图像分类模型训练方法、图像分类方法、设备和介质

    公开(公告)号:CN115496955A

    公开(公告)日:2022-12-20

    申请号:CN202211459133.6

    申请日:2022-11-18

    Abstract: 本申请涉及一种图像分类模型训练方法、图像分类方法、设备和介质,通过将有标签样本输入至图像分类模型,得到监督损失;将无标签样本输入至图像分类模型,得到伪标签和半监督损失,无标签样本由无标签数据集进行不同程度的图像增强处理得到;根据无标签样本的伪标签的属性和对应的图像增强处理的程度,筛选相应无标签样本作为图像分类模型中预设分类的正样本、负样本和锚点,将正样本、负样本和锚点输入至损失函数进行计算,得到对比学习损失,负样本携带有不可靠伪标签;根据监督损失、半监督损失和对比学习损失,确定总损失,将总损失输入至图像分类模型进行反向传播以更新图像分类模型的参数,提升了模型的预测精度,加快了模型收敛速度。

    一种基于小波高频通道合成的图像去噪方法及装置

    公开(公告)号:CN115456918A

    公开(公告)日:2022-12-09

    申请号:CN202211414188.5

    申请日:2022-11-11

    Abstract: 本发明公开了一种基于小波高频通道合成的图像去噪方法及装置,将图像数据拓展到若干频域通道,经过噪声排序算法选取“低噪”若干通道和“高噪”若干通道,结合降噪网络子模块和基于风格迁移的合成网络子模块,实现图像数据去噪。图像数据使用离散小波包变换将原始数据和真值数据扩展到若干频域子通道,并分为“低噪组”小波包系数和“高噪组”小波包系数。对于低噪组,本发明搭建基于残差学习的卷积神经网络的降噪子模块,对于高噪组,搭建基于风格迁移网络的合成子模块,最后通过小波包反变换重建原始数据。本发明有效解决了图像数据在常规去噪算法中出现的“模糊”和“细节丢失”问题,在“多噪”和“高维”图像数据中表现尤为明显。

    一种基于多中心的医疗ETL任务调度方法、系统及装置

    公开(公告)号:CN115145591B

    公开(公告)日:2022-12-06

    申请号:CN202211051570.4

    申请日:2022-08-31

    Abstract: 本发明公开了一种基于多中心的医疗ETL任务调度方法、系统及装置,包括以下步骤:步骤S1:对ETL任务进行测试与验证;步骤S2:将ETL任务部署至医院中心,将ETL任务调度到若干个执行机执行;步骤S3:筛选满足待调度ETL任务的资源需求的执行机集合;步骤S4:计算所述执行机集合中各个执行机的当前任务负载;步骤S5:选择当前任务负载最小的所述执行机执行ETL任务;步骤S6:所述调度机根据优先级从所述执行机活动队列中选择ETL任务执行。本发明通过分析出任指标为当前调度机上的待调度任务选择最合适的执行机器。执行机从执行队列中选择任务进行执行,同时监测当前任务的阶段信息,从而实现集群资源利用的最大化。

    一种链式并行统计多中心就诊患者人数的方法及装置

    公开(公告)号:CN115083615B

    公开(公告)日:2022-12-06

    申请号:CN202210854341.X

    申请日:2022-07-20

    Abstract: 本发明公开了一种链式并行统计多中心就诊患者人数的方法及装置,首先构建医院集合以及每个医院的患者主索引集合,并将患者主索引集合转化为位图集合;然后构造状态梯形表,表中标签表示医院患者主索引对应的名称;状态梯形表中状态取值范围分为‑1,0,1;‑1表示开始进行计算中,0表示初始化,1表示计算完成;对表头标签与表侧标签交点元素为0的点进行‘按位与’计算,对于交点元素为‑1的点进行忽略处理,对于交点元素为1的点直接跳过进行下一点的计算;计算完成后的状态梯形表中1的数量即医院组合中患者就诊记录交集的数量。本发明利用多线程链式求解集合序列交集全组合交集元素数量的方法,使得整体计算的效率大幅度提升。

    一种高通量真实世界药物有效性与安全性评价方法及系统

    公开(公告)号:CN115148375B

    公开(公告)日:2022-11-15

    申请号:CN202211051408.2

    申请日:2022-08-31

    Abstract: 本发明公开了一种高通量真实世界药物有效性与安全性评价方法及系统,包括以下步骤:步骤S1:数据集的构建;步骤S2:构建药物有效性/安全性指标表型库;步骤S3:选定目标药物,定义目标事件、结局事件、目标日期、结局日期,并提取患者ID、目标日期和结局日期;步骤S4:在所述药物有效性/安全性指标表型库选定指标,得到目标药物‑有效性/安全性指标对;对所述目标药物‑有效性/安全性指标对利用事件序列对称分析进行高通量信号筛选,得到初筛阳性信号;步骤S5:对所述初筛阳性信号进行因果评估,确定所述目标药物的有效性与安全性。本发明通过高通量信号筛选与基于临床试验模拟的因果评估算法,高通量的完成目标药物的药物效果因果性评价。

    一种基于过滤法特征选择的功能连接矩阵处理系统及装置

    公开(公告)号:CN115147417B

    公开(公告)日:2022-11-15

    申请号:CN202211070002.9

    申请日:2022-09-02

    Abstract: 本发明公开了一种基于过滤法特征选择的功能连接矩阵处理系统及装置,包括:获取被试预处理后的静息态脑功能磁共振图像;提取时间序列;计算皮尔逊相关系数,得到皮尔逊相关系数矩阵;将皮尔逊相关系数矩阵进行向量化;利用过滤法计算定量相关性指标,并基于预设阈值,选择定量相关性指标;利用与所述疾病诊断结果相关性高的对应的定量相关性指标,对选择的功能连接特征加权处理,得到功能连接矩阵;通过所述功能连接矩阵得到预测结果。本发明在以过滤法进行特征选择的基础上,以计算得到的特征与所述疾病诊断结果的定量相关性指标对所选择的特征进行加权处理,使得与所述疾病诊断结果相关性高的特征具有更高的影响权重,提高表型预测的准确率。

    一种基于视觉反馈的指力功能可视化异常检测系统及方法

    公开(公告)号:CN115067948B

    公开(公告)日:2022-11-11

    申请号:CN202210980834.8

    申请日:2022-08-16

    Abstract: 本发明公开了一种基于视觉反馈的指力功能可视化异常检测系统及方法,包括:注意力检测模块、指力数据可视化模块、实时视觉反馈模块。步骤S1:通过注意力检测模块获取视觉反馈参数和用户注视握力期望点,并将注意力信息反馈给指力数据可视化模块;步骤S2:通过指力数据可视化模块采集、计算测试者的手指力数据,得到修饰后的握力跟随函数;步骤S3:通过实时视觉反馈模块对所述实时握力值和所述修饰后的握力跟随函数进行抑制前馈控制,得到视觉反馈参数。本发明对指力数据进行丰富的可视化处理、分析以及比对,使测试者可以通过与健康指力分配范式的实时对比,及时发现手指力功能异常的问题,采用抑制前馈控制的视觉反馈力跟随显示方法。

    基于竞争机制的区块链上医疗数据协同分析方法及系统

    公开(公告)号:CN114912136B

    公开(公告)日:2022-10-28

    申请号:CN202210825830.2

    申请日:2022-07-14

    Abstract: 本发明公开了一种基于竞争机制的区块链上医疗数据协同分析方法及系统,本发明通过引入纵向联邦学习,实现了数据不出机构即可进行模型构建,解决了在线学习模型训练方向错误的问题,因而能够构建更为准确的医疗预测模型,对特征纵向分布的数据集进行了更好的利用。本发明通过引入竞争机制,不同节点将通过样本的数据特征贡献值计算出相应的权重,并以此来争抢数据汇总权和模型梯度更新权。本发明能够根据样本的特征分布对协调方进行调整,从而能够对特征分布不固定的数据集进行更好的利用。

    基于对比学习的终末期肾病并发症风险预测系统

    公开(公告)号:CN114913982B

    公开(公告)日:2022-10-11

    申请号:CN202210838416.5

    申请日:2022-07-18

    Abstract: 本发明公开了一种基于对比学习的终末期肾病并发症风险预测系统,包括终末期肾病数据准备模块,用于利用医院电子信息系统和日常监测设备提取患者的结构化数据,并对所述结构化数据处理得到扩增结构化数据;并发症风险预测模块,用于构建并发症表征学习模型和并发症风险预测模型,将所述扩增结构化数据通过所述并发症表征学习模型训练学习得到并发症表征,并利用所述并发症表征通过所述并发症风险预测模型进行终末期肾病并发症风险预测。本发明基于倾向性得分匹配与SMOTE结合,进行数据扩增和正负样本匹配,以扩增结构化的终末期肾病数据,并解决正负样本不均衡的问题;从多个角度防止特征崩溃现象,获得更好的表征效果,从而提高模型性能。

    一种基于静息态磁共振迁移学习的脑疾病预测系统

    公开(公告)号:CN115116607A

    公开(公告)日:2022-09-27

    申请号:CN202211056174.0

    申请日:2022-08-30

    Abstract: 本发明公开了一种基于静息态磁共振迁移学习的脑疾病预测系统,分别获取健康成人静息态磁共振大数据集和对应脑疾病的患者静息态磁共振数据,预处理后配准到标准脑空间;通过匹配到标准脑空间的脑图谱提取各个脑区的时间信号;利用图卷积网络和门控循环网络构建深度学习模型并基于健康成人大数据集进行预训练;基于预训练模型和患者静息态功能磁共振数据进行模型微调和疾病预测。本发明提取静息态磁共振信号中的时空特征,利用健康成人的静息态磁共振大数据集对深度学习模型进行预训练,充分挖掘健康成人静息态磁共振中的固有时空特征模式,并将健康成人数据中学习到的先验时空特征模式迁移到脑疾病预测中,有效提高模型的预测性能。

Patent Agency Ranking