-
公开(公告)号：CN113763394B
公开(公告)日：2024-03-29
申请号：CN202110973635.X
申请日：2021-08-24
Applicant: 同济大学
IPC: G06T7/11 , G06N3/0455 , G06N3/0464 , G06N3/084
Abstract: 本发明涉及一种基于医疗风险的医学图像分割控制方法，具体包括以下步骤：S1、获取待分割的医学图像集，对医学图像集中的目标区域进行标注；S2、对医学图像集中的原始数据进行预处理；S3、按照预设比例将医学图像集划分为训练集和测试集；S4、生成医学图像分割模型，将训练集输入医学图像分割模型，对医学图像分割模型进行训练；S5、将测试集输入训练好的图像分割模型，得到目标区域的分割图像。与现有技术相比，本发明具有使得模型始终受到医疗风险的约束、提高医学图像分割结果的准确性、实现既准确又安全的分割等优点。
-
公开(公告)号：CN114445423A
公开(公告)日：2022-05-06
申请号：CN202210041649.2
申请日：2022-01-14
Applicant: 同济大学 , 华平信息技术股份有限公司
Abstract: 本发明提供基于弱监督学习的医学图像分割方法及其模型的训练方法。其中，训练方法包括：获取若干待分割的医学图像，并对其中的病灶区域进行标注；对各所述待分割的医学图像进行预处理，并按照预设比例将所述预处理后的图像数据划分为训练集和测试集；利用所述训练集来训练一弱监督种子线索提取模型，并利用所述训练集和所述弱监督种子线索提取模型生成的伪标签训练一弱监督图像分割模型；在训练结束后，利用所述测试集对所述训练的弱监督图像分割模型进行测试。本发明训练得到的模型能按照病灶风险程度对医学图像进行相应程度的分割，从而满足实际医学分割场景的需求。
-
公开(公告)号：CN113763394A
公开(公告)日：2021-12-07
申请号：CN202110973635.X
申请日：2021-08-24
Applicant: 同济大学
Abstract: 本发明涉及一种基于医疗风险的医学图像分割控制方法，具体包括以下步骤：S1、获取待分割的医学图像集，对医学图像集中的目标区域进行标注；S2、对医学图像集中的原始数据进行预处理；S3、按照预设比例将医学图像集划分为训练集和测试集；S4、生成医学图像分割模型，将训练集输入医学图像分割模型，对医学图像分割模型进行训练；S5、将测试集输入训练好的图像分割模型，得到目标区域的分割图像。与现有技术相比，本发明具有使得模型始终受到医疗风险的约束、提高医学图像分割结果的准确性、实现既准确又安全的分割等优点。
-
公开(公告)号：CN113160417A
公开(公告)日：2021-07-23
申请号：CN202110392993.1
申请日：2021-04-13
Applicant: 同济大学
Abstract: 本发明涉及一种基于泌尿系统的多器官三维重建控制方法，具体包括以下步骤：S1、获取泌尿系统医学影像，经分割处理后得到标注数据文件；S2、根据标注数据文件，通过基于深度优先遍历和轮廓线插值的面绘制算法，生成泌尿系统医学影像的三角面片网格模型；S3、通过基于距离加权和线性插值的拉普拉斯网格平滑算法，对三角面片网格模型进行多次迭代优化；S4、根据优化后的三角面片网格模型，通过纹理映射算法渲染出泌尿系统医学影像的三维重建模型。与现有技术相比，本发明具有有效解决泌尿系统中精囊和肿瘤器官不规则形状及多区域而无法插值的问题、更好地消除三维重建模型表面的鳞状效应等优点。
-
公开(公告)号：CN111191793A
公开(公告)日：2020-05-22
申请号：CN201911312025.4
申请日：2019-12-18
Applicant: 同济大学
Abstract: 本发明涉及一种基于对抗残差变换网络的无监督领域自适应方法，包括以下步骤：步骤S1：特征提取器提取源域的源数据和目标域的目标数据的特征分布；步骤S2：转换网络将源数据的特征分布映射到目标域，生成伪造目标数据；步骤S3：伪造目标数据通过训练建立标签分类器，通过标签分类器预测目标数据的标签值；步骤S4：域分类器对比伪造目标数据与目标数据，将结果反馈给特征提取器，特征提取器根据结果对提取过程进行改进，转换网络优化源数据到目标域的映射；步骤S5：循环执行步骤S1-S4，直至对抗残差变换网络模型的损失函数的值收敛，损失函数中设有正则化项。与现有技术相比，本发明具有减少梯度消失对模型参数优化的影响、提高模型的稳定性等优点。
-
Patent Agency Ranking
公开(公告)号：CN110543831A
公开(公告)日：2019-12-06
申请号：CN201910745377.2
申请日：2019-08-13
Applicant: 同济大学
Abstract: 本发明涉及一种基于卷积神经网络的脑纹识别方法，包括：S1、采集原始时序脑电数据，并得到去除伪迹的原始频域脑电数据；S2、将去除伪迹的原始频域脑电数据划分为第一数据集和第二数据集，通过第一数据集对卷积神经网络进行训练和测试，以得到训练好的卷积神经网络；S3、对第一数据集和第二数据集分别进行特征提取，并将提取的所有特征集合存储为特征集；S4、从第二数据集中提取第一特征，比较第一特征与存储的特征集内各特征之间的欧式距离，以得到脑纹识别结果。与现有技术相比，本发明通过训练卷积神经网络，以提取个体的脑电编码向量，只需比较个体与样本之间的欧式距离，即可实现对个体的脑纹识别，避免了重新训练模型的问题。
-
公开(公告)号：CN110477909A
公开(公告)日：2019-11-22
申请号：CN201910701025.7
申请日：2019-07-31
Applicant: 同济大学
Abstract: 本发明涉及一种基于静息态脑电数据的性别分类方法，包括以下步骤：S1、采集各性别对应的原始静息态脑电数据；S2、对原始静息态脑电数据进行预处理，得到去除伪迹的静息态脑电数据；S3、重新组合去伪迹的静息态脑电数据；S4、构建卷积神经网络，并将去除伪迹的重组静息态脑电数据输入给卷积神经网络，对卷积神经网络进行训练和测试，得到训练好的卷积神经网络；S5、由训练好的卷积神经网络对实际静息态脑电数据进行分类。与现有技术相比，本发明将静息态脑电数据进行去伪迹和重组，基于大脑功能性连接的特征，通过卷积神经网络进行特征提取及分析，不仅降低了脑电数据预处理的复杂性，也解决了针对脑电数据无法选择合适模型的问题。
-
公开(公告)号：CN108446718A
公开(公告)日：2018-08-24
申请号：CN201810126792.5
申请日：2018-02-08
Applicant: 同济大学
CPC classification number: G06K9/6256 , G06K9/6235 , G06K9/6267 , G06K2009/6236 , G06N3/082
Abstract: 本发明涉及深度学习领域的一种基于深度置信网络的动态网络结构训练分析方法。本发明的目的在于克服深度置信网络的几点不足，提供一种基于深度置信网络的由整体至特殊的动态网络结构训练分析策略。该策略参考人类识别物体时大脑的分析策略，引入细致化分析的过程。该策略针对分类问题，在训练阶段产生两种网络，包括一个全局网络和若干个针对具体的各个类别的特殊网络。在预测阶段，综合考虑两种网络的输出结果，使得整个模型的预测更加具有针对性，从而提高分类模型的准确性。
-
公开(公告)号：CN103248964B
公开(公告)日：2016-04-06
申请号：CN201310117793.0
申请日：2013-04-07
Applicant: 同济大学
IPC: H04N21/643 , H04N21/6437 , H04N21/647
Abstract: 一种基于RTP/RTCP的车载视频传输系统，其特征在于，是由网络传输控制模块和若干N个可以移动的客户端共同构建成了本发明整个车载视频传输系统，各个车载终端形成VANET网络，所述客户端为安放于车内的车载终端，每个车载终端都安装有Intel IPP库，所述车载视频传输系统为客户/服务器模式。本发明通过设计基于RTP/RTCP的车载视频传输系统，考虑到视频压缩参数不同对最终的传输质量会有影响，动态地根据系统检测的丢包率，实时调节视频压缩质量，本发明系统可动态调整视频传输质量。
-
公开(公告)号：CN102866775A
公开(公告)日：2013-01-09
申请号：CN201210324584.9
申请日：2012-09-04
Applicant: 同济大学
IPC: G06F3/01
Abstract: 本发明提供一种基于多模式融合的脑机接口控制系统及方法，该系统包括用以诱发SSVEP稳态视觉和诱导MI运动想象的脑电刺激与反馈模块；用以采集EEG脑电信号的脑电信号采集模块；用以提取并识别分类EEG脑电信号中的SSVEP稳态视觉诱发电位特征和MI运动想象脑电特征的脑电信号处理模块；脑电信号处理模块还将SSVEP稳态视觉诱发电位特征和MI运动想象脑电特征分别对应的分类结果反馈回脑电刺激与反馈模块；用以执行分类结果的执行模块。本发明构建了多模式融合的脑机接口，提高了控制系统的信息传输率、可靠性和灵活性，减少了单运动想象模式脑机接口下的低信息传输率，同时也减少了单SSVEP任务下的视觉负担，提高了基于脑机接口的控制系统的适应人群。
-
-
-
-
-
-
-
-
-
Search Results
60
records
(took 0.019 seconds)
