-
公开(公告)号：CN119151887A
公开(公告)日：2024-12-17
申请号：CN202411203064.1
申请日：2024-08-29
Applicant: 哈尔滨理工大学
IPC: G06T7/00 , G06T7/73 , G06V10/44 , G06V10/82 , G06V10/764 , G06V10/25 , G06V10/771 , G06V10/80 , G06N3/0464 , G06N3/045
Abstract: 使用计算机断层扫描(CT)图像对肝癌患者的微血管侵犯进行术前早期识别，对患者术前无创诊断和指导个体化治疗改善预后效果具有重要帮助，深度学习技术现已广泛用于医学图像分类领域。使用传统的卷积神经网络迁移学习至肝癌微血管侵犯术前预测任务中时，存在特征挖掘不稳定、预测准确度欠佳的问题。本发明将不同的微血管侵犯实例视为肿瘤的不同变形，设计了专门的坐标引导适应力增强注意力模块，引导网络定位肿瘤并适应肿瘤的变形表示，以解决模型学习不到稳定特征的问题。其次，引入了患者内脏脂肪作为辅助的影像标志物，同时挖掘出它所蕴含的有关微血管侵犯的潜在信息。联合肿瘤病灶和内脏脂肪共同预测患者结局，最终达到了优秀的预测准确度。
-
公开(公告)号：CN111639770B
公开(公告)日：2023-11-21
申请号：CN202010479144.5
申请日：2020-05-30
Applicant: 哈尔滨理工大学
IPC: G06Q10/30 , G06Q10/0639 , G06Q10/087 , G06Q50/04
-
公开(公告)号：CN115116616A
公开(公告)日：2022-09-27
申请号：CN202210924114.X
申请日：2022-08-02
Applicant: 哈尔滨理工大学
Abstract: 本发明是涉及基于组内组间优化的多重插补的乳腺癌缺失数据插补模型。该插补模型由组内优化插补和组间优化插补组成，将均值插补、随机森林插补、贝叶斯线性回归插补、分类回归树插补和线性回归插补五种方法作为多重插补的基础方法，并结合医学特征的参考阈值进行综合插补。得到组内最优插补数据集，最后以均方根误差作为组间最优插补的评判标准。在插补过程中，加入临床特征阈值判别有利于增强医学数据特征的结构分布，让数据更具真实性。在组内优化中考虑到不同特征间的差异以及特征缺失值的不确定性，组间优化中考虑各插补方法的横向比较，让缺失数据的插补更具稳健性。
-
公开(公告)号：CN113393931A
公开(公告)日：2021-09-14
申请号：CN202110665045.0
申请日：2021-06-16
Applicant: 哈尔滨理工大学
Abstract: 本发明公开了一种基于系统动力学的乳腺癌诊断与治疗方法，涉及人工智能和管理科学领域，更具体地，涉及一种基于临床数据诊断乳腺癌BI‑RADS分级以及五年预后的系统动力学方法，包括以下步骤：(1)乳腺癌临床数据的获取，包括超声检测数据和五年预后数据；(2)乳腺癌临床数据的特征选择及预处理；(3)计算各特征与目标变量的关联规则；(4)构建基于系统动力学的乳腺癌诊断和治疗模型。本发明通过Apriori算法计算各数据信息间与乳腺癌诊断、治疗的关联，将其作为驱动机制加入到系统动力学模型中，构建动力学微分方程，实现对乳腺癌诊断及治疗的动态预测，为乳腺癌的诊断、手术决策、预后评估等临床诊疗任务提供决策支持。
-
公开(公告)号：CN113157687A
公开(公告)日：2021-07-23
申请号：CN202110554615.9
申请日：2021-05-21
Applicant: 哈尔滨理工大学
IPC: G06F16/215 , G06K9/62
Abstract: 本发明涉及一种基于数据驱动和数据类型的混合缺失值插补方法。本发明首先使用中心趋势值插补、随机森林插补、多重插补、k近邻插补方法依次对数据集的每一个特征进行缺失值估计，根据平均绝对误差对每个特征的插补方法排序，平均绝对误差最小的被分配为秩1，平均绝对误差最小的被分配为秩4，然后把特征分为数值型和名义型，根据不同类型使用中心趋势值插补、随机森林插补、多重插补、k近邻插补方法缺失值估计，同样为每种方法根据平均绝对误差分配秩，最后依据每个特征属于什么类型结合两种方式的平均绝对误差排序，选出结合以后秩最小的插补方法为特征的最合适插补方法。本发明对数据集中的缺失值具有很好的插补效果。
-
Patent Agency Ranking
公开(公告)号：CN117219277A
公开(公告)日：2023-12-12
申请号：CN202311190857.X
申请日：2023-09-15
Applicant: 哈尔滨理工大学
IPC: G16H50/30 , G16H50/70 , G06T7/00 , G06T7/11 , G06T7/136 , G06T7/62 , G06V10/764 , G06V10/80 , G06V10/82 , G06N3/045 , G06N3/0464 , G06N3/08 , G06N20/20
Abstract: 本发明涉及一种多模态后期融合的深度学习放射组学联合诺模图模型，用来探究少肌症对乳腺癌(BC)远处转移的影响。利用单因素Cox回归和多因素Cox回归分析得到BC远处转移的独立预后因素。使用DenseNet161模型、ResNet50模型、Gradient Boosting模型分别对第四胸椎(T4)、第十一胸椎(T11)层图像、临床病理结合身体成分数据进行分类。使用多数投票策略对分类结果进行后期融合，并将得到的后期融合概率联合诺模图预测BC远处转移。我们分析了诺模图的最佳截断点，将BC患者分为高、低转移风险组，并采用Kaplan‑Meier(KM)生存曲线进行生存分析。本发明进一步证实了T4胸肌指数(PMI/T4)对BC远处转移存在显著的影响，提高了BC远处转移的预测精度，为预测BC远处转移探索了一种非入侵性成像标志物。
-
公开(公告)号：CN111626450B
公开(公告)日：2023-09-15
申请号：CN202010482238.8
申请日：2020-05-30
Applicant: 哈尔滨理工大学
IPC: G06Q10/067 , G06Q10/30 , G06Q10/20 , G06Q50/04
Abstract: 本发明公开了基于互联网的闭环分类回收系统模型及其搭建方法，属于闭环回收系统建模领域。本发明针对现有闭环分类回收系统模型未考虑产品更新速度，使模型存在局限性的问题。本发明包括制造节点模型、回收节点模型、分拣中心模型和处理中心节点模型，处理中心节点模型包括第一处理节点模型、第二处理节点模型和第三处理节点模型；本发明考虑电子科技产品更新换代速率越来越快这一因素，进一步提高资源的可再利用率，提高模型反馈数据的准确性。
-
公开(公告)号：CN115019966A
公开(公告)日：2022-09-06
申请号：CN202210561629.8
申请日：2022-05-23
Applicant: 哈尔滨理工大学
IPC: G16H50/30 , G16H50/20 , G06V10/774 , G06V10/764 , G06V10/26 , G06V10/25 , G06T7/11 , G06T7/00 , G06N3/04 , G06N3/08
Abstract: 本发明是涉及深度学习对于医学影像和临床数据相结合并利用机器学习算法分类而建立的乳腺癌转移预测方法。该方法由深度学习的卷积神经网络模型和随机森林组成。该方法包含以下步骤：数据预处理；划分数据集；训练卷积神经网络模型并选出最优模型对影像数据降维；再次划分数据集；利用随机森林分类并得出评价指标。本发明可以帮助医生对乳腺癌患者的远处转移等预后情况做出评估。
-
公开(公告)号：CN114925057A
公开(公告)日：2022-08-19
申请号：CN202210642666.1
申请日：2022-06-08
Applicant: 哈尔滨理工大学
IPC: G06F16/215
Abstract: 本发明涉及一种基于距离函数的缺失值插补方法，该方法包括以下步骤：计算插补阈值模块，通过测量类中心与每类数据样本之间的欧几里得距离来确定每类的插补阈值；多重混合插补模块，采用多种单一模型对缺失数据插补多次，从而获得多个完整的插补数据集；选择最优插值模块，利用每类的插补阈值在插补数据集中确定最优的插值。本发明使用欧几里得距离函数和多种多重插补(MI)模型相结合的方式来处理缺失数据，从而弥补了单一模型的多重插补方法的不足，即同时考虑了数据和模型选择的不确定性，从而来获得比单一模型更好的插补结果。
-
公开(公告)号：CN113192632A
公开(公告)日：2021-07-30
申请号：CN202110563903.0
申请日：2021-05-24
Applicant: 哈尔滨理工大学
Abstract: 本发明涉及一种基于加权关联规则算法的乳腺癌分类方法，该方法包括以下步骤：数据输入模块，用于获取待分类的乳腺癌数据；数据预处理模块，用于对待分类的乳腺癌数据进行数据的预处理；特征加权模块，用于采用信息增益的方法对预处理后的乳腺癌数据的特征进行加权；数据分类模块，用于采用关联规则分类算法对特征加权后的乳腺癌测试数据进行分类，与现有的相关技术相比，本发明用信息增益值确定特征重要性，为每个特征分配相应的权重，关联规则剪枝过程中使用HM值和属性级别上的优先级来度量规则，最终形成的规则集用于乳腺癌的分类，提高了分类的性能。
-
-
-
-
-
-
-
-
-
Search Results
28
records
(took 0.022 seconds)
