-
公开(公告)号：CN110652307A
公开(公告)日：2020-01-07
申请号：CN201910856960.0
申请日：2019-09-11
申请人： 中国科学院自动化研究所
摘要： 本发明属于精神医学、神经影像及人工智能领域，具体涉及了一种基于功能核磁影像的精神分裂症患者纹状体功能检测方法，旨在解决现有技术无法定量化评估精神分裂症患者健康程度，从而无法指导个体化用药的问题。本发明方法包括：提取预处理后输入数据的纹状体局部信号、全脑功能连接信号、内部功能连接信号并拼接；通过纹状体分类模型分别计算信号属于正常人、精神分裂患者的置信概率；若属于正常人的置信概率高，则被测对象为正常人；否则，为精神分裂症患者，并输出其纹状体健康等级。本发明通过对精神分裂症患者的纹状体特征进行定量化评估，实现了对精神分裂症患者个体层面用药指导，进一步提升精神分裂症患者对抗精神病药物的预后效果。
-
公开(公告)号：CN101876992A
公开(公告)日：2010-11-03
申请号：CN200910237783.4
申请日：2009-11-17
申请人： 中国科学院自动化研究所
IPC分类号： G06F17/30
摘要： 本发明公开一种图像数据仓库管理方法，是利用基于文本的图像数据描述信息，对图像数据仓库进行高效管理，该管理过程包括图像数据索引文件的生成、上传、关键词检索及图像数据的下载；该方法分成图像数据上传和下载两路工作，客户端用户在对图像数据仓库的上传操作中，利用加锁的方式使该用户在当前时间成为对该仓库具有唯一更改性操作权限的用户。整个上传及下载操作都是通过数据描述文件进行，该描述文件记录了所有图像数据的分字段编号、存储路径及各种属性的详细信息。客户端与服务器端保持同样的图像数据描述文件，使得用户对图像数据进行的检索操作都能在客户端进行，从而减轻网络以及服务器端的压力，从根本上提高了数据仓库管理的效率。
-
公开(公告)号：CN101110095B
公开(公告)日：2010-06-30
申请号：CN200610103256.0
申请日：2006-07-20
申请人： 中国科学院自动化研究所
CPC分类号： Y02A90/24
摘要： 本发明涉及生物信息学技术领域的一种基于复杂脑基因网络的常见脑疾病易感基因检测方法，用计算机计算的手段大规模检测各种常见脑疾病的易感基因。包括两大部分：1、基于贝叶斯模型集成基因组、蛋白质组等多种可利用的公共生物学数据构建复杂脑基因网络，并分析该网络的统计特性；2、在此网络的基础上，引入某常见脑疾病的先验信息，然后根据网络的连接特性对网络中所有脑基因进行重要性排序，选取分数较高的基因构成相关基因子网络，从而大规模地、便捷地处理该疾病相关易感基因。本发明可以快速实现常见脑疾病易感基因的批量检测，在普通的微机上即可完成，可方便快捷地为传统遗传学研究以及各种病理研究提供非常有价值的线索。
-
公开(公告)号：CN101294954A
公开(公告)日：2008-10-29
申请号：CN200710098693.2
申请日：2007-04-25
申请人： 中国科学院自动化研究所
IPC分类号： G01N33/483 , G01N27/447 , G06T7/00
摘要： 本发明公开一种基于信息势的图像配准方法，基于信息势和欧氏距离的测度来度量最近点的迭代最近点算法；用信息论中的信息势来度量两幅图像中的两个蛋白点灰度分布的相似性，衡量两个蛋白质点的相似性；将蛋白质点的灰度信息与几何信息结合在一起，获得搜索最近点，用于对变形严重的图像自动进行匹配。迭代最近点算法是一种点匹配算法，传统的迭代最近点算法对初始变换要求较高，本发明提供了一种基于信息势和欧氏距离的测度，从而，提高了配准算法的鲁棒性，应用于图像分析领域，尤其对于凝胶电泳图像。本发明方法对于凝胶电泳图像配准非常有效，还可以广泛应用于各种临床与基础研究中。
-
公开(公告)号：CN111062885B
公开(公告)日：2023-09-12
申请号：CN201911252628.X
申请日：2019-12-09
申请人： 中国科学院自动化研究所
IPC分类号： G06T5/00 , G06N3/096 , G06N3/0464
摘要： 本发明属于计算机视觉领域，具体涉及一种基于多阶段迁移学习的标志检测模型训练及标志检测方法、系统、装置，旨在解决现有标志检测模型因标志样本较少导致检测准确率低的问题。本系统模型训练方法包括基于ImageNet数据集中选取的样本对标志检测模型进行预训练，得到第一模型；基于合成标志样本对第一模型进行微调训练，得到第二模型；基于真实标志样本对第二模型进行训练，得到第三模型；并将第三模型作为训练好的标志检测模型；检测方法包括获取待检测的标志图像；通过上述模型训练方法获取的标志检测模型对标志图像进行目标标志检测。本发明增加了标志样本的数量，提高了标志检测模型检测的准确率。
-
公开(公告)号：CN109165667B
公开(公告)日：2022-02-22
申请号：CN201810739141.3
申请日：2018-07-06
申请人： 中国科学院自动化研究所
IPC分类号： G06V10/764 , G06V10/774 , G06V10/82 , G06K9/62 , G16H50/20
摘要： 本发明涉及图像处理技术领域，并提出了一种基于自注意力机制的脑疾病分类系统，旨在解决脑疾病分类诊断中需要对磁共振影像进行预处理、特征提取和特征选择的复杂过程及其所导致的分类准确率不高的技术问题。为此目的，本发明中的基于自注意力机制的脑疾病分类系统包括：对获取脑疾病病人的人脑磁共振影像进行预处理，得到人脑的灰质密度图；利用预先构建的脑疾病分类模型对所述灰质密度图进行脑疾病分类，得到所述脑疾病病人的脑疾病类别；其中，所述预先构建的脑疾病分类模型是基于自注意力机制构建的三维卷积神经网络模型。本发明实施例所示的系统可以快速、准确的分类脑疾病的类别。
-
公开(公告)号：CN110070935B
公开(公告)日：2021-04-30
申请号：CN201910211463.5
申请日：2019-03-20
申请人： 中国科学院自动化研究所
摘要： 本发明属于医学图像处理技术领域，具体涉及一种基于对抗神经网络的医学图像合成方法、分类方法及装置，旨在解决脑疾病分类任务中训练样本不足带来的准确度不能满足需求的问题，本发明合成方法包括：获取第一特征图像集及第二特征图像集；构建包括类别损失计算功能的循环生成对抗模型；基于所述第一特征图像集和所述第二特征图像集训练所述循环生成对抗模型；以及当样本分类损失满足条件时，将所述循环生成对抗模型生成的图像作为样本数据。本发明在Cycle‑GAN网络模型基础上添加类别损失使合成脑图像更加真实，通过无监督的方式增加了两倍的样本量，解决了使用深度学习方法进行脑疾病分类过程中出现的样本量不足的问题，可以提升分类准确度。
-
公开(公告)号：CN110652307B
公开(公告)日：2021-01-12
申请号：CN201910856960.0
申请日：2019-09-11
申请人： 中国科学院自动化研究所
摘要： 本发明属于精神医学、神经影像及人工智能领域，具体涉及了一种基于功能核磁影像的精神分裂症患者纹状体功能检测方法，旨在解决现有技术无法定量化评估精神分裂症患者健康程度，从而无法指导个体化用药的问题。本发明方法包括：提取预处理后输入数据的纹状体局部信号、全脑功能连接信号、内部功能连接信号并拼接；通过纹状体分类模型分别计算信号属于正常人、精神分裂患者的置信概率；若属于正常人的置信概率高，则被测对象为正常人；否则，为精神分裂症患者，并输出其纹状体健康等级。本发明通过对精神分裂症患者的纹状体特征进行定量化评估，实现了对精神分裂症患者个体层面用药指导，进一步提升精神分裂症患者对抗精神病药物的预后效果。
-
公开(公告)号：CN111062885A
公开(公告)日：2020-04-24
申请号：CN201911252628.X
申请日：2019-12-09
申请人： 中国科学院自动化研究所
摘要： 本发明属于计算机视觉领域，具体涉及一种基于多阶段迁移学习的标志检测模型训练及标志检测方法、系统、装置，旨在解决现有标志检测模型因标志样本较少导致检测准确率低的问题。本系统模型训练方法包括基于ImageNet数据集中选取的样本对标志检测模型进行预训练，得到第一模型；基于合成标志样本对第一模型进行微调训练，得到第二模型；基于真实标志样本对第二模型进行训练，得到第三模型；并将第三模型作为训练好的标志检测模型；检测方法包括获取待检测的标志图像；通过上述模型训练方法获取的标志检测模型对标志图像进行目标标志检测。本发明增加了标志样本的数量，提高了标志检测模型检测的准确率。
-
公开(公告)号：CN109165667A
公开(公告)日：2019-01-08
申请号：CN201810739141.3
申请日：2018-07-06
申请人： 中国科学院自动化研究所
摘要： 本发明涉及图像处理技术领域，并提出了一种基于自注意力机制的脑疾病分类系统，旨在解决脑疾病分类诊断中需要对磁共振影像进行预处理、特征提取和特征选择的复杂过程及其所导致的分类准确率不高的技术问题。为此目的，本发明中的基于自注意力机制的脑疾病分类系统包括：对获取脑疾病病人的人脑磁共振影像进行预处理，得到人脑的灰质密度图；利用预先构建的脑疾病分类模型对所述灰质密度图进行脑疾病分类，得到所述脑疾病病人的脑疾病类别；其中，所述预先构建的脑疾病分类模型是基于自注意力机制构建的三维卷积神经网络模型。本发明实施例所示的系统可以快速、准确的分类脑疾病的类别。
-
-
-
-
-
-
-
-
-
搜索结果
16 条记录 (耗时 0.042 秒)
