-
公开(公告)号：CN118948293A
公开(公告)日：2024-11-15
申请号：CN202411056546.9
申请日：2024-08-02
Applicant: 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院)
Abstract: 一种基于扩散模型合成可定制心脏周期的心电图生成方法，涉及一种心电图生成方法，为了解决现有的心电图生成方法生成的心电图信号存在数据不平衡、隐私保护性差以及无法生成特定病理信号的问题。本发明对将心电图语义标签作为条件输入，同时输入噪声以及扩散时间步至深度生成模型，生成心电图；所述深度生成模型以扩散模型作为整体架构，并引入了转换器模型以学习心电图信号中的长期依赖关系，同时引入了语义心电图批量归一化模块以精确学习局部ECG语义特征。有益效果为生成的心电图信号可以精确遵循提供的心电图语义信息，定制出具有真实生理意义的心电图，可以改善数据不平衡问题、隐私保护性强。
-
公开(公告)号：CN118710653A
公开(公告)日：2024-09-27
申请号：CN202410878175.6
申请日：2024-07-02
Applicant: 哈尔滨工业大学
Abstract: 一种基于提示学习的模态增量MRI脑肿瘤图像分割系统，它属于深度学习技术领域。本发明解决了由于现有方法存在信息的灾难性遗忘以及不能充分利用多模态MRI影像之间的数据相关性，导致脑肿瘤图像分割的准确率低的问题。本发明设计了基于提示学习的模态特征提取器模块和基于双重知识蒸馏的分割网络模型，将患者脑部在不同成像方式下的MRI图像作为每一阶段的输入，模态特征提取器结构让分割网络模型能够学习当前模态的结构特征并在预测其他模态时为分割网络模型提供辅助，因而充分利用了多模态MRI影像之间的数据相关性，采用双重知识蒸馏损失避免了分割网络模型在模态增量持续学习过程中遇到的灾难性遗忘问题。本发明方法可以应用于MRI脑肿瘤图像分割。
-
公开(公告)号：CN117422912B
公开(公告)日：2024-08-23
申请号：CN202311366790.0
申请日：2023-10-20
Applicant: 哈尔滨工业大学
IPC: G06V10/764 , G06V10/82 , G06V10/44 , G06T7/00 , G06T7/11 , G06T7/136 , G06T7/194 , G06N3/048 , G06N3/042 , G06N3/096
Abstract: 一种基于提示学习的组织病理图像多任务分类系统，它属于医学图像分析技术领域。本发明解决了现有多任务学习模型忽视了各任务间潜在的关联性，导致现有方法对组织病理图像多任务分类的性能差的问题。本发明通过为每个任务设计任务特定的提示，并引入任务相关性学习模块，能够显式地识别和利用各种任务之间的潜在关联性。此外，本发明在训练时对整个神经网络模型进行了全面微调，使各个任务之间相互促进，这一策略不仅显著提高了其相对于训练多个单任务模型的计算效率和性能，还增强了模型对多种不同任务的适应能力，提升了本发明方法在组织病理图像多任务分类上的性能。本发明可以应用于医学图像分析。
-
公开(公告)号：CN108109151A
公开(公告)日：2018-06-01
申请号：CN201711377852.2
申请日：2017-12-19
Applicant: 哈尔滨工业大学
Abstract: 本发明涉及一种基于深度学习和形变模型的超声心动图心室分割方法和装置，是为了解决现有的人工标定边界的方式通常耗费大量的人力、物力，而且不同人标定的结果具有一定的差异性，导致对心室相关指标计算产生很大的负面影响的缺点而提出的，包括：使用人工标注过的训练数据对心室粗分割模型进行训练，得到粗分割训练结果；计算粗分割训练结果在每一个截面的中心点，根据所有中心点拟合出一条直线，并计算所有中心点在垂直于所述直线的方向到粗分割训练结果的外边缘的距离的平均值作为半径；根据计算得到的中心点和半径进行重采样，基于采样结果重构三维初始化模型；采用形变模型对心室粗分割结果进行精细分割。本发明适用于心室图像处理。
-
公开(公告)号：CN117422912A
公开(公告)日：2024-01-19
申请号：CN202311366790.0
申请日：2023-10-20
Applicant: 哈尔滨工业大学
IPC: G06V10/764 , G06V10/82 , G06V10/44 , G06T7/00 , G06T7/11 , G06T7/136 , G06T7/194 , G06N3/048 , G06N3/042 , G06N3/096
Abstract: 一种基于提示学习的组织病理图像多任务分类系统，它属于医学图像分析技术领域。本发明解决了现有多任务学习模型忽视了各任务间潜在的关联性，导致现有方法对组织病理图像多任务分类的性能差的问题。本发明通过为每个任务设计任务特定的提示，并引入任务相关性学习模块，能够显式地识别和利用各种任务之间的潜在关联性。此外，本发明在训练时对整个神经网络模型进行了全面微调，使各个任务之间相互促进，这一策略不仅显著提高了其相对于训练多个单任务模型的计算效率和性能，还增强了模型对多种不同任务的适应能力，提升了本发明方法在组织病理图像多任务分类上的性能。本发明可以应用于医学图像分析。
-
Patent Agency Ranking
公开(公告)号：CN117422911A
公开(公告)日：2024-01-19
申请号：CN202311366788.3
申请日：2023-10-20
Applicant: 哈尔滨工业大学
IPC: G06V10/764 , G06V10/20 , G06V10/40 , G06V10/774 , G06T7/00 , G06T7/194 , G06N20/00
Abstract: 一种协同学习驱动的多类别全切片数字病理图像分类系统，它属于医学图像分析技术领域。本发明解决了现有方法仅关注二分类且无法捕捉类相关语义信息的问题。本发明首先获取待分类的全切片数字病理图像，再对图像进行预处理，获取前景组织区域图像并将前景组织区域图像分割为子图像补丁；对子图像补丁进行编码，根据编码结果得到补丁特征令牌；设置分类令牌，根据补丁特征令牌和分类令牌进行计算，再根据计算结果生成类激活图，并根据类激活图得到类别的热力图。本发明可以应用于数字病理图像分类。
-
公开(公告)号：CN106096632A
公开(公告)日：2016-11-09
申请号：CN201610388764.1
申请日：2016-06-02
Applicant: 哈尔滨工业大学
CPC classification number: G06K9/6267 , G06K2209/051 , G06N20/00
Abstract: 基于深度学习和MRI图像的心室功能指标预测方法，属于医学图像处理领域。传统的心室指标预测方法主要依赖于人工分割每个相位的心室肌肉部分，然后在此基础上进行测算。这种方式需要耗费大量的人力和时间，并且存在严重的人为差异。一种基于深度学习和MRI图像的心室功能指标预测方法，所述方法通过以下步骤实现：临床方式获取心脏核磁共振影像；人工勾勒心室轮廓并计算相关的心室功能指标；对心脏MRI图像进行预处理；采用深度学习方法对心脏核磁共振数据进行特征表示；采用机器学习方法训练心室功能指标预测模型；采用训练好的模型对步骤一获取的心脏核磁共振影像进行心室功能指标预测。本发明能快速、准确、自动化的预测心室功能指标来辅助临床心脏疾病的诊断。
-
公开(公告)号：CN118710654A
公开(公告)日：2024-09-27
申请号：CN202410878181.1
申请日：2024-07-02
Applicant: 哈尔滨工业大学
IPC: G06T7/10 , G06N3/0464 , G06N3/084
Abstract: 一种医学图像持续无源域适应分割系统，它属于医学图像处理技术领域。本发明解决了现有持续无源域适应方法的域适应能力有限且对之前的目标域存在灾难性遗忘的问题。本发明构造了图像域D、解剖结构S、图像x和分割结果y之间的因果链，在因果链中，解剖结构S和图像域D共同决定图像x，而解剖结构S和图像x共同影响分割结果y。在域适应子链中，通过调整解剖结构S对分割结果y的影响来实现对新目标域的适应，提高模型的域适应能力。在知识保留子链中，处理图像域D对图像x的影响以及图像x对分割结果y的影响，从而在学习新知识的同时保留旧知识的记忆，提高模型对抗遗忘的能力。本发明方法可以应用于医学图像分割技术领域。
-
公开(公告)号：CN107730497B
公开(公告)日：2021-09-10
申请号：CN201711024432.6
申请日：2017-10-27
Applicant: 哈尔滨工业大学
IPC: G06T7/00
Abstract: 一种基于深度迁移学习的血管内斑块属性分析方法，属于医学图像处理领域，具体涉及一种血管内斑块属性分析方法。本发明首先临床方式获取多模态血管内影像数据，人工标记血管内斑块的属性，然后对标记后的血管内影像进行预处理，将经预处理后的血管内影像数据作为深度卷积神经网络的输入，采用有监督的迁移学习方式进行深度卷积神经网络训练，并采用由基于反向传播算法的随机梯度下降方式进行网络参数的学习；接着采用训练好的多个跨模态的预测模型对步骤一中获取的血管内影像进行投票融合预测，最后生成斑块种类概率图谱。本发明解决了现有方法耗费人力多、存在人为差异、速率低的问题。本发明可运用于血管图像处理。
-
公开(公告)号：CN108109151B
公开(公告)日：2021-05-28
申请号：CN201711377852.2
申请日：2017-12-19
Applicant: 哈尔滨工业大学
Abstract: 本发明涉及一种基于深度学习和形变模型的超声心动图心室分割方法和装置，是为了解决现有的人工标定边界的方式通常耗费大量的人力、物力，而且不同人标定的结果具有一定的差异性，导致对心室相关指标计算产生很大的负面影响的缺点而提出的，包括：使用人工标注过的训练数据对心室粗分割模型进行训练，得到粗分割训练结果；计算粗分割训练结果在每一个截面的中心点，根据所有中心点拟合出一条直线，并计算所有中心点在垂直于所述直线的方向到粗分割训练结果的外边缘的距离的平均值作为半径；根据计算得到的中心点和半径进行重采样，基于采样结果重构三维初始化模型；采用形变模型对心室粗分割结果进行精细分割。本发明适用于心室图像处理。
-
-
-
-
-
-
-
-
-
Search Results
12
records
(took 0.027 seconds)
