-
公开(公告)号：CN118093911A
公开(公告)日：2024-05-28
申请号：CN202410234959.5
申请日：2024-03-01
Applicant: 南通大学
IPC: G06F16/51 , G06F16/583 , G06N3/0464 , G06N3/0455 , G06N3/08
Abstract: 本发明提供了用于医学图像检索目标攻击的模糊Transformer哈希方法，解决了目前深度哈希模型在医学图像检索中鲁棒性差、易受对抗样本影响的技术问题。其技术方案为：建立医学图像数据库，构建模糊Transformer哈希模型，模型主要有四个部分：视觉Transformer哈希模型、原型网络、残差模糊生成器和判别器；计算各部分的损失函数以及采用交替学习算法优化；将测试集生成的原型码和对抗样本作为查询样本在数据库中检索，并使用目标平均精度t‑MAP评估模型的目标攻击性能。本发明的有益效果为：增强了在医学图像检索过程中模型的鲁棒性和抗干扰性，提高了医学图像检索的准确率。
-
公开(公告)号：CN115985489A
公开(公告)日：2023-04-18
申请号：CN202211484624.6
申请日：2022-11-24
Applicant: 南通大学
Abstract: 本发明提供了基于惩罚机制的代价敏感序贯三支阴影膀胱炎分类方法，属于膀胱炎患者进行分类技术领域；其技术方案为：根据条件属性的重要性将其降序排序；其次顺序计算每个膀胱炎数据对象的隶属度，对膀胱炎数据对象进行阴影化处理，阴影域作为膀胱炎数据下一个粒度的论域；然后计算膀胱炎数据相邻两个粒度之间的两种精度差异，通过惩罚函数对膀胱炎数据的代价参数进行修改，从而确定新的阴影集阈值；如果膀胱炎数据最后一个粒度的阴影域不为空,则对其阴影集阈值进行加权求和得到新的阈值对阴影域进行分类。本发明的有益效果为：本发明分类精度好，为膀胱炎诊断提供决策支持，提高患者就医满意度。
-
公开(公告)号：CN116128846B
公开(公告)日：2023-08-22
申请号：CN202310097938.9
申请日：2023-02-01
Applicant: 南通大学
IPC: G06T7/00 , G06V10/774 , G06V10/80
Abstract: 本发明提供了一种面向肺部X‑ray图像检索的视觉Transformer哈希方法，属于医学图像处理技术领域，解决了不同种类的肺部X‑ray图像之间去检索同种类图像时存在检索时间长、检索精度低的问题。其技术方案为：建立肺部X‑ray图像数据库，构建视觉Transformer哈希模型，根据模型的输出计算成对损失Lpair、量化损失Lquan、平衡损失Lbal以及分类损失Lcl，构造总损失函数Lall；使用交替学习算法优化损失函数Lall；并逐一返回与测试集中最相似的前T张肺部X‑ray图像。本发明的有益效果为：能够分辨不同肺部X‑ray图像之间的细微差异，哈希方法将高维肺部X‑ray图像映射为低维的二进制编码，实现肺部X‑ray图像检索的准确率。
-
公开(公告)号：CN117059284B
公开(公告)日：2024-12-17
申请号：CN202311031910.1
申请日：2023-08-16
Applicant: 南通大学
IPC: G16H50/70 , G16H10/60 , G16H70/00 , G06F18/211 , G06N3/006
Abstract: 本发明提供了一种基于协同进化离散粒子群优化的糖尿病并行属性约简方法，属于医学电子病例技术领域。解决了糖尿病症电子病历数据维度大、冗余多，导致医生判断错误的技术问题。其技术方案为：包括以下步骤：S1：将糖尿病症数据存放到分布式文件系统中；S2：计算机节点读取HDFS中block块的数据；S3：主节点得到汇总的数据键值对后；S4：主节点将进行步骤S3操作所得的 键值对数据广播到各个子节点；S5：主节点对得到的属性评价函数结合CQBPSO算法进行建模。本发明的有益效果为：本发明结合粗糙集理论和Spark分布式计算平台，能够从糖尿病症数据集中筛选出最具代表性和关键性的属性。
-
公开(公告)号：CN117542503A
公开(公告)日：2024-02-09
申请号：CN202311334208.2
申请日：2023-10-16
Applicant: 南通大学
IPC: G16H50/20 , G06F18/241 , G06F18/213 , G06F18/25 , G06N3/042 , G06N3/0464 , G06N3/048 , G06N3/08 , A61B5/00 , A61B5/055 , A61B5/16
Abstract: 本发明提供了基于动态证据融合神经网络的精神分裂症多视图分类方法，属于智能医学处理技术领域；其技术方案为：利用边缘到边缘、边缘到节点和节点到图卷积滤波器提取精神分裂症患者动态脑网络连接矩阵每个视图的特征图；将每个视图的特征图分别通过全连接层和激活层以获得多视图动态证据；根据动态证据导出迪利克雷分布参数，调整置信度后构建动态信任函数并计算每个视图的动态信任函数；在分类的决策层进行证据融合后获得联合信任函数；使用多视图损失函数训练神经网络。本发明的有益效果为：本发明分类精度较好，为精神分裂症诊断提供决策支持，提高患者就医满意度。
-
Patent Agency Ranking
公开(公告)号：CN116452865B
公开(公告)日：2023-11-07
申请号：CN202310345231.5
申请日：2023-04-03
Applicant: 南通大学
IPC: G06V10/764 , G06V10/774 , G06V10/82 , G06N3/043 , G06N3/047 , G06N3/082 , G06N3/045
Abstract: 本发明提供了一种基于模糊逻辑的跳跃式注意力肺部病理图像分类方法，属于肺部组织病理图像分类技术领域，解决了相似形态和结构下复杂肺部病理组织图像分类准确率低的技术问题。其技术方案为：先从肺部病理图像数据集中连续读取RGB病理图像，构建基于模糊逻辑的隶属函数和非隶属函数，对肺部病理图像数据进行模糊处理；再次构建跳跃式多头自注意力算法，通过将前半部分的特征按规则连接到后半部分的特征中，提取肺部病理图像特征；根据模糊规则去模糊化得到的数据，并输入多层感知机，得到每种分类的概率分布，取概率最高的作为最终分类结果。本发明的有益效果为：为肺部组织病理图像的分类提供决策支持，提升病理医生工作效率。
-
公开(公告)号：CN116188435A
公开(公告)日：2023-05-30
申请号：CN202310195481.5
申请日：2023-03-02
Applicant: 南通大学
Abstract: 本发明提供了一种基于模糊逻辑的医学图像深度分割方法，属于医学图像智能处理技术领域。解决了医学图像数据集数据不足导致医学图像分割准确率低的问题。其技术方案为：包括如下步骤：S1、对眼底医学图像数据集进行扩充，将彩色眼底图像以中心点随机旋转生成新的图片；S2、使用CNN和Transformer模型分别提取眼底图像特征；S3、设计模糊融合模块将两个分支提取的特征进行结合；S4、构造模糊注意力融合模块逐步上采样与融合不同尺度特征图；S5、搭建基于模糊逻辑的深度学习网络FTransCNN。本发明有益效果为：使用模糊逻辑将两种深度学习模型特征进行融合，更自然、合理的表示眼底血管区域边缘的不准确信息。
-
公开(公告)号：CN114463583A
公开(公告)日：2022-05-10
申请号：CN202210093092.7
申请日：2022-01-26
Applicant: 南通大学
IPC: G06V10/764 , G06V10/774 , G06V10/82 , G06K9/62 , G06N3/04 , G06N3/08
Abstract: 本发明涉及医学图像处理技术领域，具体涉及一种用于肺炎CT图像分类的深度哈希方法。该发明首先建立肺炎CT图像数据集，统一肺炎CT图像尺寸，并将其划分成训练集Tr和测试集Te；然后构建深度哈希网络模型，根据哈希编码计算相似度损失LS和对比损失Lcl，构造总的损失函数L；其次引入多任务哈希训练策略，使用交替学习算法优化损失函数L，并保存深度哈希网络模型；最后读取测试集中进行CT图像分类。本发明的有益效果是该深度哈希方法能准确找出不同肺部CT图像间的微小差异，使训练模型大大降低存储空间和训练时间，有效提高了大规模肺炎CT图像分类的效率，同时充分发挥了双线性卷积神经网络对细粒度CT图像特征提取优势，有效提升了识别准确性和泛化鲁棒性。
-
公开(公告)号：CN117542503B
公开(公告)日：2024-09-24
申请号：CN202311334208.2
申请日：2023-10-16
Applicant: 南通大学
IPC: G16H50/20 , G06F18/241 , G06F18/213 , G06F18/25 , G06N3/042 , G06N3/0464 , G06N3/048 , G06N3/08 , A61B5/00 , A61B5/055 , A61B5/16
Abstract: 本发明提供了基于动态证据融合神经网络的精神分裂症多视图分类方法，属于智能医学处理技术领域；其技术方案为：利用边缘到边缘、边缘到节点和节点到图卷积滤波器提取精神分裂症患者动态脑网络连接矩阵每个视图的特征图；将每个视图的特征图分别通过全连接层和激活层以获得多视图动态证据；根据动态证据导出迪利克雷分布参数，调整置信度后构建动态信任函数并计算每个视图的动态信任函数；在分类的决策层进行证据融合后获得联合信任函数；使用多视图损失函数训练神经网络。本发明的有益效果为：本发明分类精度较好，为精神分裂症诊断提供决策支持，提高患者就医满意度。
-
公开(公告)号：CN114463583B
公开(公告)日：2024-03-19
申请号：CN202210093092.7
申请日：2022-01-26
Applicant: 南通大学
IPC: G06V10/764 , G06V10/774 , G06V10/82 , G06N3/045 , G06N3/0464 , G06N3/08
Abstract: 本发明涉及医学图像处理技术领域，具体涉及一种用于肺炎CT图像分类的深度哈希方法。该发明首先建立肺炎CT图像数据集，统一肺炎CT图像尺寸，并将其划分成训练集Tr和测试集Te；然后构建深度哈希网络模型，根据哈希编码计算相似度损失LS和对比损失Lcl，构造总的损失函数L；其次引入多任务哈希训练策略，使用交替学习算法优化损失函数L，并保存深度哈希网络模型；最后读取测试集中进行CT图像分类。本发明的有益效果是该深度哈希方法能准确找出不同肺部CT图像间的微小差异，使训练模型大大降低存储空间和训练时间，有效提高了大规模肺炎CT图像分类的效率，同时充分发挥了双线性卷积神经网络对细粒度CT图像特征提取优势，有效提升了识别准确性和泛化鲁棒性。
-
-
-
-
-
-
-
-
-
Search Results
16
records
(took 0.023 seconds)
