-
公开(公告)号：CN103345770B
公开(公告)日：2016-07-06
申请号：CN201310302494.4
申请日：2013-07-18
Applicant: 中国科学院自动化研究所
Abstract: 本发明提供一种基于迭代自适应加权的有限视角光声成像重建方法。基于有限视角采集的光声信号，为了校正计算投影信号和采集信号的差异，基于采集信号与上一步迭代重建图像的比值对投影数据加权，为了补偿重建图像和实际图像之间的差异，计算采集信号和计算机投影信号的残差，将残差信号反投影得到残差图像，从而保证迭代过程中信号残差逐步变小，进而保证重建图像的收敛性。本发明能在有限视角扫描的情形下，解决由于信号缺失引起的重建病态问题，减少重建伪迹，提高重建精度，对减少信号采集时间具有一定的指导意义。
-
公开(公告)号：CN103389273A
公开(公告)日：2013-11-13
申请号：CN201310331987.0
申请日：2013-08-01
Applicant: 中国科学院自动化研究所
Abstract: 本发明公开了一种融合光声和光学多模态成像系统，该系统包括：样品承载模块、光声成像模块、光学成像模块和计算机，其中：样品承载模块用于承载待测生物组织；光声成像模块和光学成像模块的光路采用“十字交叉”结构，二者共用样品承载模块，作为交叉中心；光声成像模块用于对待测生物组织进行光声成像，光学成像模块用于对待测生物组织进行光学成像；计算机与样品承载模块、光声成像模块、光学成像模块分别连接，以对各模块的工作时序进行控制，并对光声成像模块和光学成像模块发送的图像数据进行处理。本发明可以克服现有单一光声成像和光学成像模态的不足，反映更全面的解剖结构和生理功能信息。
-
公开(公告)号：CN103020653A
公开(公告)日：2013-04-03
申请号：CN201210526134.8
申请日：2012-12-07
Applicant: 中国科学院自动化研究所
IPC: G06K9/66
Abstract: 提供了一种基于网络分析的结构和功能磁共振图像联合分类方法。首先建立结构和功能的脑网络模型，计算脑网络的特征路径长度、集群度和网络中心性，用以表征不同的图像模式；然后利用这些网络参数来训练一个自适应提高分类器。本发明能够利用磁共振图像中尽可能多的信息，脑网络参数能够从本质上反应脑的活动，同时采用了多分类器技术，弥补了传统分类方法不能体现脑活动固有属性的不足，能够精确的对脑磁共振图像进行分类。
-
公开(公告)号：CN102717847A
公开(公告)日：2012-10-10
申请号：CN201210222073.6
申请日：2012-06-28
Applicant: 中国科学院自动化研究所
IPC: B62D57/032
Abstract: 本发明公开了一种用于机器人的低转动惯量配置的腿足机构，该腿足机构包括髋关节、大腿、膝关节、小腿，还包括一个固定连接于机器人本体的髋关节电机，该髋关节电机包括一个垂直于大腿的轴向的动力输出轴，其通过一个髋关节同步带带动髋关节的枢转部，从而带动大腿相对于本体进行转动；此外，该腿足机构还包括安装于大腿的上部的膝关节电机，膝关节电机包括平行于大腿的轴向的动力输出轴，第一带轮通过蜗轮蜗杆与该膝关节电机的动力输出轴相连，以将其转动进行90度的转换，并且第一带轮通过膝关节同步带带动第二带轮转动，从而带动小腿相对于膝关节的固定部进行转动。本发明减小了髋关节的转动惯量，使髋关节电机得到最大的功率利用，使机器人能够更加平稳的行走。
-
公开(公告)号：CN102506950A
公开(公告)日：2012-06-20
申请号：CN201110347643.X
申请日：2011-11-07
Applicant: 中国科学院自动化研究所
IPC: G01F1/708
Abstract: 本发明是一种检测电磁泵自由流量和反压流量的装置及检测方法，所述装置包括三个水槽、安全阀、压力传感器、电磁泵、阀门、三个电磁阀、溢流阀、柱状水管、两个液位开关、输入输出板及计算机，利用所述装置实现检测电磁泵自由流量和反压流量的方法：打开主控制阀门和第二电磁阀，关闭第一和第三电磁阀，让水路形成一个自由流通的水路；当需要测试流量参数时，利用电磁泵将柱状水管内的液体上升，由计算机记录并计算液体经过两个液位开关的时间差和两个液位开关之间的液体体积，得到自由流量；打开第三电磁阀，排空柱状水管内的液体，关闭第二电磁阀，打开第一电磁阀，由于溢流阀的存在，维持电磁泵始终处于设定的压力之中，来完成反压流量的测量。
-
Patent Agency Ranking
公开(公告)号：CN110969204B
公开(公告)日：2023-05-12
申请号：CN201911199840.4
申请日：2019-11-29
Applicant: 中国科学院自动化研究所
IPC: G06V10/764 , G06V10/25 , G06V10/80 , G06V10/56 , G06V10/26
Abstract: 本发明属于医学图像处理技术领域，具体涉及一种基于磁共振图像与数字病理图像融合的样本分类系统，旨在解决现有影像学或病理学的单一样本分类的局限性，导致样本分类精度较低的问题。本系统包括获取图像模块，配置为获取第一、第二图像；预处理模块，配置为对第一、第二图像进行预处理；勾画模块，配置为通过勾画方法获取预处理后各图像的感兴趣区域，并进一步处理；提取特征模块，配置为分别提取处理后的各图像感兴趣区域的特征；筛选排序模块，配置为对提取的特征进行筛选排序；分类输出模块，配置为将筛选排序后的特征，通过分类模型得到分类结果。本发明将磁共振图像和数字病理图像进行融合，解决了单一样本分类的缺陷，提高了分类的精度。
-
公开(公告)号：CN112257769B
公开(公告)日：2022-10-21
申请号：CN202011119554.5
申请日：2020-10-19
Applicant: 中国科学院自动化研究所
IPC: G06V10/764 , G06V10/774 , G06V10/25 , G06V10/26 , G06N3/04 , G06N3/08
Abstract: 本发明属于图像处理技术领域，具体涉及了一种基于强化学习类脑读图的多层核磁影像分类方法及系统，旨在解决现有模型在多层核磁影像分类中性能不佳的问题。本发明包括：将多层核磁影像拆为单层；通过特征编码与预测模型进行第t个核磁影像的编码和感知，获得低维深度特征和分类结果；基于低维深度特征，通过行动策略生成模型获取行动指令xt；若xt不为0，则进行t+xt层影像的特征编码与预测、行动指令生成以及判断，直至行动指令为0；以指令为0的影像的层级分类结果作为多层核磁影像的分类结果。本发明对每一层核磁影像实施逐像素分析保证层级分类正确，并可准确定位真正对最终决策有贡献的层级，进而实现更加精准的多样本多分类任务。
-
公开(公告)号：CN105653858A
公开(公告)日：2016-06-08
申请号：CN201511021413.9
申请日：2015-12-31
Applicant: 中国科学院自动化研究所
CPC classification number: G06F19/34 , G06F19/321
Abstract: 一种基于影像组学的病变组织辅助预测系统及方法，该方法包括：从大数据量的患者影像数据库中，采用自动或手动的分割方法提取病变部位的影像数据；根据所述病变部位影像的分割结果，分别提取各病变部位的影像表型特征，完成所述患者影像数据库内所有病变部位影像数据的特征提取；基于各病变部位的特征数据和临床信息数据，对所述患者影像数据库中数据进行训练数据集和测试数据集的分类，采用计算机自动识别方法在所述训练数据集进行病变部位的病理分析、临床分期分析、基因突变预测以及生存时间的预测，并在所述测试数据集中实现验证。本发明方法可以对特定的个体分别进行定性以及定量的预测分析，提供可信的预测与分析结果。
-
公开(公告)号：CN102855491B
公开(公告)日：2016-03-09
申请号：CN201210262108.9
申请日：2012-07-26
Applicant: 中国科学院自动化研究所
IPC: G06K9/62
Abstract: 本发明公开了一种基于网络中心性的脑功能磁共振图像分类方法，包括：对脑功能磁共振图像进行预处理，然后进行脑区分割，并提取各个脑区的平均时间序列；计算平均各个时间序列之间的偏相关系数，得到偏相关系数矩阵；将偏相关系数矩阵二值化，得到脑网络模型；计算网络中各节点的网络中心性；利用自适应提高分类器对脑功能磁共振图像进行分类，并采用留一交叉验证的测试方法对自适应提高分类器进行检验。本发明利用脑功能磁共振图像构建了脑功能网络，利用了网络拓扑结构信息进行分类，能够精确的对脑功能磁共振图像进行分类。
-
公开(公告)号：CN103020653B
公开(公告)日：2015-07-22
申请号：CN201210526134.8
申请日：2012-12-07
Applicant: 中国科学院自动化研究所
IPC: G06K9/66
Abstract: 提供了一种基于网络分析的结构和功能磁共振图像联合分类方法。首先建立结构和功能的脑网络模型，计算脑网络的特征路径长度、集群度和网络中心性，用以表征不同的图像模式；然后利用这些网络参数来训练一个自适应提高分类器。本发明能够利用磁共振图像中尽可能多的信息，脑网络参数能够从本质上反应脑的活动，同时采用了多分类器技术，弥补了传统分类方法不能体现脑活动固有属性的不足，能够精确的对脑磁共振图像进行分类。
-
-
-
-
-
-
-
-
-
Search Results
50
records
(took 0.03 seconds)
