-
公开(公告)号：CN114494195A
公开(公告)日：2022-05-13
申请号：CN202210094076.X
申请日：2022-01-26
Applicant: 南通大学
IPC: G06T7/00 , G06T3/40 , G06V10/764 , G06V10/74 , G06V10/774 , G06V10/82 , G06K9/62 , G06N3/04 , G06N3/08
Abstract: 本发明提供了一种用于眼底图像分类的小样本注意力机制并行孪生方法，根据患者的眼底病变图像进行分类得到分类结果，包括以下步骤：读取医学眼底图像数据集进行预处理，得到预处理的图片数据；通过基于孪生网络Siamese的少镜头学习方法，利用基于特征的迁移学习方法，迁移已使用数据集ImageNet预训练好的稠密连接网络densenet，来提取两幅不同图像的特征，并在此网络的基础上加入卷积块注意力模块CBAM选择更为关键的图像信息，通过一个对比损失函数进行图片的相似性度量，从而获得更为准确的分类预测结果。本发明迁移了稠密连接网络，能够有效地减少小样本学习中过拟合的情况，同时借助CBAM注意力机制和孪生网络，有效地提升了医学眼底图像病变分类数据的效率和精度。
-
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：CN114494195B
公开(公告)日：2024-06-04
申请号：CN202210094076.X
申请日：2022-01-26
Applicant: 南通大学
IPC: G06V10/764 , G06V10/74 , G06V10/774 , G06V10/82 , G06N3/0464 , G06N3/045 , G06N3/096
Abstract: 本发明提供了一种用于眼底图像分类的小样本注意力机制并行孪生方法，根据患者的眼底病变图像进行分类得到分类结果，包括以下步骤：读取医学眼底图像数据集进行预处理，得到预处理的图片数据；通过基于孪生网络Siamese的少镜头学习方法，利用基于特征的迁移学习方法，迁移已使用数据集ImageNet预训练好的稠密连接网络densenet，来提取两幅不同图像的特征，并在此网络的基础上加入卷积块注意力模块CBAM选择更为关键的图像信息，通过一个对比损失函数进行图片的相似性度量，从而获得更为准确的分类预测结果。本发明迁移了稠密连接网络，能够有效地减少小样本学习中过拟合的情况，同时借助CBAM注意力机制和孪生网络，有效地提升了医学眼底图像病变分类数据的效率和精度。
-
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：CN114494196B
公开(公告)日：2023-11-17
申请号：CN202210094089.7
申请日：2022-01-26
Applicant: 南通大学
Abstract: 本发明涉及医学信息智能处理技术领域，具体涉及基于遗传模糊树的视网膜糖尿病变深度网络检测方法。首先对视网膜图像进行增强处理，将病变区域展宽，对正常区域进行压缩；然后搭建网络模型U‑net，准确分割出视网膜血管以及血管末梢图像；接着将模型分割出的血管图像与真实诊断结果进行训练，构建出可解释的模糊决策树；其次对决策树权值编码并且构造适应度函数，基于遗传算法对多棵决策树进行组合优化；最后引入准确率指标动态调整损失函数中的权重图。本发明的有益效果是可精确地识别出视网膜糖尿病变血管末梢，提高检测分类准确度，更有效地帮助医生诊断视网膜糖尿病变，让患者获得最佳治疗时期。
-
Patent Agency Ranking
公开(公告)号：CN113744228B
公开(公告)日：2023-02-07
申请号：CN202110995542.7
申请日：2021-08-27
Applicant: 南通大学
Abstract: 本发明提供了一种用于大规模脑核磁分割的最大熵多阈值蚁群进化Spark方法，属于医学信息智能处理区域技术领域。其技术方案为：首先，读取大规模脑核磁图像数据，并进行预处理操作，然后，设计改进的蚁群算法，将脑核磁图像的灰度级作为路径上的节点，蚂蚁经过的灰度级节点作为分割的阈值组，将Kapur熵作为目标函数；最后，搭建Spark框架，将改进的蚁群算法封装在可并行计算的RDD集合中，进行并行处理，得到最佳阈值组，并根据阈值组进行脑核磁图像的阈值分割。本发明的有益效果为：能够有效提高对大规模脑核磁图像信息提取的效率和精度，对脑核磁数据计算机智能辅助处理具有较强的应用价值。
-
公开(公告)号：CN118314382A
公开(公告)日：2024-07-09
申请号：CN202410386292.0
申请日：2024-04-01
Applicant: 南通大学
IPC: G06V10/764 , G06V10/774 , G06V10/776 , G06V10/44 , G06V10/82 , G06N3/0464 , G06N3/045 , G06N3/084 , G06N3/0985
Abstract: 本发明提供了一种基于Vision Transformer的肺部癌变病理学图像分类方法，属于医疗影像处理、图像识别与分类技术领域。解决了现有方法在肺部组织医学图像的处理中难以精确分类癌变组织的技术问题。其技术方案为：包括以下步骤：1.获取肺组织癌变病理学图像作为训练数据集；2.对训练数据集和验证数据集增加随机裁剪、随机旋转、色彩抖动的数据增广操作；3.构建基于Vision Transformer的肺组织癌变病理学图像分类模型；4.训练经过改进的Vision Transformer分类模型；5.在模型训练至阈值后，停止训练。本发明的有益效果为：提升了肺组织癌变病理学图像的分类精度和效率。
-
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：CN117059284A
公开(公告)日：2023-11-14
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：CN116188435B
公开(公告)日：2023-11-07
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。
-
-
-
-
-
-
-
-
-
Search Results
19
records
(took 0.019 seconds)
