-
公开(公告)号：CN115730253A
公开(公告)日：2023-03-03
申请号：CN202211456613.7
申请日：2022-11-21
IPC: G06F18/2411 , G06F18/214 , G16H50/20 , G16H50/70
Abstract: 本发明涉及一种基于图核的动态脑网络状态构建方法。本发明包括以下步骤：S10、使用由静息态功能磁共振数据得到的感兴趣时间序列通过滑动窗构建每个样本的动态连接矩阵，并对所得到动态连接矩阵进行稀疏化，得到结构更为精简的系数动态连接网络；S20、利用最短路径图核构建步骤S10中动态脑网络之间的结构相似性矩阵，为每个网络选择结构最为相似的网络进行合并，构建网络状态，重复上述操作，直至产生设定数目的网络状态；S30、每一个状态均有特征表示，抽取步骤S20中所获得的网络状态的特征，将同一个样本的所有网络状态用一个包表示，则所有状态的特征集合称为包特征，基于包特征，使用多实例分类器，获取最终的分类结果。
-
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：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：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：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。
-
Patent Agency Ranking
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：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：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
85
records
(took 0.022 seconds)
