-
公开(公告)号：CN113378898B
公开(公告)日：2023-05-19
申请号：CN202110590764.0
申请日：2021-05-28
Applicant: 南通大学
IPC: G06T7/00 , G06V10/764 , G06V10/774 , G06V10/82 , G06N3/0464 , G06N3/084
Abstract: 本发明公开了一种基于相对熵损失函数卷积神经网络的脑龄预测方法，包括如下步骤：步骤1.利用采集被试的功能型磁共振影像数据形成原始样本集；步骤2.原始样本集中功能型磁共振影像数据预处理形成三维的T1图像数据并形成样本集；步骤3.将样本集划分为训练样本集和测试样本集；步骤4.利用训练样本集训练3DCNN形成脑龄预测模型，所述3DNN在训练过程中采用分类网络的相对熵损失函数反向更新3DCNN的网络参数；步骤5.将测试集输入脑龄预测模型得到预测的脑龄；用相对熵损失函数反向更新3DCNN的网络参数，同时采用中心化功能型磁共振影像数据中剔除周围无用信息，提高了脑龄预测模型的鲁棒性及预测精度。
-
公开(公告)号：CN113744228B
公开(公告)日：2023-02-07
申请号：CN202110995542.7
申请日：2021-08-27
Applicant: 南通大学
Abstract: 本发明提供了一种用于大规模脑核磁分割的最大熵多阈值蚁群进化Spark方法，属于医学信息智能处理区域技术领域。其技术方案为：首先，读取大规模脑核磁图像数据，并进行预处理操作，然后，设计改进的蚁群算法，将脑核磁图像的灰度级作为路径上的节点，蚂蚁经过的灰度级节点作为分割的阈值组，将Kapur熵作为目标函数；最后，搭建Spark框架，将改进的蚁群算法封装在可并行计算的RDD集合中，进行并行处理，得到最佳阈值组，并根据阈值组进行脑核磁图像的阈值分割。本发明的有益效果为：能够有效提高对大规模脑核磁图像信息提取的效率和精度，对脑核磁数据计算机智能辅助处理具有较强的应用价值。
-
公开(公告)号：CN115115598A
公开(公告)日：2022-09-27
申请号：CN202210765034.4
申请日：2022-06-30
Applicant: 南通大学
IPC: G06T7/00 , G06V10/44 , G06V10/50 , G06V10/764 , G06N20/10
Abstract: 本发明提供一种基于全局Gabor滤波和局部LBP特征喉癌细胞图像分类方法，包括如下步骤：S1、获取喉癌细胞图像数据集，进行数据预处理；S2、提取图像全局特征信息；S3、提取图像局部特征信息；S4、图像分类器训练；S5、测试图像标签预测，得到测试结果。本发明采用Gabor滤波方法和LBP方法，能够准确高效地对喉癌细胞图像进行分类，兼具更优的分类准确率和kappa系数。
-
公开(公告)号：CN113378898A
公开(公告)日：2021-09-10
申请号：CN202110590764.0
申请日：2021-05-28
Applicant: 南通大学
Abstract: 本发明公开了一种基于相对熵损失函数卷积神经网络的脑龄预测方法，包括如下步骤：步骤1.利用采集被试的功能型磁共振影像数据形成原始样本集；步骤2.原始样本集中功能型磁共振影像数据预处理形成三维的T1图像数据并形成样本集；步骤3.将样本集划分为训练样本集和测试样本集；步骤4.利用训练样本集训练3DCNN形成脑龄预测模型，所述3DNN在训练过程中采用分类网络的相对熵损失函数反向更新3DCNN的网络参数；步骤5.将测试集输入脑龄预测模型得到预测的脑龄；用相对熵损失函数反向更新3DCNN的网络参数，同时采用中心化功能型磁共振影像数据中剔除周围无用信息，提高了脑龄预测模型的鲁棒性及预测精度。
-
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。
-
Patent Agency Ranking
公开(公告)号：CN114491293B
公开(公告)日：2024-12-20
申请号：CN202210104815.9
申请日：2022-01-28
Applicant: 南通大学
IPC: G06F16/9536 , G06Q50/00 , G06F18/25
Abstract: 本发明属于复杂网络分析技术领域，具体涉及一种统一化融合内容信息的半监督社团检测方法。本发明的步骤为：形式化带有节点内容网络中的拓扑和内容信息；利用基于非负矩阵分解的生成框架实现基于标准NMF和SNMF的拓扑子模型，计算结构相似度构建must‑link先验信息以调整节点社团隶属度，借鉴pLSA主题模型思想，基于非负矩阵分解构建内容子模型；引入平衡因子统一化融合具有先验信息的拓扑子模型和内容子模型，进而构建统一化融合节点内容半监督社团检测模型，最后，利用梯度下降法学习模型参数，得到节点的社团隶属度矩阵，进行聚类以挖掘网络中社团结构，运用标准化互信息熵NMI和调整兰德系数ARI对模型性能进行评估。
-
公开(公告)号：CN119152253A
公开(公告)日：2024-12-17
申请号：CN202411133754.4
申请日：2024-08-19
Applicant: 南通大学
IPC: G06V10/764 , G06V10/80 , G06V10/82 , G06N3/0455 , G06N3/08
Abstract: 本发明提供了一种基于序贯三支掩码和注意力融合的Transformer解释方法，属于人工智能可解释性技术领域。解决了Transformer模型解释困难导致难以投入现实应用的技术问题，其技术方案为：首先将图像输入标准的Transformer模块，保存每一层编码器层的注意力矩阵，并聚合生成关系矩阵；接下来取出最终编码器层输出，重塑并上采样作为掩码放入掩码集；接着利用序贯三支决策选出积极掩码集，并获取初步解释结果；最后，将第一步聚合的生成关系矩阵与初步解释结果融合生成最终解释结果。本发明的有益效果为：解释效果好，对自然图像和医学图像均可得到较好的解释结果，帮助人类理解深度学习模型。
-
公开(公告)号：CN117975069B
公开(公告)日：2024-10-01
申请号：CN202410270923.2
申请日：2024-03-11
Applicant: 南通大学
IPC: G06V10/762 , G06V10/26 , G06V10/82 , G06N3/0464 , G06N3/0455
Abstract: 本发明属于医学图像处理领域，提供了一种用于脑肿瘤图像分割的深度证据FCM聚类方法，解决了医学图像分割中不能很好地保留学习到的特征空间中数据生成分布的局部结构和边缘区域划分不清晰的技术问题。其技术方案为：包括以下步骤：S10、对脑肿瘤MRI图像进行预处理；S20、利用自编码器对输入脑肿瘤图像进行特征学习并实现降维；S30、运用三支策略分配出确定的和不确定的脑肿瘤图像分割区域；S40、运用粒舱和证据理论分配不确定的图像分割区域；S50、对深度聚类模型进行训练。本方案的有益效果为：可以有效的提取脑肿瘤图像特征、降低脑肿瘤图像分割的计算复杂性、改善聚类效果，有助于医生进行更准确的诊断和治疗规划。
-
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。
-
公开(公告)号：CN117975069A
公开(公告)日：2024-05-03
申请号：CN202410270923.2
申请日：2024-03-11
Applicant: 南通大学
IPC: G06V10/762 , G06V10/26 , G06V10/82 , G06N3/0464 , G06N3/0455
Abstract: 本发明属于医学图像处理领域，提供了一种用于脑肿瘤图像分割的深度证据FCM聚类方法，解决了医学图像分割中不能很好地保留学习到的特征空间中数据生成分布的局部结构和边缘区域划分不清晰的技术问题。其技术方案为：包括以下步骤：S10、对脑肿瘤MRI图像进行预处理；S20、利用自编码器对输入脑肿瘤图像进行特征学习并实现降维；S30、运用三支策略分配出确定的和不确定的脑肿瘤图像分割区域；S40、运用粒舱和证据理论分配不确定的图像分割区域；S50、对深度聚类模型进行训练。本方案的有益效果为：可以有效的提取脑肿瘤图像特征、降低脑肿瘤图像分割的计算复杂性、改善聚类效果，有助于医生进行更准确的诊断和治疗规划。
-
-
-
-
-
-
-
-
-
Search Results
103
records
(took 0.028 seconds)
