分割与分类模型的建立方法、分割与分类方法和计算机设备，属于图像处理技术领域，解决甲状腺结节多尺度、结节边缘模糊、良恶分类不平衡以及数据不平衡问题。方法包括：以FCN为主干共享网络，基于UNet解码层为分割分支网络和ResNet34为分类分支网络。主干共享网络对输入超声图像采用参数硬共享的方式进行浅层特征提取，将提取的特征共享给两个分支网络。分割分支网络中，首先在主干共享网络后引入深层卷积块，获取分割分支深层特征，其次对各个特征提取阶段获取到的浅层特征通过带有多尺度卷积注意力模块的跳跃连接操作。在分类分支残差模块前后结合M‑CBAM，通过M‑CBAM和残差模块优化分类性能。本发明适用于超声甲状腺结节的分割与分类。
-
-
-
-
-
-
-
-
-
Search Results
45
records
(took 0.046 seconds)
