-
公开(公告)号：CN119941760A
公开(公告)日：2025-05-06
申请号：CN202510086101.3
申请日：2025-01-20
Applicant: 南通大学
IPC: G06T7/11 , G06T7/00 , G06T5/50 , G06T3/4038 , G06T3/4046 , G06N3/0455 , G06N3/0464 , G06N3/048 , G06N3/084 , G06N3/0895
Abstract: 本发明提供了一种基于模糊增强Transformer的弱监督组织病理图像分割方法，属于医学图像智能处理技术领域。解决了医学图像数据标签获取成本高导致难以投入实际应用的技术问题，其技术方案为：首先从组织病理数据集中读取图像，并进行数据预处理；接下来将图像输入Transformer中，获取注意力矩阵及最终层输出；接着利用模糊增强注意力模块生成模糊增强注意力图，并用于引导池化操作来训练Transformer模型；最后，提取模型的模糊增强注意力图，经过后处理生成病理图像分割结果。本发明的有益效果为：使用易于获取的图像级标签实现准确的组织病理图像分割，推动深度学习在医疗诊断领域的实际应用。
-
公开(公告)号：CN119206241A
公开(公告)日：2024-12-27
申请号：CN202411217898.8
申请日：2024-09-02
Applicant: 南通大学
IPC: G06V10/40 , G06V10/764 , G06V10/80 , G06V10/74 , G16H30/20
Abstract: 本发明提供了一种用于精神分裂疾病检测的两阶段模糊邻域特征选择方法，属于医学信息智能处理技术领域。解决了传统方法在处理高维数据特征选择中全局搜索能力不足以及选择效率低下，并且复杂的精神分裂疾病特征选择中会存在不确定、模糊的技术问题。其技术方案为：包括以下步骤：S1：精神分裂疾病数据的获取与预处理；S2：根据数据构建模糊邻域决策空间与模糊邻域互信息；S3：模糊邻域差分进化的精神分裂疾病特征选择模块；S4：模糊邻域决策树的精神分裂疾病特征选择模块；S5：将两阶段的特征选择融合。本发明的有益效果为：能够有效处理数据中的不确定性，并且提高在高维空间的全局搜素能力以及选择效率。
-
公开(公告)号：CN116759069B
公开(公告)日：2024-07-23
申请号：CN202310651001.1
申请日：2023-06-02
Applicant: 南通大学
Abstract: 本发明提供了一种用于大规模认知障碍疾病检测的动态加权属性约简方法，属于医学信息智能处理技术领域，传统方法在处理大规模数据处理时间较长，复杂的认知障碍疾病特征选择中会导致不确定性的技术问题。其技术方案为：包括以下步骤：S1、大规模认知障碍疾病数据获取与预处理；S2、计算认知障碍疾病原始数据和增量数据的知识粒度；S3、构建动态特征交互加权属性树；S4、将构建的动态特征交互加权属性树分支，每轮分支结束时将低权重属性添加到交互集F中进行增量特征交互；S5、在所有属性树完成分支后，将计算节点约简集输出到主节点，获得大规模认知障碍疾病数据约简。本发明的有益效果为：可以有效提高特征选择的速度并提高精度。
-
公开(公告)号：CN119742050A
公开(公告)日：2025-04-01
申请号：CN202411806508.0
申请日：2024-12-10
Applicant: 南通大学
IPC: G16H50/20 , G16H50/70 , G06F18/2415 , G06F17/10 , G06F18/214
Abstract: 本发明提供了面向肺炎病因诊断的贝叶斯网络与粗糙集特征选择方法，属于医学信息智能处理技术领域，解决了肺炎病因诊断中症状重叠、标签歧义以及数据特征冗余的技术问题。技术方案为：包括以下步骤S1，对患者的肺炎数据进行数据预处理；S2，以患者特征和病因标签为节点，构建贝叶斯网络以解决病因标签的消歧问题，并生成标签置信度矩阵；S3，基于邻域粗糙集计算每个特征对病因标签的依赖度；S4，结合显著性分析和冗余度约简，筛选最优特征集。本发明的有益效果为：本发明方法以肺炎诊断场景为应用背景，能够有效处理患者病因复杂性和数据冗余问题，既提高了诊断的可靠性与效率，又降低了计算成本，为实际临床诊断提供了技术支持。
-
公开(公告)号：CN119477935A
公开(公告)日：2025-02-18
申请号：CN202411393930.8
申请日：2024-10-08
Applicant: 南通大学
IPC: G06T7/11 , G06N3/043 , G06N3/0455 , G06N3/0464 , G06N3/0442 , G06N3/084
Abstract: 本发明提供了一种基于模糊卷积结合Transformer的2D脑部肿瘤分割方法，属于医学图像处理与深度学习技术领域。解决了现有方法难以同时精确分割脑部肿瘤模糊边界和降低计算资源量的技术问题。其技术方案为：构建基于模糊卷积结合Transformer的2D脑部肿瘤分割模型，该模型包括模糊学习模块、卷积神经网络、编码器、解码器以及门控权重控制器，模糊学习模块包括模糊隶属度函数和模糊规则，卷积神经网络受ResNet的启发，编码器包括卷积层以及门控轴向自注意力模块，解码器包括卷积层和反卷积层。本发明的有益效果为：提升脑部肿瘤的分割精确性的同时降低了计算资源量。
-
Patent Agency Ranking
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：CN118053023A
公开(公告)日：2024-05-17
申请号：CN202410162283.3
申请日：2024-02-05
Applicant: 南通大学
IPC: G06V10/764 , G06V10/82 , G06V10/77 , G06V10/28 , G06N3/0455 , G06N3/082
Abstract: 本发明提供了一种基于三支置信度引导的随机游走机制的Transformer可解释性方法，属于人工智能可解释性技术领域。解决了Transformer模型难以解释得不到使用者信任的技术问题，其技术方案为：首先从图像数据集中读取RGB图像，然后将其切块映射为线性张量，并引入分类张量；接下来进入Transformer模块，将注意力矩阵保存，同时获取分类结果；接着利用适当阈值将注意力矩阵划分前景和背景，将结果输入到三支模块；当原图与前景分类一致且与背景不一致时，本发明根据预测得分获取图像块的置信度得分；当原图与前景、背景分类一致。本发明的有益效果为：可解释性好，在自然图像和医学图像上均有较好的实验结果。
-
公开(公告)号：CN116452865A
公开(公告)日：2023-07-18
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：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：CN118053023B
公开(公告)日：2024-10-01
申请号：CN202410162283.3
申请日：2024-02-05
Applicant: 南通大学
IPC: G06V10/764 , G06V10/82 , G06V10/77 , G06V10/28 , G06N3/0455 , G06N3/082
Abstract: 本发明提供了一种基于三支置信度引导的随机游走机制的Transformer可解释性方法，属于人工智能可解释性技术领域。解决了Transformer模型难以解释得不到使用者信任的技术问题，其技术方案为：首先从图像数据集中读取RGB图像，然后将其切块映射为线性张量，并引入分类张量；接下来进入Transformer模块，将注意力矩阵保存，同时获取分类结果；接着利用适当阈值将注意力矩阵划分前景和背景，将结果输入到三支模块；当原图与前景分类一致且与背景不一致时，本发明根据预测得分获取图像块的置信度得分；当原图与前景、背景分类一致。本发明的有益效果为：可解释性好，在自然图像和医学图像上均有较好的实验结果。
-
-
-
-
-
-
-
-
-
Search Results
27
records
(took 0.019 seconds)
