-
公开(公告)号：CN115601303A
公开(公告)日：2023-01-13
申请号：CN202211104121.1
申请日：2022-09-09
Applicant: 清华大学(CN)
Abstract: 本申请涉及一种类风湿关节炎的活动度评价方法、装置、电子设备及介质，包括：获取当前灰阶超声图像和当前多普勒超声图像；将当前灰阶超声图像和当前多普勒超声图像输入至多个预先训练的滑膜增厚评分模块，得到用户关节的多个滑膜增厚评分，并将当前多普勒超声图像输入至多个预先训练的血流评分模块，得到用户关节的多个血流评分；将多个滑膜增厚评分和多个血流评分输入至预设的多任务模型集成模块，得到用户关节的活动度评价结果。由此，解决了相关技术中对于多任务的设定，仅简单地在每一个任务上分别进行模型集成，未考虑任务间关联的问题，综合了灰阶超声和多普勒超声的优势，准确率提高，采用纠错输出编码以及多任务模型集成，方法更加鲁棒。
-
公开(公告)号：CN113689369B
公开(公告)日：2022-12-02
申请号：CN202110762252.8
申请日：2021-07-06
Applicant: 清华大学
Abstract: 本发明提出一种基于深度学习的医学分割多阶段融合方法及装置，其中，包括：获取待分割的三维医学影像数据；从三个相互正交的方向分别将三维医学影像数据切分为多个三维切片；获取预先训练完成的与三个相互正交的方向分别对应的三个二维神经网络，并将同一方向上的多个三维切片输入至对应的二维神经网络中；通过每个二维神经网络对输入的每个三维切片进行分割预测，依次获取每两个相邻的三维切片间相同的影像数据的三个分割预测结果；对三个二维神经网络输出的分割预测结果进行第二阶段的融合。本申请提出的方法可以保证分割结果的连贯性并且减少假阳的出现，从而提高分割结果的准确性。
-
公开(公告)号：CN112802013B
公开(公告)日：2022-12-02
申请号：CN202110272407.X
申请日：2021-03-12
Applicant: 清华大学 , 中国人民解放军总医院
Abstract: 本发明提出一种基于图神经网络与多任务学习的脑疾病检测方法和装置，其中，方法包括：获取脑部的初始模态图像，根据预设的模态图像模板对初始模态图像对齐获取目标模态图像，并确定目标模态图像的不同脑分区图像区域；将目标模态图像输入预先训练的图像特征提取器，识别与目标模态图像在预设空间的目标低维图像特征；对所有的脑分区图像区域的脑区节点特征进行图神经网络编码确定人脑的结构特征；将结构特征和目标模态图像输入预设的任务处理模型，通过任务处理模型的父分支提取基本图像特征，通过任务处理模型的子分支对基本图像特征处理获取疾病检测结果。由此，提高了脑部疾病的检测准确性。
-
公开(公告)号：CN115100727A
公开(公告)日：2022-09-23
申请号：CN202210494729.3
申请日：2022-05-07
Applicant: 清华大学
Abstract: 本申请公开了一种数据驱动的戴镜视线估计方法及装置，其中，方法包括：检测用户是否满足戴镜条件；在检测到用户满足戴镜条件时，获取用户的实际眼镜度数；根据实际眼镜度数计算对应的戴镜视线误差，并根据戴镜视线误差修正用户的视线估计值，得到用户的实际视线估计值。由此，解决了相关技术基于外观的视线估计法，不适用于戴镜条件，易受镜片干扰，导致视线估计结果存在误差的技术问题。
-
公开(公告)号：CN110705413B
公开(公告)日：2022-09-20
申请号：CN201910903387.4
申请日：2019-09-24
Applicant: 清华大学 , 中国人民解放军总医院
IPC: G06V40/16 , G06V40/18 , G06V20/40 , G06V10/774 , G06K9/62
Abstract: 本发明公开了一种基于视线方向和LSTM神经网络的情感预测方法及系统，其中，该方法包括：采集不同人物在不同情感状态下的脸部视频；确定所有视频帧的真实情感标签，并将每一帧的情感标签与该帧中人物的视线方向共同组成情感预测训练集；利用该训练集对长短期记忆深度神经网络进行训练，得到的包含最优参数的深度神经网络；最终向最优参数深度神经网络输入任意视频的人物视线方向，对当前帧进行情感预测。本发明实施例的方法，利用长短期记忆深度神经网络对连续视频帧中的视线方向和人类情感间的关系进行建模，通过该网络预测每个视频帧中人物的情感状况，从而在时域上对人物的情感变化进行判断。
-
Patent Agency Ranking
公开(公告)号：CN114418934A
公开(公告)日：2022-04-29
申请号：CN202111451725.9
申请日：2021-12-01
Applicant: 中国人民解放军总医院 , 清华大学
IPC: G06T7/00 , G06V30/148 , G06V30/40 , G06T7/11
Abstract: 本发明提出一种基于文本提取标签与多示例学习的脑部CT异常检测方法，包括获取影像文本数据及相对应的各脑部区域的异常类型标签，根据异常类型标签训练基于循环神经网络的NLP模型，获取脑部CT影像及相对应的文本数据，使用训练好的NLP模型对脑部CT影像对应的文本数据进行预测得到对应的异常标签，获取脑部CT影像上的脑区分割标签，根据脑部CT影像和与其相对应的异常标签以及脑区分割标签训练得到基于MIL的三维卷积模型，获取待预测脑部CT影像并输入至训练后的三维卷积模型，得到异常类型以及异常类型的概率。该方法只需要少量数据标注便可以对大规模数据进行训练，节省了深度学习过程中的数据标注工作量，同时可以提高预测的准确性，提高预测效率。
-
公开(公告)号：CN114010180A
公开(公告)日：2022-02-08
申请号：CN202111306129.1
申请日：2021-11-05
Applicant: 清华大学
Abstract: 本发明公开了一种基于卷积神经网络的磁共振快速成像方法及装置，其中，该方法包括：采集磁共振图像，对磁共振图像进行傅里叶变换得到k空间数据；零初始化长度为k空间数据行数的浮点类型向量，以构建图像重建网络，对k空间数据进行采样，对采样后的k空间数据进行傅里叶逆变换得到图像，输入图像重建网络，得到输出；计算图像重建网络的输出与目标图像的L1距离作为损失函数；根据训练得到的浮点类型向量得到二值采样向量，对磁共振仪编写采样序列，将采集的磁共振图像输入图像重建网络中，得到输出的高质量磁共振图像。本发明在实际使用中，按照磁共振采样序列采集磁共振图像，将图像输入到磁共振图像重建网络中，得到清晰的磁共振图像。
-
公开(公告)号：CN113888470A
公开(公告)日：2022-01-04
申请号：CN202111038996.1
申请日：2021-09-06
Applicant: 清华大学
Abstract: 本申请提出了一种基于卷积神经网络和多模态医学影像的诊断方法，涉及计算机视觉、深度学习、医学影像处理技术领域，该方法包括：采集训练数据，训练数据包括多种模态的医学影像样本以及多种模态的医学影像样本对应的诊断标注信息；根据训练数据对卷积神经网络的网络参数进行优化，得到优化后的基于卷积神经网络的分类网络；获取多种模态的医学影像，将多种模态的医学影像输入基于卷积神经网络的分类网络，以输出每种模态的医学影像对应疾病的预测概率，预测概率分别用于表征患有疾病的概率和不患有疾病的概率。采用上述方案的本申请综合多种模态的医学影像进行诊断，提高了对疾病诊断的准确性。
-
公开(公告)号：CN113771081A
公开(公告)日：2021-12-10
申请号：CN202110761597.1
申请日：2021-07-06
Applicant: 清华大学
IPC: B25J15/08
Abstract: 本发明提出一种基于物理的虚拟人手自动抓取方法及装置，其中，方法包括：采集人手参数信息，并根据所述人手参数信息构建人手物理模型；使用预先训练的强化学习网络预测人手的各个关节的目标角度；根据所述人手的各个关节的目标角度驱动所述人手物理模型抓取虚拟物体，以生成人手抓取物体的动画。该方法利用强化学习生成人手运动控制器，不仅可以避免大量的人工计算，同时保证了生成的运动更加贴近真实的人手运动，以及具有更好的训练结果和更快的训练速度。
-
公开(公告)号：CN113688861A
公开(公告)日：2021-11-23
申请号：CN202110761569.X
申请日：2021-07-06
Applicant: 清华大学
IPC: G06K9/62
Abstract: 本申请提出了一种基于机器学习的低维特征小样本多分类方法，涉及机器学习技术领域，其中，该方法包括：使用三折分类交叉验证方法对样本进行多次划分，得到划分后的样本；对划分后的样本进行特征选择，得到特征选择结果；对特征选择结果进行特征变换，得到变换后的特征；对变换后的特征进行处理，得到最终的分类结果。采用上述方案的本申请可以分析处理有噪特征，对有噪数据鲁棒性较好，同时在小样本数据上有较好的泛化能力，适用于类间特征重叠度高、存在噪声特征、训练数据量少的高难度多分类问题。
-
-
-
-
-
-
-
-
-
Search Results
282
records
(took 0.027 seconds)
