-
公开(公告)号：CN117877711A
公开(公告)日：2024-04-12
申请号：CN202311577208.5
申请日：2023-11-23
Applicant: 南通大学
IPC: G16H50/20 , G06F18/211 , G06F18/243 , G06N5/01 , G06N7/02
Abstract: 本发明提供了一种面向精神分裂症的双通道模糊信息粒与特征选择方法，属于智慧医疗技术领域，解决了精神分裂症中存在过多冗余病理特征且特征间相关性难以全面表述的技术问题。其技术方案为：包括如下步骤：S10、读取精神分裂症数据集；S20、根据两种不同的粒度表示形成模糊相似关系；S30、刻画精神分裂症数据的特征重要度，对特征进行排序；S40、对不同的粒度表示形成的特征序列采用类内类间策略决定最终的特征序列。本发明的有益效果为：去除冗余病理特征，从稀疏和模糊凸半球两个粒度层面描述样本之间的模糊相关性，更精确地表示样本的紧密性，并提高检测效率，帮助医生有效分析精神分裂症的病变情况，具有较强的应用价值。
-
公开(公告)号：CN116486067A
公开(公告)日：2023-07-25
申请号：CN202310386424.5
申请日：2023-04-11
Applicant: 南通大学
IPC: G06V10/25 , G06V10/40 , G06V10/30 , G06V10/771 , G06V10/764 , G06V10/22 , G06T7/00 , G16H20/70
Abstract: 本发明提供了一种用于精神分裂症病历图像特征选择的稀疏双向Spark方法，属于精神分裂症的生物标记物选择技术领域；解决了数据集中样本分布不一致的技术问题。其技术方案为：首先，在主节点Master上，读取大规模精神分裂症病历图像数据，对其进行预处理和划分，并将数据子集广播到相应的子节点上，在第i子节点Slaveri上，通过Spark并行化的稀疏约束模型刻画样本之间的联系，得到样本最优的K个邻居(K是邻居个数)，然后，在粒化过程中引入双向互邻策略，构造基于稀疏双向的Spark粗糙集模型，在子节点Slaveri上，将启发式特征选择方法和动态优化策略结合，选取预测精神分裂症的重要脑区域。本发明的有益效果为：有助于精神分裂症的预测。
-
公开(公告)号：CN115985489A
公开(公告)日：2023-04-18
申请号：CN202211484624.6
申请日：2022-11-24
Applicant: 南通大学
Abstract: 本发明提供了基于惩罚机制的代价敏感序贯三支阴影膀胱炎分类方法，属于膀胱炎患者进行分类技术领域；其技术方案为：根据条件属性的重要性将其降序排序；其次顺序计算每个膀胱炎数据对象的隶属度，对膀胱炎数据对象进行阴影化处理，阴影域作为膀胱炎数据下一个粒度的论域；然后计算膀胱炎数据相邻两个粒度之间的两种精度差异，通过惩罚函数对膀胱炎数据的代价参数进行修改，从而确定新的阴影集阈值；如果膀胱炎数据最后一个粒度的阴影域不为空,则对其阴影集阈值进行加权求和得到新的阈值对阴影域进行分类。本发明的有益效果为：本发明分类精度好，为膀胱炎诊断提供决策支持，提高患者就医满意度。
-
公开(公告)号：CN113159156B
公开(公告)日：2023-04-18
申请号：CN202110405276.8
申请日：2021-04-15
Applicant: 南通大学
IPC: G06V10/764 , G06V10/774 , G06V10/82 , G06V10/40
Abstract: 本发明提供了一种用于宫颈癌数据分类的粗糙图卷积方法，要从宫颈癌数据中获得宫颈癌病变细胞信息的数据集合及其决策分类；计算宫颈癌数据中决策属性的依赖度，约简子集的属性重要度；按照约简子集的重要度排序选择可以得到宫颈癌数据中病理特征约简子集R；将经过粗糙集处理后的宫颈数据集转换成拓扑图的形式，作为神经网络的输入；利用神经网络采取一阶切比雪夫ChebNet的方法进行图卷积，用半监督方法进行节点分类，所得到的结果经过可视化后可求出宫颈癌数据中数据所属的类。本发明能够有效提高对宫颈癌数据进行分类的效率和精度，对宫颈癌数据计算机智能辅助分类具有较强的应用价值。
-
公开(公告)号：CN110929775B
公开(公告)日：2022-08-12
申请号：CN201911127264.2
申请日：2019-11-18
Applicant: 南通大学
Abstract: 本发明涉及到医学信息智能处理领域，具体来说涉及一种用于视网膜病变分类的卷积神经网络权值优化方法。该方法首先获取眼底图像训练集、及其对应的多病变标签；通过单种群蛙跳算法寻找最优初始权值，然后构建卷积神经网络中的卷积层、池化层和全连接层，将最优初始权值作为第一次前向传播计算的参数；将视网膜中四种病变的四个预测值分别与真实值进行交叉熵损失计算并求和得到损失值，判断损失值是否异常，如果异常则围绕前一次前向传播的权值生成蛙群，寻找最优蛙更新网络权值；否则采用梯度下降算法更新网络权值；最后对最终权值进行优化。本发明能有效提高眼底图像多病变检测的准确率，对视网膜疾病和辅助治疗具有较强应用价值。
-
Patent Agency Ranking
公开(公告)号：CN111354427B
公开(公告)日：2022-04-29
申请号：CN202010117158.2
申请日：2020-02-25
Applicant: 南通大学
Abstract: 本发明公开一种用于大规模电子健康档案知识协同约简的最近邻多粒度利润方法，首先在Spark云平台上将大规模电子健康档案数据集分割至不同的多粒度进化子种群中；接着构建一种基于最近邻多粒度利润模型，在最近邻半径中构造协同化的最近邻向量；然后求出超级精英的共享最近邻利润权重及其权重利润向量，执行超级精英权重利润矩阵的自适应动态调整策略；最后求出大规模电子健康档案数据知识协同约简集及其核属性，并将电子健康档案知识约简集存储至Spark云平台。本发明能高效取得大规模电子健康档案中不完备和模糊数据知识约简集，对电子健康档案决策支持分析具有重要意义与价值。
-
公开(公告)号：CN112232253A
公开(公告)日：2021-01-15
申请号：CN202011154195.7
申请日：2020-10-26
Applicant: 南通大学
Abstract: 本发明提供了一种粗糙合理粒度驱动的胎儿心电图异常检测方法，包括如下步骤：S10获得所有胎儿心电图样本的特征值及胎儿状态构造决策信息表；S20利用局部邻域决策粗糙集模型对胎儿心电图样本的粗糙隶属度进行计算；S30基于PSO优化算法的合理邻域选择；S40将步骤S30中所求最优邻域半径作为所述步骤S20中局部邻域决策粗糙集模型的邻域半径，更新近似集。本发明的一种粗糙合理粒度驱动的胎儿心电图异常检测方法，根据邻域信息识别异常样本，分别给出不同分布情况下样本的粗糙隶属度，为标签噪声样本提供一组伪类别标记；引入合理粒度准则，利用粒子群优化算法选择最优邻域半径，对根据伪类别标记修正后的信息表进行上下近似集的更新。
-
公开(公告)号：CN111354427A
公开(公告)日：2020-06-30
申请号：CN202010117158.2
申请日：2020-02-25
Applicant: 南通大学
Abstract: 本发明公开一种用于大规模电子健康档案知识协同约简的最近邻多粒度利润方法，首先在Spark云平台上将大规模电子健康档案数据集分割至不同的多粒度进化子种群中；接着构建一种基于最近邻多粒度利润模型，在最近邻半径中构造协同化的最近邻向量；然后求出超级精英的共享最近邻利润权重及其权重利润向量，执行超级精英权重利润矩阵的自适应动态调整策略；最后求出大规模电子健康档案数据知识协同约简集及其核属性，并将电子健康档案知识约简集存储至Spark云平台。本发明能高效取得大规模电子健康档案中不完备和模糊数据知识约简集，对电子健康档案决策支持分析具有重要意义与价值。
-
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。
-
-
-
-
-
-
-
-
-
Search Results
103
records
(took 0.034 seconds)
