-
公开(公告)号：CN119833122A
公开(公告)日：2025-04-15
申请号：CN202510041745.0
申请日：2025-01-10
Applicant: 南通大学
IPC: G16H50/20 , A61B5/00 , A61B5/055 , G16H50/70 , G06F18/241 , G06N3/049 , G06N3/0464 , G06N3/045 , G06N3/08 , G06F123/02
Abstract: 本发明提供了基于动态脉冲神经网络的脑疾病结构‑功能耦合分析方法，属于智能辅助医疗诊断技术领域，有效解决了现有结构‑功能耦合分析方法在捕捉大脑动态变化、非线性耦合特性以及整合多模态数据方面的不足的技术问题。其技术方案为：首先构建动态脉冲神经网络模型；接着从原始fMRI时间序列中提取脉冲结构连接矩阵；然后从功能脑网络中提取脉冲功能连接矩阵，并将其输入到脉冲耦合池化模块得到脉冲结构‑功能耦合；最后将得到的耦合信息输入到分类层获得疾病识别结果。本发明的有益效果为：本发明的显著优势在于为脑疾病研究提供了全新的分析工具和视角，推动了对脑疾病神经机制的深入理解，并且在临床应用中展现出广泛的应用潜力。
-
公开(公告)号：CN118136269A
公开(公告)日：2024-06-04
申请号：CN202410284924.2
申请日：2024-03-13
Applicant: 南通大学
Abstract: 本发明提供了面向不完整多模态数据的模糊知识蒸馏方法，属于医学信息智能诊断技术领域，解决了知识蒸馏过程中教师模型和学生模型之间模型能力不匹配的技术问题。其技术方案为：包括以下步骤：S1、使用由Kawahara提出的边到边卷积E2E，边到节点卷积E2N，节点到图卷积N2G获取每一步的特征图；S2、获得经过概括和选择的信息；S3、设计了三类损失函数，分别为表示损失、预测分布损失和交叉熵损失；S4、通过最小化三类损失函数，对学生网络进行训练。本发明的有益效果为：本发明可以显著提高在模态缺失情况下模型对精神疾病识别的准确率，辅助医生进行诊断分析，给患者带来更好的医疗服务。
-
公开(公告)号：CN116994743A
公开(公告)日：2023-11-03
申请号：CN202310851846.5
申请日：2023-07-11
Applicant: 南通大学
IPC: G16H50/20 , G16H10/60 , G16H50/70 , G06F18/214 , G06F18/2415 , G06N3/042 , G06N3/0464 , G06N3/045 , G06N3/084
Abstract: 本发明提供了一种基于序贯三支的置信图卷积神经网络的自闭症分类方法，属于图卷积神经网络与序贯三支决策技术领域。解决了自闭症诊断过程存在的不确定性的技术问题。其技术方案为：首先，该方法通过定义置信度，描述诊断过程中存在的不确定性；然后，定义序贯三支的置信度阈值；接着，将序贯三支决策模块加入置信度图卷积神经网络模型，得到样本的预测标签；最后，通过自闭症数据集，评估自闭症预测模型的性能。本发明的有益效果为：有效提升自闭症的分类准确率。
-
公开(公告)号：CN119131443A
公开(公告)日：2024-12-13
申请号：CN202311689485.5
申请日：2023-12-11
Applicant: 南通大学
IPC: G06V10/764 , G06N3/0464 , G06N3/08 , G06V10/25 , G06V10/40 , G06V10/774 , G16H50/20
Abstract: 本发明提供了一种基于元学习的基于元学习的罕见脑部病变辨别方法，属于医学信息智能诊断技术领域，解决了传统的人工智能训练需要大量的临床诊断信息，从数据层面上，部分疾病病患的样本数量无法满足传统神经网络训练的需求的技术问题。其技术方案为：先将脑部核磁共振影像的数据集划分为多个任务，每个任务中都包含支持集和查询集；在预训练任务上将CNN模型进行训练和测试，通过反向传播获得全局最优的初始化参数θ；然后使用新类别数据集中的支持集微调训练好的模型；再采用查询集进行测试，得到对模型进行评估。本发明的有益效果为：利用常见脑部疾病区分的先验经验对罕见疾病生成诊断意见，显著提高了模型的泛化能力。
-
公开(公告)号：CN119108099A
公开(公告)日：2024-12-10
申请号：CN202411191743.1
申请日：2024-08-28
Applicant: 南通大学
IPC: G16H50/20 , A61B5/16 , A61B5/00 , A61B5/055 , G16H50/70 , G06N3/049 , G06N3/0464 , G06N3/045 , G06N3/0455 , G06N3/06 , G06N3/08 , G06F18/241
Abstract: 本发明提供了基于脉冲结构‑功能脑网络耦合的精神疾病识别方法，属于智能辅助医疗诊断技术领域，有效解决了传统精神疾病诊断过程中常被忽略的结构连接与功能连接之间的神经生物学机制的技术问题。其技术方案为：首先从功能磁共振成像和扩散张量成像中提取功能和结构脑网络；接着通过BrainNetCNN提取这两种脑网络的信息特征图；然后构建脉冲耦合神经网络来学习大脑结构‑功能耦合机制，以此得出脉冲结构‑功能耦合；最后将得到的耦合信息输入到分类层获得疾病识别结果，并使用交叉熵损失函数对结果进行训练和优化。本发明的有益效果为：本发明有助于深入理解精神疾病的神经机制，在临床应用中具有广泛应用的前景。
-
Patent Agency Ranking
公开(公告)号：CN116206752B
公开(公告)日：2024-07-30
申请号：CN202310169343.X
申请日：2023-02-22
Applicant: 南通大学
IPC: G16H50/20 , G06F18/2415 , G06F18/25 , G06N3/0464 , G06N3/047 , G06N3/048 , G06N3/0495
Abstract: 本发明提供了基于结构‑功能脑网络的精神疾病识别方法，属于医学信息智能诊断技术领域，解决了利用人工智能帮助医生从海量数据中识别精神疾病的技术问题。其技术方案为：对结构和功能两类脑网络的连接矩阵分别进行行列卷积，获得深度特征；在特征学习过程中，增加深度融合模块，使两个模态可以交互式特征学习；在最终的识别阶段，通过多模态双线性池化层，进一步融合两类脑网络的特征，学习最后的联合特征；然后输入到最终的分类层获得疾病识别结果，并将预测标签和真实标签的交叉熵损失作为损失函数进行训练。本发明的有益效果为：显著提高对精神疾病识别的准确率，辅助医生进行诊断分析，给患者带来更好的医疗服务。
-
公开(公告)号：CN119132625B
公开(公告)日：2025-04-29
申请号：CN202311600404.X
申请日：2023-11-27
Applicant: 南通大学
IPC: G16H50/70 , G16H50/20 , G06F16/901 , G06F16/903 , G06F18/2113 , G06F18/214 , G06F18/243 , G06F18/20 , G06N5/01 , G06N20/20
Abstract: 本发明提供了基于结构‑功能脑网络局部耦合模式的精神疾病分类方法，属于医学信息智能诊断技术领域；其技术方案为：对结构脑网络的连接矩阵进行频繁子图挖掘，获得所有的频繁连通子图；通过挖掘出的所有频繁连通子图，计算结构脑网络和功能脑网络之间的耦合系数；再通过五折交叉验证，使用lasso模型对获得的耦合系数进行特征选择；对经过属性约简后获得的耦合系数使用随机森林分类以评估准确性。本发明的有益效果为：本发明可以更好地捕捉结构‑脑网络的关键特征，显著提高了精神疾病分类的准确性和效率，帮助医生为患者制定更有效的治疗计划。
-
公开(公告)号：CN118136269B
公开(公告)日：2025-01-28
申请号：CN202410284924.2
申请日：2024-03-13
Applicant: 南通大学
Abstract: 本发明提供了面向不完整多模态数据的模糊知识蒸馏方法，属于医学信息智能诊断技术领域，解决了知识蒸馏过程中教师模型和学生模型之间模型能力不匹配的技术问题。其技术方案为：包括以下步骤：S1、使用由Kawahara提出的边到边卷积E2E，边到节点卷积E2N，节点到图卷积N2G获取每一步的特征图；S2、获得经过概括和选择的信息；S3、设计了三类损失函数，分别为表示损失、预测分布损失和交叉熵损失；S4、通过最小化三类损失函数，对学生网络进行训练。本发明的有益效果为：本发明可以显著提高在模态缺失情况下模型对精神疾病识别的准确率，辅助医生进行诊断分析，给患者带来更好的医疗服务。
-
公开(公告)号：CN119132625A
公开(公告)日：2024-12-13
申请号：CN202311600404.X
申请日：2023-11-27
Applicant: 南通大学
IPC: G16H50/70 , G16H50/20 , G06F16/901 , G06F16/903 , G06F18/2113 , G06F18/214 , G06F18/243 , G06F18/20 , G06N5/01 , G06N20/20
Abstract: 本发明提供了基于结构‑功能脑网络局部耦合模式的精神疾病分类方法，属于医学信息智能诊断技术领域；其技术方案为：对结构脑网络的连接矩阵进行频繁子图挖掘，获得所有的频繁连通子图；通过挖掘出的所有频繁连通子图，计算结构脑网络和功能脑网络之间的耦合系数；再通过五折交叉验证，使用lasso模型对获得的耦合系数进行特征选择；对经过属性约简后获得的耦合系数使用随机森林分类以评估准确性。本发明的有益效果为：本发明可以更好地捕捉结构‑脑网络的关键特征，显著提高了精神疾病分类的准确性和效率，帮助医生为患者制定更有效的治疗计划。
-
公开(公告)号：CN116994743B
公开(公告)日：2024-04-09
申请号：CN202310851846.5
申请日：2023-07-11
Applicant: 南通大学
IPC: G16H50/20 , G16H10/60 , G16H50/70 , G06F18/214 , G06F18/2415 , G06N3/042 , G06N3/0464 , G06N3/045 , G06N3/084
Abstract: 本发明提供了一种基于序贯三支的置信图卷积神经网络的自闭症分类方法，属于图卷积神经网络与序贯三支决策技术领域。解决了自闭症诊断过程存在的不确定性的技术问题。其技术方案为：首先，该方法通过定义置信度，描述诊断过程中存在的不确定性；然后，定义序贯三支的置信度阈值；接着，将序贯三支决策模块加入置信度图卷积神经网络模型，得到样本的预测标签；最后，通过自闭症数据集，评估自闭症预测模型的性能。本发明的有益效果为：有效提升自闭症的分类准确率。
-
-
-
-
-
-
-
-
-
Search Results
11
records
(took 0.016 seconds)
