-
公开(公告)号：CN111000553B
公开(公告)日：2022-09-27
申请号：CN201911395467.X
申请日：2019-12-30
Applicant: 山东省计算中心(国家超级计算济南中心)
IPC: A61B5/346
Abstract: 本发明的基于投票集成学习的心电数据智能分类方法，其特征在于，通过以下步骤来实现：a).数据预处理；b).建立logistic回归模型；c).建立决策树模型；d).建立一个支持向量机；e).建立朴素贝叶斯模型；f).建立神经元模型；g).建立k邻近模型；h).模型集成，最终获得一个正确率不低于80%的模型，效果优于步骤b)至步骤g)中建立的单个模型。本发明的心电数据智能分类方法，首先从ccdd中获取足够数量的数据，将其分为训练集和测试集，然后建立各类模型，最后，获得一个正确率不低于80%的模型，可实现对“正常、房颤、房性早搏、偶发房性早搏、频发房性早搏、房性心动过速、房颤伴快速心室率”进行智能识别分类，实现心血管疾病的早发现、早治疗。
-
公开(公告)号：CN114937032A
公开(公告)日：2022-08-23
申请号：CN202210740555.4
申请日：2022-06-28
Applicant: 山东省计算中心(国家超级计算济南中心)
IPC: G06T7/00 , G06V10/22 , G06V10/40 , G06V10/56 , G06V10/764 , G06V10/774 , G06N20/20
Abstract: 本发明的基于染色分离的病理切片颜色相关质量评估方法，包括图像预处理步骤、特征提取步骤和分类步骤，图像预处理步骤包括：首先将病理切片图像中的组织区域提取出来，然后去除组织区域中影响颜色质量的红细胞区域和无组织区域，只保留经过H&E染色后着色的组织区域；特征提取步骤为对经过预处理之后的组织区域进行特征提取。本发明评估方法，首先对图像进行去除中心的空白区域、去除周边的空白区域以及去除组织区域图像中红细胞区域的处理；然后通过获取13个特征向量，然后输入机器学习模型进行分类，所获取的机器学习模型能够有效从客观条件对切片的颜色质量进行评估分类，降低人工评估的主观意向，并减少人工评估的工作量。
-
公开(公告)号：CN106230722B
公开(公告)日：2019-07-09
申请号：CN201610640026.1
申请日：2016-08-05
Applicant: 山东省计算中心(国家超级计算济南中心)
IPC: H04L12/721 , H04L12/801
CPC classification number: Y02D30/30
Abstract: 本发明的基于转移代价的SDN网络拥塞链路调整方法，包括：a).获取链路拓扑；b).获取数据流信息；c).判断拥塞状态；d).选择待转移流；e).重路由的调整，e‑1).从网络拓扑结构中寻找链路改变量最少的新路由；e‑2).如果为多拥塞链路，首先将其分解为多个等价单拥塞链路，然后按照e‑1)重路由；f).流表路由的调整。本发明的SDN网络拥塞链路调整方法，将路径上的拥塞分为等价单拥塞链路及多拥塞链路区分处理，对多拥塞链路转移为多个等价单拥塞链路的组合，既解决了链路拥塞，又使得转移代价最小，减低了计算复杂度，提高了数据流转移效率。
-
公开(公告)号：CN108536794A
公开(公告)日：2018-09-14
申请号：CN201810281245.4
申请日：2018-04-02
Applicant: 山东省计算中心(国家超级计算济南中心) , 山东省公安厅
IPC: G06F17/30
Abstract: 本发明的符合泊松分布的有序多分类变量的数据规格化方法，设数据样本的属性A符合泊松分布，属性A的m个类别经自然编码后的原始值分别为v1、v2、…、vm，vi、vj∈Z且vi≠vj，1≤i≤m,1≤j≤m，样本中属性A的总数量记为N，属性A中类别k下的数量记为nk；有序多分类变量的属性A规格化后的数据值v′k通过公式(1)进行求取：其中，1≤k≤m， 为属性A中m个类别原始值的均值，其通过如下公式进行求取。本发明的数据规格化方法，使得处理后的变量可应用在如神经网络、最近邻分类、聚类等基于对象距离的挖掘算法中，有益效果显著，适于应用推广。
-
公开(公告)号：CN118351467A
公开(公告)日：2024-07-16
申请号：CN202410594858.9
申请日：2024-05-14
Applicant: 山东省计算中心(国家超级计算济南中心)
IPC: G06V20/17 , G06V10/82 , G06V10/80 , G06N3/0464
Abstract: 本发明涉及人工智能技术领域，提供的一种基于强特征提取和批处理维度的航空图像小目标检测方法，通过在ResNet50网络模型中的C1和C2层依次连接可变形多尺度通道注意力网络中的第1层、第2层和注意力机制层，将图像数据输入第一检测模型，不同层的输出数据通过第一卷积过程得到特征图。将注意力机制层的输出分别通过第一卷积过程和第二卷积过程，得到不同特征图。将不同层的特征图构成多尺度特征图等操作。本发明还公开了一种系统，该方法和系统能够将可变形卷积的自适应采样与关注机制的重点放在针对小目标的重要特征上，添加偏移量来调整空间样本，更好地适应小目标，混合增强了图像中小目标的特征提取能力，使其更加高效和精确。
-
Patent Agency Ranking
公开(公告)号：CN116485811A
公开(公告)日：2023-07-25
申请号：CN202310314667.8
申请日：2023-03-29
Applicant: 山东省计算中心(国家超级计算济南中心) , 齐鲁工业大学(山东省科学院)
IPC: G06T7/11 , G06V10/774 , G06V10/82 , G06V10/26 , G06N3/0464 , G06N3/0455 , G06N3/098 , G06N3/045
Abstract: 一种基于Swin‑Unet模型的胃部病理切片腺体分割方法，属于图像处理技术领域，通过一种新型的编解码器之间的连接模块，提高了模型分割的准确率。并且在连接模块中应用了空洞卷积，通过注意力机制来调节不同空洞的权重，从而更加精细地控制模型的感知范围。通过设计预后处理模块，使得模型在预测结果的边界处更加清晰。
-
公开(公告)号：CN114093505B
公开(公告)日：2022-06-17
申请号：CN202111361578.6
申请日：2021-11-17
Applicant: 山东省计算中心(国家超级计算济南中心)
Abstract: 本发明涉及一种基于云边端架构的病理检测系统及方法，包括云平台层、通信网络层、边缘层；云平台层包括云计算服务器中心、数据库、云端文件存储系统以及一个MQTT服务器；网络通信层包括多种网络通信方式；边缘层就是集成在医疗机构内的各个设备组件，包括边缘设备、本地文件存储系统以及病理切片扫描仪；本发明提供了基于Kubeedge管理平台的云边端架构的病理检测方法，实现边缘设备物模型创建、病理图像模型训练、镜像下发、病理图像检测推理、边缘数据上传等，可有效节省医院病理科的人力、时间成本，提高病理诊断的质量和效率。
-
公开(公告)号：CN113642518A
公开(公告)日：2021-11-12
申请号：CN202111014501.1
申请日：2021-08-31
Applicant: 山东省计算中心(国家超级计算济南中心)
Abstract: 本发明的基于迁移学习的her2病理图像细胞膜着色完整性判别方法，首先经图像筛选、染色分离和膜着色区域划分，由专家人工划分出包裹完整和包裹不完整膜染色的图像数据集，作为Inception‑V3模型训练的输入数据集；在特征提取步骤中，首先训练出Inception‑V3模型，再通过迁移学习对Inception‑V3模型进一步训练，得到神经网络的新分类模型。本发明的her2病理图像细胞膜着色完整性判别方法，通过迁移学习，可以在短时间内使用少量训练数据训练出效果较好的神经网络模型，针对不同个体可达到92%以上的正确率，为医生进行乳腺癌her2阳性状态判断提供了有效帮助。
-
公开(公告)号：CN109712142A
公开(公告)日：2019-05-03
申请号：CN201910025249.0
申请日：2019-01-11
Applicant: 山东省计算中心(国家超级计算济南中心)
Abstract: 本发明的基于染色分离的乳腺癌Ki67/ER/PR核染色细胞计数方法，首先对乳腺癌病理切片图像进行染色分离，获取基于H染色剂的图像IH和基于DAB显色剂的图像IDAB，然后经滤波消除细胞间质的影响，获得图像IH，filterd和IDAB，filterd；然后根据IH，filterd统计阴性细胞，根据IDAB，filterd及其亮度图VDAB统计强阳、中阳、弱阳细胞，最终获取阴性细胞、阳性（分强阳、中阳和弱阳）细胞的数量和所占细胞总数的概率。本发明设计基于染色分离的乳腺癌核染色细胞计数方法，能够快速有效地实现细胞计数，协助医生工作，降低医生工作量的同时保证计算准确度。
-
公开(公告)号：CN109410194A
公开(公告)日：2019-03-01
申请号：CN201811222572.9
申请日：2018-10-19
Applicant: 山东省计算中心(国家超级计算济南中心)
Abstract: 本发明的基于深度学习的食管癌病理图像处理方法，包括：a).病理切片扫描；b).圈注上皮区类型，将上皮区的正常区域、低级别和高级别癌前病变区域圈注出来；c).图像预处理，获取上皮小图像；d).卷积神经网络将每个上皮小图像沿其纵向均分为n个图像块，对每个图像块进行特征提取；e).长短期记忆网络LSTM，获取上皮小图像的特征向量；f).分类器分类；g).模型建立和调优，h).准确率计算。本发明的食管癌病理图像处理方法，经CNN、LSTM网络和分类器的处理后，获取每个上皮小图像为正常、低级别和高级别癌前病变类型的概率，为病理科食管癌全切片的科学利用提供了一种行之有效的数字图像处理方法，有益效果显著，适于应用推广。
-
-
-
-
-
-
-
-
-
Search Results
32
records
(took 0.036 seconds)
