-
公开(公告)号：CN116798515A
公开(公告)日：2023-09-22
申请号：CN202310678619.7
申请日：2023-06-08
Applicant: 中国科学院计算技术研究所
IPC: G16B20/50 , G16B40/20 , G06F18/24 , G06N3/0464 , G06N3/08
Abstract: 本发明提出一种基于分层深度多示例学习的基因突变预测方法和系统。本发明首先使用监督学习方法将目标区域缩小到癌症区域，从而减少大量不相关Patch对随后的弱监督学习的噪声影响；然后，基于对比学习得到的Patch特征表示和癌症区域聚类结果，确保Patch选取的全面性。最后，本发明提出了一种新的分层深度多示例学习(HDMIL)方法，该方法可以确保足够多的Patch被考虑到、错误选取的Patch被忽略掉。且本发明方法具有可解释性。本发明提出的HDMIL可以找到与基因突变最相关的Patch。
-
公开(公告)号：CN112101409B
公开(公告)日：2023-06-20
申请号：CN202010772358.1
申请日：2020-08-04
Applicant: 中国科学院计算技术研究所
IPC: G06V10/764 , G06V10/774 , G06V10/82 , G06N3/0464 , G06N3/08 , G16H30/00
Abstract: 一种基于病理图像的肿瘤突变负荷(TMB)分类方法，其包括以下步骤：根据至少一分类阈值将已知病理图像按照TMB分为多个类型；将所述已知病理图像切割为多张已知图块，再将所述多张已知图块重新拼接为所述已知病理图像，按照所述多个类型对所述多张已知图块进行标注，以构建初步训练集；采用多分类投票法对所述初步训练集进行清洗，以构建最终训练集；通过所述最终训练集对卷积神经网络进行训练，以构建分类模型；对目标病例的目标病理图像进行预处理，以获得多张目标图块；以及以所述分类模型对所述目标图块进行分类，以获取所述目标图块的TMB分类结果，并且根据所有所述目标图块的TMB分类结果，通过多数投票法获取所述目标病理图像的TMB分类结果。
-
公开(公告)号：CN101634979B
公开(公告)日：2011-09-07
申请号：CN200810117019.9
申请日：2008-07-22
Applicant: 中国科学院计算技术研究所
IPC: G06F15/80 , G06F15/163 , G06F17/50 , G06F9/52
Abstract: 本发明公开一种满足systemC的多核处理器，包括：多个用于交换数据的交换单元连接形成的阵列，与所述交换单元连接的多个用于数据处理的包括本地资源单元的处理单元，所述处理单元通过本地资源单元经交换单元适配器与交换单元阵列连接到其它处理单元，其中，所述本地资源单元包括SystemC的事件处理单元组、SystemC的先进先出队列单元组和SystemC的互斥和信号量单元组中的一个或者多个。通过应用本发明，实现了支持SystemC语法单元到芯片内资源映射，使得本地资源可以用于任何多个处理单元之间、处理单元和外设之间的资源共享与同步。
-
Patent Agency Ranking
公开(公告)号：CN101634979A
公开(公告)日：2010-01-27
申请号：CN200810117019.9
申请日：2008-07-22
Applicant: 中国科学院计算技术研究所
IPC: G06F15/80 , G06F15/163 , G06F17/50 , G06F9/52
Abstract: 本发明公开一种满足systemC的多核处理器，包括：多个用于交换数据的交换单元连接形成的阵列，与所述交换单元连接的多个用于数据处理的包括本地资源单元的处理单元，所述处理单元通过本地资源单元经交换单元适配器与交换单元阵列连接到其它处理单元，其中，所述本地资源单元包括SystemC的事件处理单元组、SystemC的先进先出队列单元组和SystemC的互斥和信号量单元组中的一个或者多个。通过应用本发明，实现了支持SystemC语法单元到芯片内资源映射，使得本地资源可以用于任何多个处理单元之间、处理单元和外设之间的资源共享与同步。
-
公开(公告)号：CN100568247C
公开(公告)日：2009-12-09
申请号：CN200810117020.1
申请日：2008-07-22
Applicant: 中国科学院计算技术研究所
IPC: G06F17/50 , G06F15/80 , G06F15/163 , G06F9/46
Abstract: 本发明公开提出了一种满足systemC语法的多核处理器的事件处理单元组，所述事件处理单元组包括按照SystemC语法的sc_event、sc_event_queue的各种公有函数、wait(...)函数的各种形式以及SC_THREAD和SC_METHOD敏感表实现的逻辑电路，用于发送激活和暂停处理器的信号，并使得软件开发工具的映射算法将位于不同处理单元的多个事件处理单元组进行组合，实现多个se_event或者sc_event_queue语法单元所定义的功能、wait(...)函数的功能、SC_THREAD和SC_METHOD敏感表功能。本发明事件处理单元组在单个模块内支持多个事件，而且支持位于一个处理单元的一个事件单元触发事件，位于其它处理单元的多个事件单元接收该通知消息。
-
公开(公告)号：CN110298383B
公开(公告)日：2021-07-13
申请号：CN201910452839.1
申请日：2019-05-28
Applicant: 中国科学院计算技术研究所 , 北京腾茂盛达科技有限公司
Abstract: 本发明提出一种基于多模态深度学习的病理分类方法及系统，包括：从电子病历中提取出预先选择的属性作为结构化数据的特征表示向量，将特征表示向量平均扩增后再按照预设比例随机丢弃，丢弃的部分被替换为数字0，作为电子病历中结构化数据的病历特征向量；获取与电子病历对应的组织病理学图像，将卷积神经网络的各卷积层的特征图进行全局平均池化后拼接成一维向量，作为组织病理学图像的一种丰富的图像特征向量；将图像特征向量和病历特征向量拼接在一起，得到多模态融合向量，然后将多模态融合向量输入至全连接层，得到二值化的病理分类结果。本发明解决了单模态的特征表示来进行病理良恶性分类的准确率不高的技术问题。
-
公开(公告)号：CN110298383A
公开(公告)日：2019-10-01
申请号：CN201910452839.1
申请日：2019-05-28
Applicant: 中国科学院计算技术研究所 , 北京腾茂盛达科技有限公司
Abstract: 本发明提出一种基于多模态深度学习的病理分类方法及系统，包括：从电子病历中提取出预先选择的属性作为结构化数据的特征表示向量，将特征表示向量平均扩增后再按照预设比例随机丢弃，丢弃的部分被替换为数字0，作为电子病历中结构化数据的病历特征向量；获取与电子病历对应的组织病理学图像，将卷积神经网络的各卷积层的特征图进行全局平均池化后拼接成一维向量，作为组织病理学图像的一种丰富的图像特征向量；将图像特征向量和病历特征向量拼接在一起，得到多模态融合向量，然后将多模态融合向量输入至全连接层，得到二值化的病理分类结果。本发明解决了单模态的特征表示来进行病理良恶性分类的准确率不高的技术问题。
-
公开(公告)号：CN101315648A
公开(公告)日：2008-12-03
申请号：CN200810117020.1
申请日：2008-07-22
Applicant: 中国科学院计算技术研究所
IPC: G06F17/50 , G06F15/80 , G06F15/163 , G06F9/46
Abstract: 本发明公开提出了一种满足systemC语法的多核处理器的事件处理单元组，所述事件处理单元组包括按照SystemC语法的sc_event、sc_event_queue的各种公有函数、wait(...)函数的各种形式以及SC_THREAD和SC_METHOD敏感表实现的逻辑电路，用于发送激活和暂停处理器的信号，并使得软件开发工具的映射算法将位于不同处理单元的多个事件处理单元组进行组合，实现多个sc_event或者sc_event_queue语法单元所定义的功能、wait(...)函数的功能、SC_THREAD和SC_METHOD敏感表功能。本发明事件处理单元组在单个模块内支持多个事件，而且支持位于一个处理单元的一个事件单元触发事件，位于其它处理单元的多个事件单元接收该通知消息。
-
-
-
-
-
-
-
Search Results
18
records
(took 0.027 seconds)
