-
-
公开(公告)号：CN118675760A
公开(公告)日：2024-09-20
申请号：CN202410765674.4
申请日：2024-06-14
Applicant: 东南大学
IPC: G16H50/70 , G06F18/2431 , G06F18/243 , G06N20/20 , G06F18/25
Abstract: 本发明公开了一种基于机器学习算法的风险分层评估方法及系统，涉及生物医药技术领域，包括以下步骤：获取患者相关数据，将其中一个独立中心数据作为验证集，其余患者相关数据进行随机分配，得到训练集、测试集；将训练集的患者数据输入至基于随机森林算法的预测模型内，构建风险得分计算公式得到风险评分，利用等宽分段原则对风险得分进行分段，其中，分段包括：低、中、高危风险人群；将测试集数据输入至训练后的基于随机森林算法的预测模型内，进行参数调整；将验证集数据用于模型评估，并验证风险评分系统对高、中、低危风险人群的区分度，加入了CT图像L1横突水平的相关参数，用机器学习算法整合患者的多维度临床特征，在保证模型较高泛化能力的同时提高了预测准确率。
-
公开(公告)号：CN118503852A
公开(公告)日：2024-08-16
申请号：CN202410577715.7
申请日：2024-05-10
Applicant: 东南大学
IPC: G06F18/2431 , A61B5/16 , G06F18/15 , G06F18/213 , G06F18/25 , G06N3/042 , G06N3/0464 , G06N3/045 , G06N3/0475 , G06N3/094 , G16H50/20 , G16H50/70 , G06N3/048
Abstract: 本发明提供了一种面向模态缺失的多模态抑郁症智能分析方法，首先将已知模态的脑连接图输入至基于生成对抗网络的跨模态脑连接生成网络，实现对缺失模态的跨模态脑连接图生成。其次，利用脑区特征生成网络，完成缺失模态的特征补齐。最后，基于跨模态图生成任务中，生成样本的脑连接和脑局部特征分布与已知模态样本脑连接和脑局部特征分布保持一致性的潜在特征，加入特征对齐算法对以上的双生成任务进行协同关联，从而更好地辅助跨模态数据的生成，进而辅助多模态抑郁症分类诊断任务。本发明利用已知模态信息，完成多模态任务中的缺失模态生成，进而辅助多模态抑郁症分类诊断任务，使得在缺失模态的情况下，也可以完成多模态脑图分类任务。
-
公开(公告)号：CN111553392B
公开(公告)日：2024-03-01
申请号：CN202010307109.5
申请日：2020-04-17
Applicant: 东南大学
IPC: G06V10/764 , G06V10/77 , G06V10/44 , G06V40/10 , G06V10/82 , G06N3/0464 , G06N3/084
Abstract: 本发明涉及一种基于卷积神经网络的细粒度犬类图像识别方法，所述方法包括以下步骤：步骤1：构建卷积神经网络FG‑LANet；步骤2：构建大型预训练图像样本数据库并使用该数据库对网络进行预训练；步骤3：构建犬类图像样本数据库并使用该数据库对网络进行微调训练；步骤4：获得犬类品种识别器，使用训练好的卷积神经网络作为犬类品种识别器对犬类图像进行识别。该技术方案通过训练一种适用于犬类图像识别的卷积神经网络模型作为犬类品种识别器，将其集成入电子设备可后提高电子设备对犬类品种进行识别的正确率。
-
公开(公告)号：CN111080575B
公开(公告)日：2023-08-25
申请号：CN201911154760.7
申请日：2019-11-22
Applicant: 东南大学
Abstract: 本发明公开了一种基于残差密集U形网络模型的丘脑分割方法，包括如下步骤：S1：对训练样本图像数据进行预处理；S2：构建待训练的语义分割网络模型；S3：将预处理后的训练样本图像，作为待训练的语义分割网络模型的输入，对待训练的语义分割网络模型进行训练，获取训练好的丘脑分割模型；S4：将待分割原始图像进行轴向面切片，并作为训练好的丘脑分割模型的输入，获取待分割原始图像的初步分割图像；S5：将待分割原始图像的初步分割图像进行拼接，获得三维丘脑分割结果图像。本发明的丘脑分割方法通过运用残差学习，增加了网络深度使得网络整体特征提取能力，解决了增加深度带来的副作用，即梯度弥散问题，从而使得丘脑组织更易提取。
-
Patent Agency Ranking
公开(公告)号：CN110728685B
公开(公告)日：2023-04-07
申请号：CN201910892219.X
申请日：2019-09-20
Applicant: 东南大学
IPC: G06T7/11 , G06T7/44 , G06T19/20 , G06V10/764
Abstract: 本发明公开了一种基于对角体素的局部二值模式纹理算子的脑组织分割方法，步骤如下所示：S1：对原始脑部磁共振扫描图像进行超体素聚类分割；S2：对超体素进行对角体素局部二值模式纹理特征提取；S3：根据所述对角体素局部二值模式纹理特征，以kNN为预测模型，进行特征匹配。本发明从三维的角度去整体地看待MRI数据，能够最大限度、高效地对有限的数据进行充分利用，从而可以很好地提取三维数据的特征，有效缓解MRI数据样本不足与机器学习需要大量训练数据的矛盾。
-
公开(公告)号：CN110599461B
公开(公告)日：2023-04-07
申请号：CN201910772126.3
申请日：2019-08-21
Applicant: 东南大学
IPC: G06T7/00 , G06V10/762 , G06V10/774 , G06V10/40
Abstract: 本发明公开了一种基于子空间特征学习的丘脑功能分区方法。首先，使用弥散张量成像进行纤维追踪以获得活体大脑内部结构连接信息，使用精细皮层分区针对复杂非线性的丘脑皮层特征提取形成结构连接特征。然后，使用深度子空间网络以及增加的自表达特性学习特征的隐藏子空间映射，提取低维子空间特征。最后，对体素特征加以空间约束降低噪声的影响，更好地反映空间拓扑结构，丰富对空间信息的提取，构建亲和度矩阵使用归一化割方法获得功能分区。本发明方法能够降低噪声的影响，并且能够更好地反映体素空间的拓扑结构，丰富对空间信息的提取，可以高效地获得丘脑功能分区。
-
公开(公告)号：CN110473206B
公开(公告)日：2023-03-21
申请号：CN201910670324.9
申请日：2019-07-24
Applicant: 东南大学
Abstract: 本发明公开了一种基于超体素与测度学习的弥散张量图像分割方法，包括以下步骤：首先，对弥散张量图像，计算描述每个体素水分子弥散的几何特征与方向特征。然后，在弥散张量图像的组织区域均匀采样种子点，结合位置、几何与方向特征，采用局部空间模糊聚类方法生成超体素。接着，在谱聚类的框架下，建立测度学习与聚类的优化模型，对目标函数采用迭代交替求解，实现超体素的分类。最后，将超体素的分类结果映射回图像空间，从而获得弥散张量图像的分割结果。本发明方法可以高效、稳定地获得精准的组织分割，对于大脑神经影像分析、疾病诊断与大脑认知研究等具有科学意义。
-
公开(公告)号：CN115410256A
公开(公告)日：2022-11-29
申请号：CN202211036368.4
申请日：2022-08-28
Applicant: 东南大学
Abstract: 本发明公开了一种基于四元数Zernike矩不变量的人脸表情识别方法，所述方法包括以下步骤：步骤1：采集待验证的彩色人脸表情图像；步骤2：将图像切分为大小相同的9个小块；步骤3：分别对每个小块提取0‑14阶四元数Zernike矩不变量特征；步骤4：基于多局部表征和Transformer的神经网络设计；步骤5：将识别矩阵输入到深度神经网络中进行训练和识别。本发明使用四元数Zernike矩提取的彩色人脸特征具有较高的鲁棒性，利用机器视觉和深度学习技术，有效实现了对愤怒、厌恶、高兴等七种表情的识别。
-
-
-
-
-
-
-
-
Search Results
104
records
(took 0.023 seconds)
