-
公开(公告)号：CN112842264B
公开(公告)日：2023-04-25
申请号：CN202011633716.7
申请日：2020-12-31
Applicant: 哈尔滨工业大学(威海)
Abstract: 本发明提供一种多模态成像中数字滤波方法、装置和系统，包括：接收数据采集装置输出的任一成像模态类型的数字信号；其中，所述任一成像模态类型包括光声模态、超声模态或弹性模态；将所述数字信号采用中值滤波输出第一数字信号；将所述数字信号采用Renyi熵滤波输出第二数字信号；基于所述第一数字信号和所述第二数字信号确定所述任一成像模态类型的滤波后信号。本发明提供的方法、装置和系统，实现了多模态成像中数字滤波在去噪的同时有效保存了信号的边缘信息和结构特性，并且多种模态类型信号进行图像合成使最终成像更准确效果更好。
-
公开(公告)号：CN115470645A
公开(公告)日：2022-12-13
申请号：CN202211160745.5
申请日：2022-09-22
Applicant: 哈尔滨工业大学(威海)
IPC: G06F30/20 , G06K9/00 , G06F111/04 , G06F111/08 , G06F111/10
Abstract: 本发明公开了一种变分模态分解的参数确定方法，所述方法包括如下步骤：第一步、确定K和α的搜索范围，确定总迭代次数NT，当前迭代次数NC设置为0；第二步、在搜索范围内，选取P个不同的变分模态分解参数(K,α)；第三步、对所有P个变分模态分解参数，计算每个变分模态分解参数的目标函数；第四步、保留获得小的目标函数结果的变分模态分解的参数，对其余获得大的目标函数结果的每一个变分模态分解的参数，采用优化算法，得到更新后的参数；第五步、NC加1；如果NT大于NC，转到第三步；如果NT等于NC，参数自动寻优结束，获得最小的目标函数结果的参数就是最优参数。该方法对变分模态分解的K和α进行自动寻优的方法，解决了手工设置两个参数导致分解结果不正确的问题。
-
公开(公告)号：CN113837224B
公开(公告)日：2022-06-24
申请号：CN202110978848.1
申请日：2021-08-25
Applicant: 哈尔滨工业大学(威海)
Abstract: 本发明公开了一种基于SPECT影像的甲状腺结节性质分类方法，包括：获取甲状腺的SPECT影像数据集，并将所述甲状腺的SPECT影像数据集输入甲状腺结节性质分类模型进行训练，获得完成训练的甲状腺结节性质分类模型，其中所述甲状腺结节性质分类模型的网络结构包括分类卷积神经网络和孪生神经网络；基于所述完成训练的甲状腺结节性质分类模型，输入待测SPECT影像，获得甲状腺结节性质分类结果。本发明通过独特的网络结构和对困难样本挖掘，以极少的训练样本训练出了合格的分类模型，节省了成本、提高了效率，实现了高准确率的自动分类。
-
公开(公告)号：CN113709144A
公开(公告)日：2021-11-26
申请号：CN202110988207.4
申请日：2021-08-26
Applicant: 哈尔滨工业大学
IPC: H04L29/06
Abstract: 本发明公开了一种高频信号压缩方法，所述方法包括如下步骤：步骤1)利用传感器获得高频信号；步骤2)将高频振动信号进行VMD分解，得到各个子信号和残差信号；步骤3)对残差信号按照位进行重新排列，即：把16个连续的残差数据排成一张表，每个残差数据16位占一行，16个数据共16行，然后把该表转置；步骤4)对步骤3)得到的转置位表先进行RLE压缩，再把压缩结果通过LZW进一步压缩。本发明能够解决高频数据存储占用大量存储空间和传输时间的问题，可以在高频数据存储和传输中应用。
-
公开(公告)号：CN113643400A
公开(公告)日：2021-11-12
申请号：CN202110966379.1
申请日：2021-08-23
Applicant: 哈尔滨工业大学(威海)
Abstract: 本发明公开了一种图像生成方法，包括：获取训练数据集，所述训练数据集包括若干张第一图像和若干张第二图像；其中，所述第一图像为原图像，所述第二图像为待生成类别的图像；基于CycleGAN和VAE建立神经网络模型；通过所述训练数据集对所述神经网络模型进行训练，训练好的所述神经网络模型用于进行图像生成。本发明采用CycleGAN与VAE结合的方式，通过VAE网络产生图像的编码分布，将产生的编码输入到CycleGAN网络作为其生成图像的噪声信号，并对生成的图像加上类别限制，能够保证生成的图像是期望的图像，使生成的图像逼真的同时也具有较好的细节信息。
-
Patent Agency Ranking
公开(公告)号：CN112869768A
公开(公告)日：2021-06-01
申请号：CN202110034796.2
申请日：2021-01-12
Applicant: 哈尔滨工业大学(威海)
Abstract: 本发明提供一种基于多模态成像的身体机能多参数量化方法和装置，包括：从多模态成像中提取超声成像，对所述超声成像采用预设分割算法，获取结构形态信息参数；从所述多模态成像中提取光声成像，对所述光声成像采用预设蒙特卡罗仿真迭代算法，获取生理信息参数；从所述多模态成像中提取剪切波，对所述剪切波进行组织位移估计、方向性滤波器和波速估计，获取弹性硬度信息参数。本发明提供的方法和装置，实现了从多模态成像的超声信号、光声信号和弹性信号中提取各类身体机能参数数值，为病灶提供全面完整的诊断依据。
-
公开(公告)号：CN112842264A
公开(公告)日：2021-05-28
申请号：CN202011633716.7
申请日：2020-12-31
Applicant: 哈尔滨工业大学(威海)
Abstract: 本发明提供一种多模态成像中数字滤波方法、装置和系统，包括：接收数据采集装置输出的任一成像模态类型的数字信号；其中，所述任一成像模态类型包括光声模态、超声模态或弹性模态；将所述数字信号采用中值滤波输出第一数字信号；将所述数字信号采用Renyi熵滤波输出第二数字信号；基于所述第一数字信号和所述第二数字信号确定所述任一成像模态类型的滤波后信号。本发明提供的方法、装置和系统，实现了多模态成像中数字滤波在去噪的同时有效保存了信号的边缘信息和结构特性，并且多种模态类型信号进行图像合成使最终成像更准确效果更好。
-
公开(公告)号：CN110755755B
公开(公告)日：2021-05-28
申请号：CN201911096092.7
申请日：2019-11-11
Applicant: 哈尔滨工业大学(威海)
IPC: A61N5/067
Abstract: 本发明实施例提供一种智能自学习激光功率控制系统及光热治疗系统，智能自学习激光功率控制系统包括：自学习控制器和双闭环控制系统；自学习控制器，用于根据预设期望治疗温度和预设温度误差阈值，利用迭代自学习算法，获取双闭环控制系统的参考温度输入信号；所述双闭环控制系统采用内外两环控制结构，完成双闭环控制系统的整个环路的负反馈有差控制，以调节光热治疗系统中的加热治疗设备的输出功率达到设定值，使靶区温度稳定在预设范围。本发明实施例能够减小对光热治疗系统中的加热治疗设备的输出功率的控制误差，使靶区温度稳定在预设范围，避免利用光热治疗系统进行光热治疗期间对靶区组织边界处的正常组织造成伤害。
-
公开(公告)号：CN111127320A
公开(公告)日：2020-05-08
申请号：CN201911341072.1
申请日：2019-12-23
Applicant: 哈尔滨工业大学(威海)
IPC: G06T3/40
Abstract: 本发明实施例提供一种基于深度学习的光声图像超分辨重建方法及装置，其中，方法包括：通过k-Wave工具箱、迭代重建算法，制备光声图像超分辨重建仿真数据集，并通过光声实验和图像下采样算法补充实验数据集；构建超分辨率网络SE-EDSR；采用预训练策略在仿真数据集和实验数据集上递进式地训练SE-EDSR，依次完成×2、×3、×4的超分辨重建任务，得到最终的光声图像×4超分辨重建模型；将目标光声图像输入训练好的光声图像×4超分辨重建模型，输出超分辨重建后的×4的高分辨图像。可实现基于深度学习的光声图像超分辨重建，显著降低传统重建算法对光声信号质量的严苛要求，有效节省信号采集带来的经济成本及时间成本。
-
公开(公告)号：CN109165662A
公开(公告)日：2019-01-08
申请号：CN201810716964.4
申请日：2018-07-03
Applicant: 哈尔滨工业大学(威海)
IPC: G06K9/62
Abstract: 本发明实施例提供一种基于深度学习的消化道内壁病变类型智能识别方法及装置，该方法包括：将待识别消化道内壁图像输入至病变类型识别模型，输出待识别消化道内壁图像的病变类型识别信息，病变类型识别模型是基于样本消化道内壁图像及样本消化道内壁图像对应的病变类型识别结果进行训练后获得的，待识别消化道内壁图像的格式与样本消化道内壁图像的格式相匹配。本发明实施例通过将待识别消化道内壁图像输入至病变类型识别模型，输出病变类型识别信息。由于病变类型识别模型可以直接输出病变类型识别信息，从而相对于人眼识别提高了识别效率，并且，病变类型识别模型能够避免人眼识别中观察者识别能力对识别结果的影响，提高了识别精度。
-
-
-
-
-
-
-
-
-
Search Results
95
records
(took 0.031 seconds)
