-
Patent Agency Ranking
公开(公告)号：CN109903292A
公开(公告)日：2019-06-18
申请号：CN201910067705.8
申请日：2019-01-24
Applicant: 西安交通大学
Abstract: 本发明公开了一种基于全卷积神经网络的三维图像分割方法及系统，包括以下步骤：步骤1，采集获取序列图像并进行标注，获得训练样本数据；步骤2，将步骤1获得的训练样本数据进行归一化预处理；步骤3，应用步骤2处理后的样本数据对预构建的3-D全卷积残差U-net网络模型进行有监督的训练，训练至预设收敛条件，获得训练好的三维图像分割模型；步骤4，将待分割的序列图像数据归一化处理后，输入步骤3训练好的三维图像分割模型中，获得序列图像分割结果。本发明可充分利用序列的连续性信息，能够在三维图像分割中获得一个相对较好的结果。
-
公开(公告)号：CN109920501B
公开(公告)日：2021-04-20
申请号：CN201910068242.7
申请日：2019-01-24
Applicant: 西安交通大学
IPC: G16H10/60 , G06F16/35 , G06F40/295 , G06N3/04 , G06N3/08
Abstract: 本发明公开了一种基于卷积神经网络和主动学习的电子病历分类方法及系统，包括：获取样本集合中每个电子病历对应的实体向量；获取标注数据集和未标注数据集；用标注数据集对应的实体向量对预设卷积神经网络模型进行训练，获得训练后的卷积神经网络模型；用获得的卷积神经网络模型预测未标注数据集中电子病历数据的分类概率，选择符合预设条件的电子病历补入标注数据集；用补入标注数据集的电子病历对应的实体向量，继续对训练后的卷积神经网络模型进行训练；重复训练后获得训练好的卷积神经网络模型；通过训练好的模型实现电子病历分类。本发明通过融合卷积神经网络和主动学习，可以在较小的样本下实现更加准确的分类效果。
-
公开(公告)号：CN109948646A
公开(公告)日：2019-06-28
申请号：CN201910067744.8
申请日：2019-01-24
Applicant: 西安交通大学
Abstract: 本发明公开了一种时序数据相似度度量方法及度量系统，包括以下步骤：首先，对于所有时序数据中的事件，学习各个事件的向量表示；其次，将各个事件发生的时间映射成与事件向量等维的向量，通过向量加法嵌入到事件向量中；最后，将最终的事件序列表示送入卷积神经网络进行有监督的学习，最终学得一个鲁棒的时序数据相似度度量模型；通过得到的相似度度量模型进行相似度度量。本发明对时序序列数据表示更加合理有效，从而可提升时序数据相似度度量的准确性。
-
公开(公告)号：CN109920501A
公开(公告)日：2019-06-21
申请号：CN201910068242.7
申请日：2019-01-24
Applicant: 西安交通大学
Abstract: 本发明公开了一种基于卷积神经网络和主动学习的电子病历分类方法及系统，包括：获取样本集合中每个电子病历对应的实体向量；获取标注数据集和未标注数据集；用标注数据集对应的实体向量对预设卷积神经网络模型进行训练，获得训练后的卷积神经网络模型；用获得的卷积神经网络模型预测未标注数据集中电子病历数据的分类概率，选择符合预设条件的电子病历补入标注数据集；用补入标注数据集的电子病历对应的实体向量，继续对训练后的卷积神经网络模型进行训练；重复训练后获得训练好的卷积神经网络模型；通过训练好的模型实现电子病历分类。本发明通过融合卷积神经网络和主动学习，可以在较小的样本下实现更加准确的分类效果。
-
公开(公告)号：CN109886971A
公开(公告)日：2019-06-14
申请号：CN201910067792.7
申请日：2019-01-24
Applicant: 西安交通大学
Abstract: 本发明公开了一种基于卷积神经网络的图像分割方法及系统，包括以下步骤：采集预设数量的样本图像，将其进行归一化和数据增强，获得训练样本数据；通过训练样本数据训练具有残差块的U-Net卷积神经网络模型，获得训练好的U-Net卷积神经网络模型；将与样本图像同类的待分割图像进行像素归一化处理；将像素归一化处理后的待分割图像输入到训练好的U-Net卷积神经网络模型中，最终获得分割好的图像。本发明的方法具有较高的分割精度；采用端到端的分割方式，具有较高的分割效率。
-
-
-
-
Search Results
5
records
(took 0.018 seconds)
