-
公开(公告)号：CN114119458A
公开(公告)日：2022-03-01
申请号：CN202111073772.4
申请日：2021-09-14
Applicant: 福州大学
Abstract: 本发明涉及一种基于临床先验知识指导的甲状腺髓样癌超声图像识别方法。首先通过设计一个级联分割网络获得甲状腺结节区域，再设计一个多分支分类网络，根据放射科医生的临床知识指导，加入甲状腺重要超声图像特征如实性和钙化作为先验知识来辅助网络分类。本发明不仅可以区分图像中良恶性结节，还可以准确地将恶性结节区分为甲状腺髓样癌和甲状腺乳头状癌。
-
公开(公告)号：CN107395590A
公开(公告)日：2017-11-24
申请号：CN201710590718.4
申请日：2017-07-19
Applicant: 福州大学
Abstract: 本发明公开了一种基于PCA和随机森林分类的入侵检测方法，其实现步骤为：（1）从入侵检测数据集中选取训练样本集和测试样本集；（2）通过PCA算法对训练样本集X进行特征降维处理，得到新的低维样本集合X’；（3）对于新的低维样本集合X’，通过给定随机森林中决策树的数量t，从低维样本集合X’中有放回地抽取N个子集，每颗决策树都对N个子集进行训练，最终得到一个随机森林分类器；（4）将测试样本集输入随机森林分类器，得到测试样本集的最终入侵检测结果。本发明使用先降维后分类的思想，对数据先进行特征降维然后再进行分类，与普通的基于机器学习入侵检测技术相比，本发明提出的入侵检测方法可有效提高检测的准确性。
-
公开(公告)号：CN114299018A
公开(公告)日：2022-04-08
申请号：CN202111633527.4
申请日：2021-12-29
Applicant: 福州大学
Abstract: 本发明涉及一种基于中心线拓扑连通和多视角信息的CT图像血管分割方法，包括以下步骤：步骤S1：获取原始CT图像，并进行预处理；步骤S2:将预处理后的CT图像，分成若干含动静脉血管标签的感兴趣区域的图像块；步骤S3:将图像块送入基于U‑Net的多尺度深监督网络进行分割，将网络输出的动静脉分割结果通过多视角投票策略得到初步结果;步骤S4:利用从中心线模型学习到的血管拓扑连通信息对初步结果中错误的部分进行修正；步骤S5:采用形态学膨胀得到衍生的血管颗粒，并利用肺血管网络模型学习的肺血管形态信息对动静脉进行修正，得到最终的分割结果。本发明准确率高，泛化能力强，能够在不同类型的CT图像中获得精准的动静脉分割结果。
-
公开(公告)号：CN110287975A
公开(公告)日：2019-09-27
申请号：CN201910573323.2
申请日：2019-06-28
Applicant: 福州大学
Abstract: 本发明涉及一种基于NSST形态特征及深度KELM的浮选加药异常检测方法。首先，实时采集浮选槽表面的气泡图像，将图像NSST分解，得到低频子带图像和多尺度高频子带；其次，对低频图像二值化提取气泡亮点，计算各亮点的个数、面积、标准差和椭圆率，计算各尺度高频子带系数的分形维数、均值和方差，构成气泡图像的多尺度形态特征；然后，在KELM算法基础上，借鉴深度学习思想构建一种深度KELM，将量子计算引入遗传算法的优化中，并用于优化深度KELM的参数，构建自适应深度KELM；最后，通过多尺度形态特征和自适应深度KELM建立浮选加药异常检测模型。本发明平均识别率和运行效率明显高于现有检测方法，更加符合浮选生产在线检测的需求，为后续的加药自动化控制打下基础。
-
Patent Agency Ranking
公开(公告)号：CN114332577A
公开(公告)日：2022-04-12
申请号：CN202111648121.3
申请日：2021-12-31
Applicant: 福州大学
IPC: G06V10/80 , G06V10/764 , G06V10/771 , G06V10/25 , G06V10/44 , G06V10/82 , G06K9/62 , G06N3/04 , G06N3/08 , G06N20/20
Abstract: 本发明提出一种结合深度学习与影像组学的结直肠癌图像分类方法及系统，针对深度学习模型训练种小样本问题，充分利用已有的数据进行数据增强（旋转，平移、图像变换等）为了解决医生手工标记耗时耗力的问题，引入深度学习的自动分割网络模型，实现自动的从图像中标注感兴趣区域。针对深度学习模型提取的特征可解释性差，获取特征信息不够全面的问题，采用影像组学特征、深度学习特征和临床病理信息三者融合获取更多更全面的特征信息，进一步提高影像组学的分类准确性和可靠性。
-
公开(公告)号：CN114119511A
公开(公告)日：2022-03-01
申请号：CN202111339539.6
申请日：2021-11-12
Applicant: 福州大学
IPC: G06T7/00 , G06V10/764 , G06V10/82 , G06K9/62 , G06N3/04
Abstract: 本发明涉及一种基于EfficientNet结构的结肠镜图像评价方法，包括以下步骤：步骤S1：获取结直肠序列图像，并初步分类为左半结肠、横结肠、右半结肠三段子序列图像；步骤S2:对子序列图像进行预处理；步骤S3:根据预处理后的子序列图像，基于可缩放的EfficientNet网络模型，获得最优的分类；步骤S4：基于BBPS肠道准备评价标准，即对左半结肠、横结肠、右半结肠三段子序列图像分别评分，累计各段肠道清洁度最差的图像评分，进一步评价结肠镜图像是否合格。本发明有效实现肠道准备的自动、准确的评价，可极大减轻医生的负担。
-
公开(公告)号：CN112733953A
公开(公告)日：2021-04-30
申请号：CN202110072573.5
申请日：2021-01-19
Applicant: 福州大学
Abstract: 本发明涉及一种基于Non‑local CNN‑GCN和拓扑子图的肺CT图像动静脉血管分离方法。首先，使用尺度空间粒子采样方法将血管树表示为一组中心线体素粒子。接着，根据粒子体素及其相邻体素构造拓扑图，并从拓扑图中提取只包含动脉或静脉分支的拓扑子图。然后，基于拓扑图训练Non‑local CNN‑GCN分类器。最后利用拓扑子图来改进分类结果。
-
公开(公告)号：CN107395590B
公开(公告)日：2019-11-12
申请号：CN201710590718.4
申请日：2017-07-19
Applicant: 福州大学
Abstract: 本发明公开了一种基于PCA和随机森林分类的入侵检测方法，其实现步骤为：（1）从入侵检测数据集中选取训练样本集和测试样本集；（2）通过PCA算法对训练样本集X进行特征降维处理，得到新的低维样本集合X’；（3）对于新的低维样本集合X’，通过给定随机森林中决策树的数量t，从低维样本集合X’中有放回地抽取N个子集，每颗决策树都对N个子集进行训练，最终得到一个随机森林分类器；（4）将测试样本集输入随机森林分类器，得到测试样本集的最终入侵检测结果。本发明使用先降维后分类的思想，对数据先进行特征降维然后再进行分类，与普通的基于机器学习入侵检测技术相比，本发明提出的入侵检测方法可有效提高检测的准确性。
-
公开(公告)号：CN105426502A
公开(公告)日：2016-03-23
申请号：CN201510833015.0
申请日：2015-11-26
Applicant: 福州大学
CPC classification number: G06F16/951 , G06Q50/01
Abstract: 本发明涉及一种基于社交网络的人物信息搜索与关系网绘制的方法，包括以下步骤：步骤S1：提供一数据采集层，用以采用API导入法、模拟点击法以及网络爬虫法对不同社交网站里的数据进行抽取存储至本地的非关系型数据库中；步骤S2：提供一数据清洗模块，用以将抽取到的数据进行数据清洗；步骤S3：将经过数据清洗后的数据进行存储；步骤S4：提供一数据显示模块，用以将从不同社交网站获取的数据经过数据清洗、存储及后期分析后用统一的形式进行呈现。本发明可让用户对社交网络中的目标人物的社会关系、活动脉络与思想动态等进行深度的分析。
-
-
-
-
-
-
-
-
Search Results
19
records
(took 0.015 seconds)
