-
公开(公告)号：CN118335268A
公开(公告)日：2024-07-12
申请号：CN202410214861.3
申请日：2024-02-27
Applicant: 中南大学
Abstract: 本发明提供了一种基于时空图网络的多中心医疗数据预测方法，包括：将时空图网络模型分裂为初始空间网络模型和初始时序网络模型分别发送至分裂服务器和多个客户端；每个客户端将采集的本地医疗数据输入初始时序网络模型得到激活并上传至分裂服务器构造群体图；将群体图输入初始空间网络模型得到空间特征，并计算损失值得到特征梯度；根据特征梯度对初始空间网络模型的参数和初始时序网络模型进行更新，得到第一局部全局模型和第二局部全局模型并将第二局部全局模型与第一局部全局模型进行合并，得到全局模型，用于对待处理的医疗数据进行预测，得到预测结果，提高了时空图网络模型的整体泛化能力，从而提高了医疗数据的预测效果。
-
公开(公告)号：CN118155709A
公开(公告)日：2024-06-07
申请号：CN202410197673.4
申请日：2024-02-22
Applicant: 中南大学
IPC: G16B20/20 , G06F18/214 , G06F18/2431 , G16B40/00 , G06F18/25
Abstract: 本公开实施例中提供了一种基于可变剪接百分比特征的致病基因预测方法，属于生物信息技术领域，具体包括：收集人类大脑RNA‑seq样本，并计算相应的PS I值，为每个基因构建一个PS I矩阵；根据PS I矩阵运行Transformer模型，得到每个基因对应的可变剪接特征；收集人类基因功能网络并运行图嵌入算法，得到每个基因的基础特征；将每个基因的可变剪接特征和基础特征进行特征融合，得到每个基因的特征表示；收集疾病关联基因与非疾病关联基因，得到训练集；利用特征表示和训练集，基于离群检测框架训练预测模型并对目标基因进行致病性预测。通过本公开的方案，提高了预测精准度。
-
公开(公告)号：CN116956138A
公开(公告)日：2023-10-27
申请号：CN202310950132.X
申请日：2023-07-31
Applicant: 中南大学
IPC: G06F18/24 , G06F18/25 , G06F18/213 , G06F18/214 , G06N3/0464 , G06N3/084 , G06N3/048
Abstract: 本申请适用于多模态学习技术领域，提供了一种基于多模态学习的影像基因融合分类方法。通过获取受试者的磁共振影像、基因表达信息以及基因序列信息；构建影像基因融合分类模型；依次将每个受试者的磁共振影像、基因表达信息以及基因序列信息输入影像基因融合分类模型，并计算影像基因融合分类模型的损失值；根据损失值，对影像基因融合分类模型进行反向传播，直至影像基因融合分类模型收敛，得到训练后的影像基因融合分类模型；将待分类者的磁共振影像、原始基因表达信息以及原始基因序列信息输入训练后的影像基因融合分类模型，得到待分类者的分类结果。本申请能够提高影像基因融合分类方法的准确度。
-
公开(公告)号：CN111090764B
公开(公告)日：2023-06-23
申请号：CN201911324397.9
申请日：2019-12-20
Applicant: 中南大学
IPC: G06V10/764 , G06V10/771 , G06V10/25 , G06V10/82 , G06N3/042 , G06N3/0464 , G06N3/08 , G06V10/80
Abstract: 本发明公开了一种基于多任务学习和图卷积神经网络的影像分类方法及装置，所述方法包括以下步骤：步骤1、分别提取每个影像的特征，每个影像的特征包括其对应的大脑D个感兴趣区域的M种形态学特征；步骤2、将每种形态学特征作为一个任务，其维度为D；基于多任务学习方法进行特征选择，得到每个影像的M种形态学特征向量；步骤3、构建基于图卷积神经网络的分类器，基于影像样本的M种形态学特征向量及其分类标签对分类器进行训练，得到训练好的分类器；步骤4、基于训练好的分类器对未知分类标签的影像进行分类。本发明能够提高影像的分类准确度。
-
公开(公告)号：CN113177943B
公开(公告)日：2021-09-07
申请号：CN202110727412.5
申请日：2021-06-29
Applicant: 中南大学
Abstract: 本发明公开了一种脑卒中CT影像分割方法，包括对缺血性脑卒中CT影像翻转，并将原始CT影像和翻转CT影像进行预处理；构建孪生多级编码器，计算模块来计算两个编码器每一级的特征差异，利用多级特征融合模块来融合特征；构建共享解码器；设计联合损失函数，在训练集上训练到最优分割模型；最后利用训练好的分割模型对未知分割标签的测试集进行缺血性脑卒中梗死分割。本发明利用特征差异计算模块来计算两个编码器每一级的特征差异，利用多级特征融合模块来融合的全局和局部特征；能够较准确的分割出CT影像中的梗死，为提升缺血性脑卒中诊断效率和准确度、降低致死率和致残率，提供了技术支撑和参考。
-
Patent Agency Ranking
公开(公告)号：CN118898623B
公开(公告)日：2024-12-10
申请号：CN202411390028.0
申请日：2024-10-08
Applicant: 中南大学
Abstract: 本发明公开了一种基于大模型微调的缺血性脑卒中医学影像分割方法，包括获取现有的缺血性脑卒中的医学影像并预处理构建训练数据集；构建包括图像对称处理网络、图像编码网络、图像嵌入网络和图像分割网络的缺血性脑卒中医学影像分割初级模型并训练得到缺血性脑卒中医学影像分割模型；获取实际的缺血性脑卒中医学影像并输入缺血性脑卒中医学影像分割模型完成实际的缺血性脑卒中医学影像的分割。本发明还公开了一种包括所述基于大模型微调的缺血性脑卒中医学影像分割方法的成像方法。基于图像对称处理网络的构建和处理生成对称数据，并基于对称数据和构建的图像嵌入网络和图像分割网络，最终不仅实现了缺血性脑卒中医学影像的分割，而且分割的可靠性更高，精确性更好。
-
公开(公告)号：CN114842258B
公开(公告)日：2024-11-15
申请号：CN202210489108.6
申请日：2022-05-07
Applicant: 中南大学
IPC: G06V10/764 , G06N3/042 , G06N3/045 , G06N3/0464 , G06N3/084 , G06T7/00 , G06F16/36 , G06V10/82 , G06V10/80 , G06V10/74 , G06V10/774
Abstract: 本公开实施例中提供了一种功能磁共振影像分类方法、系统、设备及介质，属于图像识别技术领域，具体包括：生成大脑功能链接特征；通过特征递归方法消除所述大脑功能链接特征中的冗余特征，得到目标功能链接特征；使用所述目标功能链接特征和人口学信息对群体知识嵌入进行辅助建模；利用信息关系注意机制学习群体知识嵌入中实体与实体的知识表达，并通过图自适应卷积参考群体知识嵌入中的信息关系，学习局部群体信息进行功能磁共振影像分类；采用两个交叉熵损失训练模型，并采用基于自适应学习率的Adam优化器和标签平滑公式对模型进行优化，得到分类模型。通过本公开的方案，通过有效学习挖掘局部社区群体的信息，提高了针对个体的分类效果。
-
公开(公告)号：CN113807425B
公开(公告)日：2023-11-10
申请号：CN202111064736.1
申请日：2021-09-11
Applicant: 中南大学
IPC: G06V10/764 , G06V10/774 , G06V10/762 , G06V10/82 , G06N3/08
Abstract: 本发明公开了一种基于自适应正则深度聚类的组织病理图像分类方法。首先进行预训练，直到由病理图像特征提取网络和聚类组成的无监督模型稳定即完成预训练，得到预训练的模型参数权重。然后以得到的模型参数权重作为病理图片分类模型的初始化权重，并采用有标签的病理图像进行训练以完成调参，得到训练完成的病理图片分类模型。最后将待分类的病理图像输入至训练完成的病理图片分类模型中进行分类，得到分类结果。相比于随机初始化权重的网络，使用本发明训练出来的预训练权重的模型，只需使用10％的标记数据就可以和随机初始化权重的网络使用100％的标记数据达到相同效果。且使用本发明预训练权重的网络收敛速度更快。
-
公开(公告)号：CN116540204A
公开(公告)日：2023-08-04
申请号：CN202310815506.7
申请日：2023-07-05
Applicant: 中南大学
IPC: G01S7/41 , G06F18/241 , G06F18/214 , G06N3/084
Abstract: 本申请适用于人体行为识别技术领域，提供了一种行为识别方法、装置、终端设备及介质，通过获取训练数据；构建初始行为识别网络模型，并利用训练数据对其训练，得到中间行为识别网络模型；根据真实标签，对微多普勒数据进行划分，得到多个类簇中心；利用特征提取器提取第二环境中待识别行为的特征表示，并根据特征表示和类簇中心，得到其伪标签；根据类簇中心和伪标签，构建特征分布损失函数；利用待识别行为的互信息，构建冗余损失函数；根据特征分布损失函数和冗余损失函数，对中间行为识别网络模型进行反向传播，得到最终行为识别网络模型；利用最终行为识别网络模型识别待识别行为。本申请能提高跨环境时行为识别的准确度。
-
公开(公告)号：CN116012388B
公开(公告)日：2023-06-13
申请号：CN202310312128.0
申请日：2023-03-28
Applicant: 中南大学
IPC: G06T7/10 , G06N3/0464 , G06N3/0455 , G06N3/08 , G06T19/20
Abstract: 本发明公开了一种急性缺血性脑卒中三维医学影像分割方法，包括获取急性缺血性脑卒中三维医学影像并预处理得到数据集；构建急性缺血性脑卒中三维医学影像分割模型并训练；将实际的目标三维医学影像输入模型中完成急性缺血性脑卒中三维医学影像分割。本发明还公开了一种包括所述急性缺血性脑卒中三维医学影像分割方法的成像方法。本发明提供的这种急性缺血性脑卒中三维医学影像分割方法及成像方法，通过结合卷积与Transformer作为编码器，能够实现全局特征与局部特征的有效建模，从而实现准确的急性缺血性脑卒中的三维医学影像分割和成像，而且本发明的可靠性高、精确性好且实用性好。
-
-
-
-
-
-
-
-
-
Search Results
37
records
(took 0.022 seconds)
