-
公开(公告)号：CN117059284B
公开(公告)日：2024-12-17
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：CN118053023B
公开(公告)日：2024-10-01
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：CN116665906B
公开(公告)日：2023-12-26
申请号：CN202310601158.3
申请日：2023-05-25
Applicant: 南通大学
Abstract: 本发明提供了一种基于相似性孪生网络的静息态功能磁共振脑龄预测方法，属于医学图像智能诊断技术领域，解决了传统脑龄预测方法中准确性和稳定性不足的技术问题。其技术方案为：包括以下步骤：S1：采集被试的功能性磁共振成像rs‑fMRI数据；S2：构建孪生神经网络；S3：设计特征相似性与标签相似性度量模块；S4：定义置信度评估脑龄预测模块；S5：将测试数据集中的脑部影像数据输入到该模型中进行分析，从而得出每个测试数据样本的预测脑龄。本发明的有益效果为：预测准确率高，对脑影像数据进行精确的预测，帮助医生更准确地评估患者的脑龄。
-
公开(公告)号：CN116994743A
公开(公告)日：2023-11-03
申请号：CN202310851846.5
申请日：2023-07-11
Applicant: 南通大学
IPC: G16H50/20 , G16H10/60 , G16H50/70 , G06F18/214 , G06F18/2415 , G06N3/042 , G06N3/0464 , G06N3/045 , G06N3/084
Abstract: 本发明提供了一种基于序贯三支的置信图卷积神经网络的自闭症分类方法，属于图卷积神经网络与序贯三支决策技术领域。解决了自闭症诊断过程存在的不确定性的技术问题。其技术方案为：首先，该方法通过定义置信度，描述诊断过程中存在的不确定性；然后，定义序贯三支的置信度阈值；接着，将序贯三支决策模块加入置信度图卷积神经网络模型，得到样本的预测标签；最后，通过自闭症数据集，评估自闭症预测模型的性能。本发明的有益效果为：有效提升自闭症的分类准确率。
-
公开(公告)号：CN116665906A
公开(公告)日：2023-08-29
申请号：CN202310601158.3
申请日：2023-05-25
Applicant: 南通大学
Abstract: 本发明提供了一种基于相似性孪生网络的静息态功能磁共振脑龄预测方法，属于医学图像智能诊断技术领域，解决了传统脑龄预测方法中准确性和稳定性不足的技术问题。其技术方案为：包括以下步骤：S1：采集被试的功能性磁共振成像rs‑fMRI数据；S2：构建孪生神经网络；S3：设计特征相似性与标签相似性度量模块；S4：定义置信度评估脑龄预测模块；S5：将测试数据集中的脑部影像数据输入到该模型中进行分析，从而得出每个测试数据样本的预测脑龄。本发明的有益效果为：预测准确率高，对脑影像数据进行精确的预测，帮助医生更准确地评估患者的脑龄。
-
Patent Agency Ranking
公开(公告)号：CN116188435A
公开(公告)日：2023-05-30
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。
-
公开(公告)号：CN120067379A
公开(公告)日：2025-05-30
申请号：CN202510132059.4
申请日：2025-02-06
Applicant: 南通大学
IPC: G06F16/583 , G06F16/55 , G06V10/762 , G06V10/44 , G06V10/82 , G06N3/043 , G06N3/0455 , G06N3/08
Abstract: 本发明提供了基于模糊哈希网络的医学图像检索方法，解决了当前深度哈希算法在医学图像检索中面临的图像复杂性、不确定性以及数据不平衡的技术问题。其技术方案为：首先，建立医学图像数据库并划分测试集和训练集；其次，基于模糊规则构建模糊哈希网络；然后，计算哈希中心损失、平衡损失、量化损失和分类损失；再次，根据损失函数采用交替学习算法优化网络参数；最后，从测试集读取图像，检索数据库中相似的图像，并计算检索的平均精度。本发明的有益效果为：增强了对医学图像中不确定性信息和类别不平衡问题的处理能力，提高了医学图像检索的准确性。
-
公开(公告)号：CN119942136A
公开(公告)日：2025-05-06
申请号：CN202510021994.3
申请日：2025-01-07
Applicant: 南通大学
IPC: G06V10/40 , G06V10/764 , G06V10/774 , G16H50/20 , G06N3/0455 , G06N3/048 , G06N3/08
Abstract: 本发明提供了一种基于直觉模糊编码器的阿尔茨海默症图像特征选择方法，属于医学信息智能处理技术领域，解决了阿尔茨海默症分析时高维特征冗余，分类效果不佳的技术问题。技术方案为：包括以下步骤：S10采集被试的阿尔茨海默症试样本集进行预处理；S20计算每个样本的隶属度和非隶属度，构建基于直觉模糊集的得分矩阵；S30预训练一个全局样本的直觉模糊自动编码器模型；S40构建稀疏特征编码网络，迁移学习参数，对权重矩阵进行稀疏化处理以获得重要特征。本发明的有益效果为：能够有效处理病理数据特征冗余问题，既降低数据维度以减少计算需求，又提高了分类准确率，为实际临床诊断提供了技术支持。
-
公开(公告)号：CN119049713A
公开(公告)日：2024-11-29
申请号：CN202411142024.0
申请日：2024-08-20
Applicant: 南通大学
IPC: G16H50/30 , G16H50/70 , G06N3/045 , G06N3/0464 , G06N3/084 , G06N3/0985 , G06F18/25 , A61B5/055 , A61B5/00
Abstract: 本发明提供了一种基于优化排序对比损失函数的脑龄协同预测方法，属于深度学习与医学影像技术领域，包括以下步骤：S1：收集受试者的脑部核磁共振成像数据集，按比例划分为训练集、验证集和测试集；S2：构建多模态模糊融合脑龄协同预测模型；S3：将训练集输入模型，采用优化排序对比损失函数进行训练，通过反向传播算法更新模型参数；S4：将验证集输入模型，进行超参数调优和模型选择，确定最佳模型参数；S5：将测试集输入最佳模型，进行年龄预测，并将预测结果与真实年龄比较，评估模型性能。本发明基于优化排序对比损失函数进行多模态模糊融合预测，充分利用多模态数据的信息，提高脑龄预测的准确性和稳定性。
-
公开(公告)号：CN118093911A
公开(公告)日：2024-05-28
申请号：CN202410234959.5
申请日：2024-03-01
Applicant: 南通大学
IPC: G06F16/51 , G06F16/583 , G06N3/0464 , G06N3/0455 , G06N3/08
Abstract: 本发明提供了用于医学图像检索目标攻击的模糊Transformer哈希方法，解决了目前深度哈希模型在医学图像检索中鲁棒性差、易受对抗样本影响的技术问题。其技术方案为：建立医学图像数据库，构建模糊Transformer哈希模型，模型主要有四个部分：视觉Transformer哈希模型、原型网络、残差模糊生成器和判别器；计算各部分的损失函数以及采用交替学习算法优化；将测试集生成的原型码和对抗样本作为查询样本在数据库中检索，并使用目标平均精度t‑MAP评估模型的目标攻击性能。本发明的有益效果为：增强了在医学图像检索过程中模型的鲁棒性和抗干扰性，提高了医学图像检索的准确率。
-
-
-
-
-
-
-
-
-
Search Results
20
records
(took 0.019 seconds)
