-
公开(公告)号：CN110601857A
公开(公告)日：2019-12-20
申请号：CN201910908719.8
申请日：2019-09-25
Applicant: 东北大学
Abstract: 本发明涉及计算机区块链技术领域，提供一种基于局部-全局区块链协同的数据交互方法。首先构建局部-全局区块链协同框架；当用户请求写入数据时，局部区块链的验证节点对原始数据签名、选取主节点并使用原始数据构建区块接入局部区块链，全局区块链的验证节点从原始数据中提取摘要并签名、选取主节点并使用原始数据的元数据构建区块接入全局区块链；当用户请求查询数据时，发送签名给全局区块链的验证节点，验证节点查询链上数据并广播，多于半数的验证节点查询到相同数据时选取主节点，主节点根据查询到的元数据查询对应的局部区块链上的原始数据，并返回查询到的原始数据。本发明能够实现局部区块链之间的数据共享，提升数据交互的效率。
-
公开(公告)号：CN106649272B
公开(公告)日：2019-06-25
申请号：CN201611205877.X
申请日：2016-12-23
Applicant: 东北大学
IPC: G06F17/27
Abstract: 一种基于混合模型的命名实体识别方法，包括：预处理；利用自适应的选择方式，在隐马尔科夫模型和条件随机场模型中，选择出F值较高的作为自适应的统计识别模型，对已识别语料进行初步的命名实体识别，得到初步的命名实体识别结果；构建由知识库和识别规则库构成的基础词典；利用基础词典，采用自适应的统计识别模型，对初步的命名实体识别结果进行二次识别，分析二次识别结果的F值，更新基础词典；构建基于基础词典和自适应的统计识别模型的混合模型，对待识别语料进行识别，得到待识别语料中的人名实体、地名实体和机构名实体，将识别结果补充到知识库中，更新基础词典，供下一次识别使用。本发明的识别准确率和识别召回率有显著提高。
-
公开(公告)号：CN106598950B
公开(公告)日：2019-02-05
申请号：CN201611205879.9
申请日：2016-12-23
Applicant: 东北大学
Abstract: 一种基于混合层叠模型的命名实体识别方法，包括：预处理；利用自适应的选择方式，在隐马尔科夫模型和条件随机场模型中，选择出F值较高的作为自适应的统计识别模型，对预处理后的已识别语料进行初步的命名实体识别，得到初步的命名实体识别结果；构建由知识库和识别规则库构成基础词典；利用基础词典，采用自适应的统计识别模型，对初步的命名实体识别结果进行二次识别，分析二次识别结果的F值，更新基础词典；构建混合层叠模型，对预处理后的待识别语料逐层进行识别，将当前层识别出的识别结果添加到基础词典中供下一层识别使用，最后得到待识别语料中的人名实体、地名实体和机构名实体。本发明的识别准确率和识别召回率有显著提高。
-
公开(公告)号：CN109034263A
公开(公告)日：2018-12-18
申请号：CN201810930199.6
申请日：2018-08-15
Applicant: 东北大学
CPC classification number: G06K9/6289 , G06T11/008 , G16H50/20
Abstract: 本发明提供一种脑网络多频融合图核的阿尔茨海默病辅助诊断装置及方法，涉及计算机辅助诊断技术领域。该装置包括图像预处理模块、图像分频模块、图核生成模块、图核融合模块和辅助诊断模块；图像分频模块将功能核磁共振图像与AAL模板进行匹配，并进行分频处理；图核生成模块对分频后的图像构建多频脑网络，并形成一个矩阵；图核融合模块将所有图核融合成为一个图核；辅助诊断模块将融合的图核与核极限学习机结合，实现对阿尔茨海默病的诊断。本发明还提供了采用该装置进行诊断的方法。本发明提供的脑网络多频融合图核的阿尔茨海默病辅助诊断装置及方法，能够充分表示多频段下大脑活动信息差异，令功能核磁共振图像的信号信息得到充分发挥。
-
公开(公告)号：CN106202930B
公开(公告)日：2018-08-28
申请号：CN201610545579.9
申请日：2016-07-12
Applicant: 东北大学
Abstract: 本发明提供一种基于SS‑ELM的肺结节患病风险预测系统及方法，该系统包括肺结节图像处理单元、灰度共生矩阵构造单元、Haralick特征参数计算单元、Haralick特征集合构成单元和肺结节患病风险预测单元；该方法过程为获取有标签肺结节图像、无标签肺结节图像和待诊断肺结节图像作为目标图像；将目标图像进行灰度处理；将灰度处理后的目标图像在0°、45°、90°和135°四个方向上分别生成灰度共生矩阵；确定目标图像在0°、45°、90°和135°四个方向上的Haralick特征参数；确定目标图像的Haralick特征集合；利用SS‑ELM算法得到待诊断肺结节图像性质表现为恶性的风险概率；本发明能够有效地改善肺结节患病风险预测的性能。
-
Patent Agency Ranking
公开(公告)号：CN104317801B
公开(公告)日：2017-07-18
申请号：CN201410483041.0
申请日：2014-09-19
Applicant: 东北大学
IPC: G06F17/30
Abstract: 一种面向大数据的数据清洗系统及方法，该系统应用层包括数据解析抽取模块、相似连接模块、相似子图聚集模块、实体采样模块、概率计算与实体查询模块，存储层利用Hadoop提供的分布式存储工具HDFS对数据清洗过程中产生的结构化数据记录、相似数据记录对、相似连通子图进行存储，利用Hadoop提供的分布式存储工具HBase对清洗后的结构化数据记录进行存储。该方法包括获取待清洗数据；相似连接；相似子图聚集；实体采样；概率计算与实体查询。本发明是一种面向大数据的数据清洗系统与不确定数据确定化方法，解决了以往的集中式的相似性连接无法适应大规模数据运算的问题，充分利用图以及相关知识创造性的完成大数据清洗，并为海量数据分析提供了数据准备。
-
公开(公告)号：CN106649272A
公开(公告)日：2017-05-10
申请号：CN201611205877.X
申请日：2016-12-23
Applicant: 东北大学
IPC: G06F17/27
CPC classification number: G06F17/278
Abstract: 一种基于混合模型的命名实体识别方法，包括：预处理；利用自适应的选择方式，在隐马尔科夫模型和条件随机场模型中，选择出F值较高的作为自适应的统计识别模型，对已识别语料进行初步的命名实体识别，得到初步的命名实体识别结果；构建由知识库和识别规则库构成的基础词典；利用基础词典，采用自适应的统计识别模型，对初步的命名实体识别结果进行二次识别，分析二次识别结果的F值，更新基础词典；构建基于基础词典和自适应的统计识别模型的混合模型，对待识别语料进行识别，得到待识别语料中的人名实体、地名实体和机构名实体，将识别结果补充到知识库中，更新基础词典，供下一次识别使用。本发明的识别准确率和识别召回率有显著提高。
-
公开(公告)号：CN106202930A
公开(公告)日：2016-12-07
申请号：CN201610545579.9
申请日：2016-07-12
Applicant: 东北大学
CPC classification number: G06T7/0014 , G06T2207/20081 , G06T2207/30064 , G16H50/20
Abstract: 本发明提供一种基于SS-ELM的肺结节患病风险预测系统及方法，该系统包括肺结节图像处理单元、灰度共生矩阵构造单元、Haralick特征参数计算单元、Haralick特征集合构成单元和肺结节患病风险预测单元；该方法过程为获取有标签肺结节图像、无标签肺结节图像和待诊断肺结节图像作为目标图像；将目标图像进行灰度处理；将灰度处理后的目标图像在0°、45°、90°和135°四个方向上分别生成灰度共生矩阵；确定目标图像在0°、45°、90°和135°四个方向上的Haralick特征参数；确定目标图像的Haralick特征集合；利用SS-ELM算法得到待诊断肺结节图像性质表现为恶性的风险概率；本发明能够有效地改善肺结节患病风险预测的性能。
-
公开(公告)号：CN106023239A
公开(公告)日：2016-10-12
申请号：CN201610523605.8
申请日：2016-07-05
Applicant: 东北大学
CPC classification number: G06T5/002 , G06T2207/30068 , G06T2207/30096
Abstract: 本发明提供一种基于乳腺子区域密度聚类的乳腺肿块分割系统及方法，涉及医学图像后处理技术领域。本发明通过预处理单元对乳腺图像进行前期图像预处理后，由分割窗口单元将图像分成若干子区域，利用密度特征提取单元分别对各子区域进行密度特征提取，并由聚类单元进行聚类，最后由分割结果可视化单元将聚类分割后的图像显示出来。本发明提供的基于乳腺子区域密度聚类的乳腺肿块分割系统及方法采用基于乳腺子区域密度聚类的方法，进行乳腺肿块的准确分割，并将分割后肿块位置清晰的显示出来，能有效辅助乳腺疾病的准确诊断。
-
公开(公告)号：CN104123722A
公开(公告)日：2014-10-29
申请号：CN201410321447.9
申请日：2014-07-08
Applicant: 东北大学
Abstract: 本发明涉及一种核磁图像超分辨率的系统及方法，包括图像超分辨率训练单元、图像超分辨率单元和随机参数生成器，通过对原核磁图像进行降质、插值、特征图像提取，得到特征图像集，对特征图像集中的图像进行分割、向量化处理，得到图像超分辨率训练集的特征矩阵和图像超分辨率训练集的目标矩阵，利用ELM原理，计算出神经网络输出节点的权重向量参数，对神经网络输出节点的权重向量参数进行选择，选出最佳参数，完成图像超分辨率训练，将原核磁图像进行降质、分割、特征图像提取、分割和向量化处理，得到原核磁图像的特征矩阵，利用ELM原理和最佳参数，由原核磁图像的特征矩阵得到原始核磁图像的超分辨率图像。
-
-
-
-
-
-
-
-
-
Search Results
111
records
(took 0.026 seconds)
