-
公开(公告)号：CN110601857B
公开(公告)日：2021-08-17
申请号：CN201910908719.8
申请日：2019-09-25
Applicant: 东北大学
Abstract: 本发明涉及计算机区块链技术领域，提供一种基于局部‑全局区块链协同的数据交互方法。首先构建局部‑全局区块链协同框架；当用户请求写入数据时，局部区块链的验证节点对原始数据签名、选取主节点并使用原始数据构建区块接入局部区块链，全局区块链的验证节点从原始数据中提取摘要并签名、选取主节点并使用原始数据的元数据构建区块接入全局区块链；当用户请求查询数据时，发送签名给全局区块链的验证节点，验证节点查询链上数据并广播，多于半数的验证节点查询到相同数据时选取主节点，主节点根据查询到的元数据查询对应的局部区块链上的原始数据，并返回查询到的原始数据。本发明能够实现局部区块链之间的数据共享，提升数据交互的效率。
-
公开(公告)号：CN109034263B
公开(公告)日：2021-08-10
申请号：CN201810930199.6
申请日：2018-08-15
Applicant: 东北大学
Abstract: 本发明提供一种脑网络多频融合图核的阿尔茨海默病辅助诊断装置及方法，涉及计算机辅助诊断技术领域。该装置包括图像预处理模块、图像分频模块、图核生成模块、图核融合模块和辅助诊断模块；图像分频模块将功能核磁共振图像与AAL模板进行匹配，并进行分频处理；图核生成模块对分频后的图像构建多频脑网络，并形成一个矩阵；图核融合模块将所有图核融合成为一个图核；辅助诊断模块将融合的图核与核极限学习机结合，实现对阿尔茨海默病的诊断。本发明还提供了采用该装置进行诊断的方法。本发明提供的脑网络多频融合图核的阿尔茨海默病辅助诊断装置及方法，能够充分表示多频段下大脑活动信息差异，令功能核磁共振图像的信号信息得到充分发挥。
-
公开(公告)号：CN110223125B
公开(公告)日：2021-06-11
申请号：CN201910528745.8
申请日：2019-06-18
Applicant: 东北大学
Abstract: 本发明公开了节点位置核边收益算法下用户位置获取方法，包括如下步骤：S1、处理捕获的数据集；S2、带权有向图；S3、使用算法求出种子节点集；S4、使用种子节点集在传播模型规定下模拟信息传播；S5、得出最终受影响的用户数，本发明结构科学合理，使用安全方便，该启发因子改进了k‑核的概念，也结合了本文对用户位置签到信息的研究成果，能较为全面的反应出一个节点在社交网络中拥有的影响力大小，为本文最后提出解决社交网络中基于位置的影响最大化问题算法做准备，当得到位置访问概率函数与节点位置核边收益因子后，本文提出了位置核边收益算法，该算法能相对较好的克服了节点区域重叠问题，比其他启发式算法具有更高的准确度。
-
公开(公告)号：CN111859074A
公开(公告)日：2020-10-30
申请号：CN202010743881.1
申请日：2020-07-29
Applicant: 东北大学
Abstract: 本发明提供一种基于深度学习的网络舆情信息源影响力评估方法及系统，涉及信息源影响力评估及深度学习技术领域。该方法及系统首先获取多个目标信息源结构及其中的半结构化和非结构化数据，并将获取的数据处理成统一格式的结构化数据；然后建立网络信息源评估数据集及深度学习Xgboost评估模型并设定模型参数；对模型进行训练测试，得到测试集上的模型准确率；优化修改模型参数后对模型进行迭代训练，保存准确率最高的模型；最后将获取的多个目标信息源数据输入到准确率最高的模型中，得到各目标信息源的评分以及排名。该方法及系统可以更高效、可靠地评估舆情信息源，大大提高舆情信息搜索的准确度。
-
公开(公告)号：CN110718301A
公开(公告)日：2020-01-21
申请号：CN201910916563.8
申请日：2019-09-26
Applicant: 东北大学
Abstract: 本发明公布了一种基于动态脑功能网络的阿尔茨海默病辅助诊断装置及方法。诊断装置包括fMRI数据预处理单元、构建动态脑功能网络单元、生成用于训练的特征单元以及svm分类辅助诊断单元，该诊断装置的使用方法为：首先进行图像预处理，然后构建动态脑网络，其次计算分割后的脑网络的节点度量，并通过时间序列生成器将每个节点度量构成一个时间序列，随后通过特征提取器为构成的时间序列提取特征，再通过特征过滤器将过滤后的特征拼接成一个矩阵并通过特征筛选器筛选，最后通过数据训练器进行数据的分类训练，最终通过辅助诊断器实现对阿尔茨海默病的诊断。该方法克服了静态脑功能网络无法表示动态信息的缺陷，起到了更好的为医疗辅助诊断服务的效果。
-
Patent Agency Ranking
公开(公告)号：CN110675912A
公开(公告)日：2020-01-10
申请号：CN201910875164.1
申请日：2019-09-17
Applicant: 东北大学
Abstract: 本发明提供一种基于结构预测的基因调控网络构建方法。包括以下内容：首先计算系数矩阵，通过计算基因之间的Pearson系数、互信息及最大互信息来确定基因之间的相关性，作为筛选潜在父节点集的依据；然后进行结构预测，将获得的基因之间的系数矩阵作为判定基因潜在父节点集的依据，为每个基因选取潜在父节点集；最后进行基因调控网络的结构学习和参数学习。本发明通过基于Person系数、互信息及最大互信息相结合的方法预测基因的潜在父节点集，缩小结构学习的搜索范围，在一定程度上减少了基因调控网络的构建时间，提升计算性能，可以更加快速、准确地构建大规模基因调控网络，进一步了解生物的基因调控机制。
-
公开(公告)号：CN110459317A
公开(公告)日：2019-11-15
申请号：CN201910742381.3
申请日：2019-08-13
Applicant: 东北大学
Abstract: 本发明提供一种基于动态脑网络图核的阿尔茨海默病辅助诊断系统及方法。该诊断系统包括预处理单元、动态脑网络构建单元、动态脑网络图核计算单元和分类诊断单元，首先通过预处理单元对功能核磁共振图像进行图像的预处理，然后通过动态脑网络构建单元对预处理后的功能核磁共振图像依次进行脑区的匹配、时间段的分割、互信息值的计算以及频繁子图的挖掘，然后通过动态脑网络图核计算单元对重建的频繁子图动态脑功能网络依次通过二分图的最优匹配、图核的计算、图核矩阵的组合以及权值的分配，得到一个融合后的动态脑功能网络图核矩阵，通过与核SVM结合通过数据训练器进行数据的训练，最终通过辅助诊断器实现对阿尔茨海默病的诊断。
-
公开(公告)号：CN109598709A
公开(公告)日：2019-04-09
申请号：CN201811440304.4
申请日：2018-11-29
Applicant: 东北大学
Abstract: 本发明提供一种基于融合深度特征的乳腺辅助诊断系统及方法，涉及医学图像后处理技术领域。系统包括预处理单元、肿块检测单元、融合深度特征提取单元和肿块诊断单元，对原始乳腺图像进行预处理，将乳腺区域分割成若干个互不重叠的子区域；利用卷积神经网络CNN提取乳腺子区域深度特征，利用US-ELM对各子区域深度特征进行聚类，得到乳腺肿块与非肿块区域；利用卷积神经网络CNN提取肿块深度特征，同时提取肿块形态、纹理特征，将肿块深度、形态、纹理特征融合成融合深度特征；利用超限学习机ELM对融合深度特征进行学习，最终得到肿块的良恶性诊断结果。本发明应用到乳腺辅助诊断中，能有效辅助乳腺疾病的准确诊断。
-
公开(公告)号：CN109300113A
公开(公告)日：2019-02-01
申请号：CN201810984893.6
申请日：2018-08-28
Applicant: 东北大学
Abstract: 本发明提供一种基于改进凸包方法的肺结节辅助检测系统及方法，涉及计算机辅助检测领域。该系统包括肺轮廓分割、肺实质空洞填充及气管去除、肺边界修补、疑似候选结节分割、灰度共生矩阵构造、Haralick特征参数计算、Haralick特征集合构成和肺结节辅助检测8个单元；该方法包括：获取肺结节图像并预处理；对图像进行二值化分割；去除图像中非重点部分；修补边缘的凹陷；获取疑似候选结节区域并提取其特征值；判断特征值是否符合过滤条件；生成符合条件图像的灰度共生矩阵及Haralick特征集合；获得训练后的ELM诊断器；获得待诊断肺结节图像的风险概率。本方法能够有效改善肺结节患病风险预测的性能，辅助临床医生根据风险概率更好的为病人诊断，提高诊断的准确性。
-
公开(公告)号：CN109146848A
公开(公告)日：2019-01-04
申请号：CN201810811670.X
申请日：2018-07-23
Applicant: 东北大学
CPC classification number: G06T7/0012 , G06K9/4604 , G06K9/629 , G06K2009/4666 , G06K2209/055 , G06T5/002 , G06T7/41 , G06T7/45 , G06T2207/10132 , G06T2207/20084 , G06T2207/20104 , G06T2207/20221 , G06T2207/30068
Abstract: 本发明涉及一种融合多模态乳腺图像的计算机辅助参考系统及方法，步骤为：对同一患者的乳腺超声和钼靶影像进行图像预处理；以预处理后的乳腺超声和钼靶图像作为输入，获取乳腺图像中肿块区域，获取超声图像的感兴趣区域和乳腺钼靶图像的感兴趣区域；提取乳腺超声图像和乳腺钼靶图像的感兴趣区域的纹理特征及深度特征；将提取的GLCM、LBP、HIS纹理特征以及CNN深度特征进行串联融合，构建纹理‑深度融合特征模型；以纹理‑深度融合特征模型为输入，使用正则化极限学习机对乳腺肿块进行良恶性分类。本发明使用正则化极限学习机对乳腺肿块进行良恶性的分类，从临床需求出发，实现对乳腺肿块性质的判断，为医生诊断提供客观的参考依据。
-
-
-
-
-
-
-
-
-
Search Results
111
records
(took 0.027 seconds)
