-
公开(公告)号：CN118247374A
公开(公告)日：2024-06-25
申请号：CN202410414616.7
申请日：2024-04-08
Applicant: 哈尔滨工业大学
IPC: G06T11/00 , G06T7/00 , G06V10/26 , G06V10/774 , G06V10/82 , G06N3/0455 , G06N3/0464 , G06N3/0475 , G06N3/047 , G06N3/094 , G06N3/084 , G16H30/20
Abstract: 一种基于对抗概率扩散模型的医学图像生成方法，它属于图像生成技术领域。本发明解决了现有医学图像生成方法存在的生成图像效率低、清晰度低以及无法确保真实性的问题。本发明具体为：步骤S1、分别统计每张患病医学图像中病灶区域所占的像素数量；步骤S2、分别为每张患病医学图像生成病灶区域所占像素数量的变化序列；步骤S3、构建医学图像生成模型，利用各张患病医学图像以及为各张患病医学图像生成的病灶区域所占像素数量变化序列对医学图像生成模型进行训练；步骤S4、将健康医学图像作为训练好的医学图像生成模型的对抗概率扩散模块的输入，生成患病医学图像。本发明可以应用于图像生成技术领域。
-
公开(公告)号：CN105512489B
公开(公告)日：2018-03-30
申请号：CN201510938331.4
申请日：2015-12-10
Applicant: 哈尔滨工业大学
IPC: G16H50/50
Abstract: 一种基于多尺度心脏Thimthy综合症发病机制的建模方法，本发明涉及Thimthy综合症发病机制的建模方法。本发明的目的是为了解决当前无法实现微观与宏观研究的统一的问题。一、建立Thimthy综合症离子通道模型；二、建立Thimthy综合症心肌细胞电生理模型；三、建立Thimthy综合症心肌纤维电生理模型；四、建立心脏切片几何模型；五、建立Thimthy综合症心肌组织电生理模型；步骤六、建立心脏几何模型；七、建立Thimthy综合症心脏电生理模型；八、建立人体的心脏‑躯干几何模型；九、与Thimthy综合症临床心电图对比分析。本发明应用于发病机制的建模方法领域。
-
Patent Agency Ranking
公开(公告)号：CN105512489A
公开(公告)日：2016-04-20
申请号：CN201510938331.4
申请日：2015-12-10
Applicant: 哈尔滨工业大学
IPC: G06F19/00
Abstract: 一种基于多尺度心脏Thimthy综合症发病机制的建模方法，本发明涉及Thimthy综合症发病机制的建模方法。本发明的目的是为了解决当前无法实现微观与宏观研究的统一的问题。一、建立Thimthy综合症离子通道模型；二、建立Thimthy综合症心肌细胞电生理模型；三、建立Thimthy综合症心肌纤维电生理模型；四、建立心脏切片几何模型；五、建立Thimthy综合症心肌组织电生理模型；步骤六、建立心脏几何模型；七、建立Thimthy综合症心脏电生理模型；八、建立人体的心脏-躯干几何模型；九、与Thimthy综合症临床心电图对比分析。本发明应用于发病机制的建模方法领域。
-
公开(公告)号：CN118447305A
公开(公告)日：2024-08-06
申请号：CN202410547826.3
申请日：2024-05-06
Applicant: 哈尔滨工业大学
IPC: G06V10/764 , G06V10/20 , G06V10/40 , G06F18/22 , G06V10/774 , G06N3/0455 , G06N3/048 , G06N3/084 , G06N3/098
Abstract: 一种基于多任务学习的痤疮严重程度自动分级系统，它属于医学图像处理领域。本发明解决了现有痤疮严重程度分级方法的准确率且效率低的问题。本发明通过设计序列树构建方法可以构建合适的序列树，并大幅度降低了寻找合适序列树的时间成本，提升了分级的效率。通过引入标签分布学习，并将标签分布学习与序列树进行结合，可以更好地区分相邻的痤疮严重程度，解决了相邻痤疮严重程度难以区分的问题，显著提升了痤疮严重程度整体分级的效果，保证了痤疮严重程度分级的准确率。本发明方法可以应用于痤疮严重程度分级。
-
公开(公告)号：CN116993770B
公开(公告)日：2024-05-28
申请号：CN202311031721.4
申请日：2023-08-16
Applicant: 哈尔滨工业大学
IPC: G06T7/194 , G06T5/70 , G06T5/60 , G06N3/0464 , G06N3/09
Abstract: 一种基于残差扩散模型的图像分割方法，它属于图像处理技术领域。本发明解决了现有模糊图像分割算法的分割效果差的问题。本发明的主要方案为：步骤S1、对已知目标区域的三维图像进行预处理，将预处理后的图像作为训练数据；步骤S2、将步骤S1中预处理后图像的目标区域标签转换成体素级的独热编码分割标签向量y0；步骤S3、构建残差扩散模型，所述残差扩散模型包括扩散先验网络和噪声估计网络两个部分；利用训练数据和分割标签向量y0对扩散先验网络和噪声估计网络进行联合训练；步骤S4、对待分割图像进行预处理操作后，利用训练好的残差扩散模型的参数对预处理后的待分割图像进行分割。本发明方法可以应用于图像分割。
-
公开(公告)号：CN117422912A
公开(公告)日：2024-01-19
申请号：CN202311366790.0
申请日：2023-10-20
Applicant: 哈尔滨工业大学
IPC: G06V10/764 , G06V10/82 , G06V10/44 , G06T7/00 , G06T7/11 , G06T7/136 , G06T7/194 , G06N3/048 , G06N3/042 , G06N3/096
Abstract: 一种基于提示学习的组织病理图像多任务分类系统，它属于医学图像分析技术领域。本发明解决了现有多任务学习模型忽视了各任务间潜在的关联性，导致现有方法对组织病理图像多任务分类的性能差的问题。本发明通过为每个任务设计任务特定的提示，并引入任务相关性学习模块，能够显式地识别和利用各种任务之间的潜在关联性。此外，本发明在训练时对整个神经网络模型进行了全面微调，使各个任务之间相互促进，这一策略不仅显著提高了其相对于训练多个单任务模型的计算效率和性能，还增强了模型对多种不同任务的适应能力，提升了本发明方法在组织病理图像多任务分类上的性能。本发明可以应用于医学图像分析。
-
公开(公告)号：CN117422911A
公开(公告)日：2024-01-19
申请号：CN202311366788.3
申请日：2023-10-20
Applicant: 哈尔滨工业大学
IPC: G06V10/764 , G06V10/20 , G06V10/40 , G06V10/774 , G06T7/00 , G06T7/194 , G06N20/00
Abstract: 一种协同学习驱动的多类别全切片数字病理图像分类系统，它属于医学图像分析技术领域。本发明解决了现有方法仅关注二分类且无法捕捉类相关语义信息的问题。本发明首先获取待分类的全切片数字病理图像，再对图像进行预处理，获取前景组织区域图像并将前景组织区域图像分割为子图像补丁；对子图像补丁进行编码，根据编码结果得到补丁特征令牌；设置分类令牌，根据补丁特征令牌和分类令牌进行计算，再根据计算结果生成类激活图，并根据类激活图得到类别的热力图。本发明可以应用于数字病理图像分类。
-
-
-
-
-
-
Search Results
17
records
(took 0.026 seconds)
