-
公开(公告)号：CN118411349A
公开(公告)日：2024-07-30
申请号：CN202410568929.8
申请日：2024-05-09
Applicant: 中南大学
IPC: G06T7/00 , G06V10/774 , G06V10/82 , G06N3/042 , G06N3/045 , G06N3/0464 , G06N3/082 , G06N3/09
Abstract: 本发明公开了一种基于脑部影像的脑梗评分方法，包括基于脑部影像的脑梗评分方法，包括获取现有的脑部影像和脑部影像对应的检测人员的数据信息和脑梗评分信息并进行预处理和影像组学特征提取；利用脑区之间的解剖结构关系构建图节点，动态构建左脑结构图和右脑结构图，得到训练数据集；构建基于脑部影像的脑梗区域评分初始模型并训练得到基于脑部影像的脑梗区域评分模型；采用基于脑部影像的脑梗区域评分模型，完成目标脑部影像的脑梗评分。本发明还公开了一种包括所述基于脑部影像的脑梗评分方法的成像方法。本发明通过创新的算法设计，以及图神经网络的具体应用，不仅实现了基于脑部影像的脑梗评分，而且可靠性更高，精确性更好，效率更高。
-
公开(公告)号：CN113808753B
公开(公告)日：2023-09-26
申请号：CN202111064734.2
申请日：2021-09-11
Applicant: 中南大学
IPC: G16H50/70 , G16H50/50 , G06T7/00 , G06V10/774 , G06V10/77
Abstract: 本发明公开了一种基于多损失的分解表达学习预测辅助放化疗疗效的方法，对现有的同一肿瘤区域放化疗前和放化疗后两个阶段的CT影像，提取放射组学特征。通过多损失的分解表达学习去寻找两个阶段CT影像中肿瘤区域的共享特征和特有特征：首先通过交叉重构损失将影像的特征分解为共享特征和特有特征两个部分，然后通过固有‑变化损失强化分解效果，并基于监督损失使潜在特征具有可分行，再进行总损失计算，并通过梯度更新的方式来最小化总损失，最后得到分离后的特征。对分离后的特征进行融合，并输入到不同的分类器中，从而得到预测模型，并通过预测模型来基于放化疗前患者的肿瘤区域影像进行疗效预测。本发明能够准确的对食管癌患者进行辅助放化疗后疗效。
-
公开(公告)号：CN116012388A
公开(公告)日：2023-04-25
申请号：CN202310312128.0
申请日：2023-03-28
Applicant: 中南大学
IPC: G06T7/10 , G06N3/0464 , G06N3/0455 , G06N3/08 , G06T19/20
Abstract: 本发明公开了一种急性缺血性脑卒中三维医学影像分割方法，包括获取急性缺血性脑卒中三维医学影像并预处理得到数据集；构建急性缺血性脑卒中三维医学影像分割模型并训练；将实际的目标三维医学影像输入模型中完成急性缺血性脑卒中三维医学影像分割。本发明还公开了一种包括所述急性缺血性脑卒中三维医学影像分割方法的成像方法。本发明提供的这种急性缺血性脑卒中三维医学影像分割方法及成像方法，通过结合卷积与Transformer作为编码器，能够实现全局特征与局部特征的有效建模，从而实现准确的急性缺血性脑卒中的三维医学影像分割和成像，而且本发明的可靠性高、精确性好且实用性好。
-
公开(公告)号：CN114842258A
公开(公告)日：2022-08-02
申请号：CN202210489108.6
申请日：2022-05-07
Applicant: 中南大学
IPC: G06V10/764 , G06K9/62 , G06N3/04 , G06T7/00 , G06F16/36 , G06V10/82 , G06V10/80 , G06V10/74 , G06V10/774 , G06N3/08
Abstract: 本公开实施例中提供了一种功能磁共振影像分类方法、系统、设备及介质，属于图像识别技术领域，具体包括：生成大脑功能链接特征；通过特征递归方法消除所述大脑功能链接特征中的冗余特征，得到目标功能链接特征；使用所述目标功能链接特征和人口学信息对群体知识嵌入进行辅助建模；利用信息关系注意机制学习群体知识嵌入中实体与实体的知识表达，并通过图自适应卷积参考群体知识嵌入中的信息关系，学习局部群体信息进行功能磁共振影像分类；采用两个交叉熵损失训练模型，并采用基于自适应学习率的Adam优化器和标签平滑公式对模型进行优化，得到分类模型。通过本公开的方案，通过有效学习挖掘局部社区群体的信息，提高了针对个体的分类效果。
-
公开(公告)号：CN112488102A
公开(公告)日：2021-03-12
申请号：CN202011368629.3
申请日：2020-11-30
Applicant: 中南大学
Abstract: 本发明公开了一种基于多视图学习和深度监督自编码器的医学影像分类方法及装置，所述方法包括以下步骤：步骤1、对医学影像感兴趣区域进行小波分解，获取多频子带；步骤2、将每个子带定义为一个视图，对每个视图定量提取影像组学特征，进而得到多视图特征；步骤3、构建基于多视图特征学习的深度监督自编码器的分类网络，基于影像样本的形态学多视图特征向量及其分类标签对分类网络进行训练，得到训练好的分类模型；步骤4、基于训练好的分类模型对未知分类标签的影像进行分类。本发明能够提高医学影像的分类准确度。
-
Patent Agency Ranking
公开(公告)号：CN111552564A
公开(公告)日：2020-08-18
申请号：CN202010326117.4
申请日：2020-04-23
Applicant: 中南大学
Abstract: 本发明提供了一种基于边缘缓存的任务卸载与资源优化的方法，包括：步骤1，收集用户节点的定位与任务请求信息；步骤2，对用户节点的定位与任务请求信息进行相似度矩阵的计算与聚类；步骤3，根据相似度矩阵的计算与聚类的结果构建任务流行度列表；步骤4，根据任务流行度列表对每个类中的Cloudlet执行流行任务计算结果的缓存。本发明通过主动边缘缓存计算结果来研究边缘网络中的超可靠和低延迟的通信问题，通过允许用户节点UN根据对冲请求的概念将其计算任务卸载到多个边缘计算节点来确保可靠性，通过联合任务卸载以及对流行的可缓存任务计算结果的主动缓存，可以利用Cloudlet的计算和存储资源来最大程度地减少计算延迟。
-
公开(公告)号：CN111325268A
公开(公告)日：2020-06-23
申请号：CN202010099868.7
申请日：2020-02-18
Applicant: 中南大学
Abstract: 本发明公开了一种基于多层次特征表示和集成学习的影像分类方法及装置，所述方法包括以下步骤：步骤1：获取多个影像，并对其进行预处理；步骤2：根据预处理后的影像，分别提取其点、边及网络三种不同层次的特征向量；步骤3：分别对三种不同层次的特征向量进行特征选择，得到三种不同层次的最优特征向量；步骤4：构建三个基于单层次特征的弱分类器，分别利用影像样本三个层次的最优特征向量进行训练，得到训练好的三个弱分类器；步骤5：将待测影像三个层次的最优特征向量分别输入训练好的相应的三个弱分类器，得到该待测影像的三个分类结果；融合三个弱分类器的分类结果，得到待测影像的最终分类标签。本发明分类准确率高。
-
公开(公告)号：CN111090764A
公开(公告)日：2020-05-01
申请号：CN201911324397.9
申请日：2019-12-20
Applicant: 中南大学
Abstract: 本发明公开了一种基于多任务学习和图卷积神经网络的影像分类方法及装置，所述方法包括以下步骤：步骤1、分别提取每个影像的特征，每个影像的特征包括其对应的大脑D个感兴趣区域的M种形态学特征；步骤2、将每种形态学特征作为一个任务，其维度为D；基于多任务学习方法进行特征选择，得到每个影像的M种形态学特征向量；步骤3、构建基于图卷积神经网络的分类器，基于影像样本的M种形态学特征向量及其分类标签对分类器进行训练，得到训练好的分类器；步骤4、基于训练好的分类器对未知分类标签的影像进行分类。本发明能够提高影像的分类准确度。
-
公开(公告)号：CN107545151A
公开(公告)日：2018-01-05
申请号：CN201710779874.5
申请日：2017-09-01
Applicant: 中南大学
Abstract: 本发明公开了一种基于低秩矩阵填充的药物重定位方法。本发明首先通过集成药物和疾病相关数据，构建了药物-疾病异构网络，矩阵中的元素包括药物对、疾病对、已知药物-疾病对和未知药物-疾病对。然后利用快速矩阵填充算法填充该矩阵，为未知药物-疾病对赋予预测值，根据所填充的预测值，为所有的药物预测新适应症。本发明简单有效，通过与其他方法比较，及在多个数据集上测试表明，该发明在药物重定位方面具有较好的预测性能。
-
公开(公告)号：CN118016167B
公开(公告)日：2025-03-04
申请号：CN202410085639.8
申请日：2024-01-22
Applicant: 中南大学
IPC: G16B40/30 , G16B25/00 , G06F18/23 , G06F18/22 , G06F18/214
Abstract: 本发明公开了一种针对不平衡单细胞RNA‑seq数据的细胞聚类方法、设备和介质，方法包括：获取聚类细胞的RNA‑seq数据，生成基因表达矩阵并预处理；利用基因表达矩阵计算各细胞间的相似度，选出近似细胞作为对比学习的附加增强正例；搭建对比学习模型，并利用各细胞的正例、附加增强正例和负例训练对比学习模型，以获取细胞潜在表征；基于细胞的潜在表征对所有细胞聚类，生成细胞的伪标签；基于细胞的潜在表征计算细胞间的距离值进而选择锚点细胞；搭建知识蒸馏模型，利用锚点细胞的潜在表征和伪标签进行训练，最终使用其进行细胞聚类。本发明对来自不同测序平台、不同物种、不同组织以及不同规模的细胞数据集都有很好的聚类结果。
-
-
-
-
-
-
-
-
-
Search Results
37
records
(took 0.027 seconds)
