-
公开(公告)号：CN118053023A
公开(公告)日：2024-05-17
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：CN119941760A
公开(公告)日：2025-05-06
申请号：CN202510086101.3
申请日：2025-01-20
Applicant: 南通大学
IPC: G06T7/11 , G06T7/00 , G06T5/50 , G06T3/4038 , G06T3/4046 , G06N3/0455 , G06N3/0464 , G06N3/048 , G06N3/084 , G06N3/0895
Abstract: 本发明提供了一种基于模糊增强Transformer的弱监督组织病理图像分割方法，属于医学图像智能处理技术领域。解决了医学图像数据标签获取成本高导致难以投入实际应用的技术问题，其技术方案为：首先从组织病理数据集中读取图像，并进行数据预处理；接下来将图像输入Transformer中，获取注意力矩阵及最终层输出；接着利用模糊增强注意力模块生成模糊增强注意力图，并用于引导池化操作来训练Transformer模型；最后，提取模型的模糊增强注意力图，经过后处理生成病理图像分割结果。本发明的有益效果为：使用易于获取的图像级标签实现准确的组织病理图像分割，推动深度学习在医疗诊断领域的实际应用。
-
公开(公告)号：CN119132625B
公开(公告)日：2025-04-29
申请号：CN202311600404.X
申请日：2023-11-27
Applicant: 南通大学
IPC: G16H50/70 , G16H50/20 , G06F16/901 , G06F16/903 , G06F18/2113 , G06F18/214 , G06F18/243 , G06F18/20 , G06N5/01 , G06N20/20
Abstract: 本发明提供了基于结构‑功能脑网络局部耦合模式的精神疾病分类方法，属于医学信息智能诊断技术领域；其技术方案为：对结构脑网络的连接矩阵进行频繁子图挖掘，获得所有的频繁连通子图；通过挖掘出的所有频繁连通子图，计算结构脑网络和功能脑网络之间的耦合系数；再通过五折交叉验证，使用lasso模型对获得的耦合系数进行特征选择；对经过属性约简后获得的耦合系数使用随机森林分类以评估准确性。本发明的有益效果为：本发明可以更好地捕捉结构‑脑网络的关键特征，显著提高了精神疾病分类的准确性和效率，帮助医生为患者制定更有效的治疗计划。
-
公开(公告)号：CN119479866A
公开(公告)日：2025-02-18
申请号：CN202411650892.X
申请日：2024-11-19
Applicant: 南通大学
IPC: G16C20/10 , G16C20/70 , G06N3/0455 , G06F18/213 , G06F18/25 , G06F18/214 , G06F18/21 , G06N3/048 , G06F18/22 , G06N3/08
Abstract: 本发明提供了一种基于双编码器的多层级有机化学反应的预测方法，属于机器学习辅助有机化学技术领域。解决了Transformer模型缺少对分子间相互作用的关注、编码不足和泛化能力不强的技术问题。其技术方案：包括以下步骤：S10、对化学反应SMILES序列数据集进行预处理；S20、利用原子编码器和分子编码器分别对输入化学反应进行特征提取；S30、在原子和分子特征表示上运用多层次特征融合；S40、模型预测结果与目标得到的loss和对比学习的loss进行权重相加，训练模型；S50、运用训练好的模型预测化学产物。本发明的有益效果为：提高化学产物预测的准确率，提升模型的泛化能力。
-
Patent Agency Ranking
公开(公告)号：CN119132625A
公开(公告)日：2024-12-13
申请号：CN202311600404.X
申请日：2023-11-27
Applicant: 南通大学
IPC: G16H50/70 , G16H50/20 , G06F16/901 , G06F16/903 , G06F18/2113 , G06F18/214 , G06F18/243 , G06F18/20 , G06N5/01 , G06N20/20
Abstract: 本发明提供了基于结构‑功能脑网络局部耦合模式的精神疾病分类方法，属于医学信息智能诊断技术领域；其技术方案为：对结构脑网络的连接矩阵进行频繁子图挖掘，获得所有的频繁连通子图；通过挖掘出的所有频繁连通子图，计算结构脑网络和功能脑网络之间的耦合系数；再通过五折交叉验证，使用lasso模型对获得的耦合系数进行特征选择；对经过属性约简后获得的耦合系数使用随机森林分类以评估准确性。本发明的有益效果为：本发明可以更好地捕捉结构‑脑网络的关键特征，显著提高了精神疾病分类的准确性和效率，帮助医生为患者制定更有效的治疗计划。
-
公开(公告)号：CN116596836B
公开(公告)日：2024-12-03
申请号：CN202310226858.9
申请日：2023-03-07
Applicant: 南通大学
IPC: G06T7/00 , G06V10/764 , G06V10/80 , G06V10/40 , G16H50/20
Abstract: 本发明提供了一种基于多视图邻域证据熵的肺炎CT影像属性约简方法，属于智慧医疗技术领域，解决了肺炎CT影像中存在过多冗余病理属性，导致病变情况不能及时检测的问题。其技术方案为：包括如下步骤：S10、读取肺炎CT影像数据集；S20、通过稀疏表示和距离度量两个视图表示肺炎CT影像数据样本之间的相关性，并通过融合和删除两阶段刻画邻域范围；S30、将证据理论和邻域熵融合，构造邻域证据熵，用于刻画肺炎CT影像数据的属性重要度；S40、计算肺炎CT影像数据集中的属性约简集合。本发明的有益效果为：降低肺炎CT影像数据的检测时间，并提高检测效率，帮助医生有效分析肺炎的病变情况。
-
公开(公告)号：CN118537680A
公开(公告)日：2024-08-23
申请号：CN202410715820.2
申请日：2024-06-04
Applicant: 南通大学
IPC: G06V10/774 , A61B5/055 , A61B5/00 , G06V10/44 , G06V10/80 , G06V10/766 , G06T7/00
Abstract: 本发明提供了一种基于多模态模糊特征融合的脑龄预测方法，属于医学影像与计算机科学的交叉领域。其技术方案为：包括以下步骤：S1：采集受试者的核磁共振成像组成原始样本集；S2：对原始样本集进行预处理；S3：利用深度卷积神经网络提取三个不同模态的特征，并将其径向拼接；S4：设计基于Choquet积分的模糊融合模块；S5：设计协同卷积融合模块；S6：基于线性回归得到预测年龄，构成一个完整的脑龄预测神经网络。本发明的有益效果为：模糊融合提取到的多模态特征，克服了单一模态的局限性，多模态融合过程中的不确定性，提高了脑龄预测模型的预测能力，从而更有效地应对复杂的脑龄预测任务。
-
公开(公告)号：CN116759069B
公开(公告)日：2024-07-23
申请号：CN202310651001.1
申请日：2023-06-02
Applicant: 南通大学
Abstract: 本发明提供了一种用于大规模认知障碍疾病检测的动态加权属性约简方法，属于医学信息智能处理技术领域，传统方法在处理大规模数据处理时间较长，复杂的认知障碍疾病特征选择中会导致不确定性的技术问题。其技术方案为：包括以下步骤：S1、大规模认知障碍疾病数据获取与预处理；S2、计算认知障碍疾病原始数据和增量数据的知识粒度；S3、构建动态特征交互加权属性树；S4、将构建的动态特征交互加权属性树分支，每轮分支结束时将低权重属性添加到交互集F中进行增量特征交互；S5、在所有属性树完成分支后，将计算节点约简集输出到主节点，获得大规模认知障碍疾病数据约简。本发明的有益效果为：可以有效提高特征选择的速度并提高精度。
-
公开(公告)号：CN116596836A
公开(公告)日：2023-08-15
申请号：CN202310226858.9
申请日：2023-03-07
Applicant: 南通大学
IPC: G06T7/00 , G06V10/764 , G06V10/80 , G06V10/40 , G16H50/20
Abstract: 本发明提供了一种基于多视图邻域证据熵的肺炎CT影像属性约简方法，属于智慧医疗技术领域，解决了肺炎CT影像中存在过多冗余病理属性，导致病变情况不能及时检测的问题。其技术方案为：包括如下步骤：S10、读取肺炎CT影像数据集；S20、通过稀疏表示和距离度量两个视图表示肺炎CT影像数据样本之间的相关性，并通过融合和删除两阶段刻画邻域范围；S30、将证据理论和邻域熵融合，构造邻域证据熵，用于刻画肺炎CT影像数据的属性重要度；S40、计算肺炎CT影像数据集中的属性约简集合。本发明的有益效果为：降低肺炎CT影像数据的检测时间，并提高检测效率，帮助医生有效分析肺炎的病变情况。
-
-
-
-
-
-
-
-
Search Results
29
records
(took 0.028 seconds)
