-
公开(公告)号：CN112907604A
公开(公告)日：2021-06-04
申请号：CN202110281472.9
申请日：2021-03-16
Applicant: 南通大学
Abstract: 本发明提供了一种用于眼底棉绒斑图像分割的自适应超像素FCM方法，包括：S10、人为等比例裁剪出棉绒斑病变图像的病变区域；S20、对棉绒斑病变图像进行超像素处理，并将超像素点作为自适应FCM样本；S30、使用衍生多种群遗传算法优化自适应FCM聚类中心；S40、计算出聚类之后的逐像素损失值，回调参数；S50、形成眼底棉绒斑图像分割的遗传FCM聚类模型，输入眼底图像，既能输出分割后的眼底棉绒斑病变区域图像。本发明的一种用于眼底棉绒斑图像分割的自适应超像素FCM方法，大大降低了运行时间，提升图像分割时的精度，为相关糖尿病视网膜棉绒斑病变疾病的临床诊断和治疗提供重要的影像特征依据。
-
公开(公告)号：CN111242156A
公开(公告)日：2020-06-05
申请号：CN201911104118.8
申请日：2019-11-13
Applicant: 南通大学
IPC: G06K9/62
Abstract: 本发明公开一种用于微血管瘤病历图像的超平面近邻分类方法。该方法首先对糖尿病性眼底图像数据进行预处理和分割操作，从处理后的眼底病历图像中提取出微血管瘤病历图像的病变区域；接着将微血管瘤病变的图像区域形态学特征、纹理特征及灰度特征转化为l维数据向量xi；然后将数据分为训练数据Xtr和测试数据Xte，通过对训练数据Xtr进行训练得到一个包括分类超平面Hyper、支持向量集合Xsv、距离阈值t、最近邻居个数k、和谱哈希编码码长nb的高效分类模型；最后测试数据Xte预测时依据测试样本到分类超平面Hyper的距离与距离阈值t的关系，分别采用支持向量机模型和融合谱哈希算法的近邻算法进行预测，并综合相关预测结果。本发明能对提取出的眼底病历中微血管瘤病历图像特征进行快速有效分类，具有较高的分类准确率，大大降低了微血管瘤病历图像特征分类的执行时间。
-
公开(公告)号：CN111816270B
公开(公告)日：2022-12-09
申请号：CN202010558462.0
申请日：2020-06-18
Applicant: 南通大学
IPC: G16H10/60 , G16H50/70 , G06F16/35 , G06F16/182
Abstract: 本发明提供了大规模肝脏电子病历病变分类的属性并行约简Spark方法，包括如下步骤：S10读取肝脏电子病历的数据集合并划分成多个肝脏病历数据子集发送到相应从节点上；S20对所述肝脏病历数据子集进行不一致处理，约简肝脏病历数据中不一致的数据，然后计算肝脏病历数据属性的等价类划分值；S30根据肝脏病历数据子集中数据对象计算属性重要度；S40计算出所述从节点中肝脏病历数据子集的属性重要度集合，进行聚合操作，得到肝脏病历数据的属性重要度集合；S50计算肝脏病历数据集的属性约简集合，并判断其是否满足约简要求。本发明的大规模肝脏电子病历病变分类的属性并行约简Spark方法，有效提高大规模肝脏电子病历属性并行约简的效率和精度。
-
公开(公告)号：CN113838532B
公开(公告)日：2022-11-18
申请号：CN202110845531.0
申请日：2021-07-26
Applicant: 南通大学
Abstract: 本发明提供了一种基于双重自适应邻域半径的多粒度乳腺癌基因分类方法，读取大规模基因位点数据并做归一化处理，并对大规模基因位点进行数据分析；利用轮廓系数和PCA降维可视化相结合方式，选取最佳K值，调整信息粒化的模型；其次，使用启发式约简算法分别实现基于簇心距离自适应邻域半径的多粒度属性约简基于属性包含度的邻域半径的多粒度属性约简，并采用SVM支持向量机机器学习分类算法对乳腺癌基因大数据进行分类和预测。本发明的有益效果是：调整惩罚项使模型在乳腺癌基因分类具有较高的准确率和召回率，去除大规模数据中冗余属性，提高了计算效率，利用样本之间的支持信息，提升了乳腺癌数据分类的效率和精度。
-
公开(公告)号：CN112163133B
公开(公告)日：2021-10-08
申请号：CN202011023382.1
申请日：2020-09-25
Applicant: 南通大学
IPC: G06F16/906 , G06K9/62
Abstract: 本发明提供了一种基于多粒度证据邻域粗糙集的乳腺癌数据分类方法，包括如下步骤：S10采集乳腺癌数据集，并将所述乳腺癌数据集分为训练数据集和测试数据集；S20在所述训练数据集上构建多粒度数据；S30在不同粒度的所述病理特征约简集合下预测所述测试数据的类别标签集合；S40根据投票机制得到所述测试数据集中票数最多的类别标签，获得乳腺癌数据分类结果。本发明的一种基于多粒度证据邻域粗糙集的乳腺癌数据分类方法，去除了冗余属性压缩乳腺癌数据规模，同时在分类过程中，将证据理论引入邻域粗糙分类，充分地利用了样本之间的紧密性，提升了对乳腺癌数据分类的效率和精度，对乳腺癌智能辅助分类具有较强的应用价值。
-
Patent Agency Ranking
公开(公告)号：CN113159156A
公开(公告)日：2021-07-23
申请号：CN202110405276.8
申请日：2021-04-15
Applicant: 南通大学
Abstract: 本发明提供了一种用于宫颈癌数据分类的粗糙图卷积方法，要从宫颈癌数据中获得宫颈癌病变细胞信息的数据集合及其决策分类；计算宫颈癌数据中决策属性的依赖度，约简子集的属性重要度；按照约简子集的重要度排序选择可以得到宫颈癌数据中病理特征约简子集R；将经过粗糙集处理后的宫颈数据集转换成拓扑图的形式，作为神经网络的输入；利用神经网络采取一阶切比雪夫ChebNet的方法进行图卷积，用半监督方法进行节点分类，所得到的结果经过可视化后可求出宫颈癌数据中数据所属的类。本发明能够有效提高对宫颈癌数据进行分类的效率和精度，对宫颈癌数据计算机智能辅助分类具有较强的应用价值。
-
公开(公告)号：CN111816270A
公开(公告)日：2020-10-23
申请号：CN202010558462.0
申请日：2020-06-18
Applicant: 南通大学
IPC: G16H10/60 , G16H50/70 , G06F16/35 , G06F16/182
Abstract: 本发明提供了大规模肝脏电子病历病变分类的属性并行约简Spark方法，包括如下步骤：S10读取肝脏电子病历的数据集合并划分成多个肝脏病历数据子集发送到相应从节点上；S20对所述肝脏病历数据子集进行不一致处理，约简肝脏病历数据中不一致的数据，然后计算肝脏病历数据属性的等价类划分值；S30根据肝脏病历数据子集中数据对象计算属性重要度；S40计算出所述从节点中肝脏病历数据子集的属性重要度集合，进行聚合操作，得到肝脏病历数据的属性重要度集合；S50计算肝脏病历数据集的属性约简集合，并判断其是否满足约简要求。本发明的大规模肝脏电子病历病变分类的属性并行约简Spark方法，有效提高大规模肝脏电子病历属性并行约简的效率和精度。
-
公开(公告)号：CN111815574A
公开(公告)日：2020-10-23
申请号：CN202010558465.4
申请日：2020-06-18
Applicant: 南通大学
Abstract: 本发明提供了一种用于眼底视网膜血管图像分割的粗糙集神经网络方法，包括如下步骤：S10图像预处理，获得基于粗糙集增强眼底视网膜血管图像；S20构建U-net神经网络模型；S30利用粒子群优化算法(PSO)对所述U-net神经网络模型进行优化训练，获得PSO-U-net神经网络模型；以及S40将待测彩色眼底视网膜血管图像采用粗糙集理论进行图像增强预处理后使用所述PSO-U-net神经网络模型对所述待测彩色眼底视网膜血管图像分割。本发明的一种用于眼底视网膜血管图像分割的粗糙集神经网络方法，减少了医护人员的工作量，避免了医护人员经验和技能的差别对同一幅眼底图像分割结果存在的差异，有效的进行彩色眼底视网膜血管图像分割，获得更高的分割精度和效率。
-
公开(公告)号：CN110929775A
公开(公告)日：2020-03-27
申请号：CN201911127264.2
申请日：2019-11-18
Applicant: 南通大学
Abstract: 本发明涉及到医学信息智能处理领域，具体来说涉及一种用于视网膜病变分类的卷积神经网络权值优化方法。该方法首先获取眼底图像训练集、及其对应的多病变标签；通过单种群蛙跳算法寻找最优初始权值，然后构建卷积神经网络中的卷积层、池化层和全连接层，将最优初始权值作为第一次前向传播计算的参数；将视网膜中四种病变的四个预测值分别与真实值进行交叉熵损失计算并求和得到损失值，判断损失值是否异常，如果异常则围绕前一次前向传播的权值生成蛙群，寻找最优蛙更新网络权值；否则采用梯度下降算法更新网络权值；最后对最终权值进行优化。本发明能有效提高眼底图像多病变检测的准确率，对视网膜疾病和辅助治疗具有较强应用价值。
-
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。
-
-
-
-
-
-
-
-
-
Search Results
38
records
(took 0.03 seconds)
