-
公开(公告)号：CN114496105A
公开(公告)日：2022-05-13
申请号：CN202210080029.X
申请日：2022-01-24
Applicant: 武汉大学
Abstract: 本发明提供了一种基于多语义网络的单步逆合成方法及系统，在进行单步逆合成预测的时，输入目标产物分子的ECFP4特征和SMILES词单热特征，经过多语义网络之后，以反应模板的形式输出该目标产物分子上可能发生的前k条反应。根据输出的反应模板，结合目标产物分子的SMILES字符串，最终计算得到目标产物分子所对应的反应物的SMILES字符串，实现单步逆合成预测。本发明是单步逆合成领域中第一个使用多语义融合网络来进行单步逆合成预测的，是基于模板的单步逆合成方法，预测结果具有较强的可解释性。网络除了对融合语义特征学习之外，还分别对ECFP4语义特征和SMILES词单热语义特征学习，从而增强了融合语义特征对分子的表达能力，进而提高了网络的预测结果精度。
-
公开(公告)号：CN110633651B
公开(公告)日：2022-05-13
申请号：CN201910790102.0
申请日：2019-08-26
Applicant: 武汉大学
IPC: G06V20/69 , G06V10/80 , G06V10/774 , G06V10/764 , G06K9/62 , G06T3/40 , G06T7/00 , G06T7/66
Abstract: 本发明公开了一种基于图像拼接的异常细胞自动识别方法，首先自动定位出细胞病理图像中所有的细胞；其次，对于每一个细胞以细胞核的质心坐标为中心，以一定长度为边长确定一个ROI图像；然后将所有的ROI图像进行分组拼接，从而得到若干分辨率更大的细胞拼接图像SpliceImage；最后，将所有细胞拼接图像SpliceImage作为深度卷积神经网络模型的输入，训练细胞分类器实现对细胞的分类，从而识别出异常的病理细胞。在国际公开的宫颈细胞病理图像HERLEV数据集上的实验表明，本发明所提出的一种新型的基于图像拼接的异常细胞自动识别方法相对于其它方法而言，在较大程度提高异常细胞识别精度及检出率的同时，还能明显提高异常细胞的识别效率，因此具有较大的社会实用价值。
-
公开(公告)号：CN112488234B
公开(公告)日：2022-04-29
申请号：CN202011454778.1
申请日：2020-12-10
Applicant: 武汉大学
IPC: G06V10/764 , G06V10/774 , G06V10/82 , G06V10/26 , G06V20/69 , G06K9/62 , G06N3/04 , G06N3/08
Abstract: 本发明公开了一种基于注意力池化的端到端组织病理图像分类方法，该方法的具体步骤包括：S1：将组织病理图像切分成指定大小的切片，去除背景区域过多的切片，剩余的切片组成一个包。S2：将S1中得到的包作为输入，利用标准的多示例学习的方法训练一个深度神经网络。S3：使用训练后的深度神经网络对所有的切片打分，取每张全玻片图像得分最高和最低的m张切片，集合为一个新的包。S4：搭建一个包含注意力模块的深度神经网络，使用步骤S3得到的新包训练该网络。S5：将待分类的组织病理图像经S1和S3处理后，使用S4得到的模型进行分类。本发明可以在当前只有少量样本的情形下得到较好的分类效果，为医生提供辅助诊断机制，缓解医疗资源紧张的问题。
-
公开(公告)号：CN111134662B
公开(公告)日：2021-04-16
申请号：CN202010096524.0
申请日：2020-02-17
Applicant: 武汉大学
Abstract: 本发明公开了一种基于迁移学习和置信度选择的心电异常信号识别方法，方法包括如下步骤：S1、对大量短时心电数据进行去噪处理；S2、搭建CNN模型，并随机初始化CNN模型中的参数；S3、使用大量的短时心电数据集训练CNN；S4、对少量的长时间心电数据进行切割，使得长度与网络输入适配；S5、使用切割后的短时数据进行迁移训练，每轮训练选择包中置信度最高的k个短时数据作为输入，S6、实现心电异常信号识别的功能。本发明使用基于迁移学习和置信度选择的心电异常信号识别方法，通过对卷积神经网络的预训练来获取信息，再使用迁移学习和置信度选择的方式提升模型在心电异常识别分类的准确率，可以辅助给医生提供参考，降低误诊、漏诊率，减轻医生的工作量。
-
公开(公告)号：CN110584649A
公开(公告)日：2019-12-20
申请号：CN201910849077.9
申请日：2019-09-09
Applicant: 武汉大学
IPC: A61B5/0402 , A61B5/00 , G06K9/00
Abstract: 本发明公开了一种动态单导心电图中异常心电信号识别方法及系统，首先对获得的原始动态单导心电数据进行预处理；然后对预处理后的心电信号数据进行质量评估，质量评估结果分为质量可接受的心电信号数据和质量不可接受的心电信号数据；接着对质量可接受的心电信号数据进行拼接；接下来利用拼接后的质量可接受的心电信号数据对预先构建的心电分类模型进行训练优化，获得训练好的心电分类模型；最后将待识别的动态单导心电图进行预处理、质量评估以及数据拼接的处理，输入训练好的心电分类模型，获得分类识别结果。本发明的方法可以大大提高识别和分类的准确性。
-
Patent Agency Ranking
公开(公告)号：CN109903284A
公开(公告)日：2019-06-18
申请号：CN201910159411.8
申请日：2019-03-04
Applicant: 武汉大学
Abstract: 本发明公开了一种HER2免疫组化图像自动判别方法及系统，通过对低倍放大视野图像粗分割完成了切片中阳性对照区域和有效组织区域的定位功能，不仅全面利用了切片中的有效组织区域图像信息，也考虑了阳性对照区域的信息，尽可能的消除不同切片之间因为染色、时间等可能造成的误差。同时利用神经网络模型尽可能的挖掘着色情况不同的HER2免疫组化图像的差异性，完成图像的分类，还可以生成分类结果构建的伪彩色图像。本发明还提出一种基于上述HER2免疫组化图像自动判别系统，可视化分类伪彩色图和相关统计量帮助医生快速准确完成HER2免疫组化诊断。
-
公开(公告)号：CN114360662B
公开(公告)日：2024-11-05
申请号：CN202111569573.2
申请日：2021-12-21
Applicant: 武汉大学
Abstract: 本发明提供了一种基于两路多分支CNN的单步逆合成方法及系统，其中的方法在进行单步逆合成预测时，输入待预测分子的SMILES序列，经过两路多分支卷积层，特征拼接层，全连接层后，输出反应规则集能产生该分子的前k条反应规则。根据输出的反应规则，结合待预测分子的SMILES，最终计算得到目标分子的反应物SMILES，实现单步逆合成自动化。本实施例还提出一种基于两路多分支CNN的单步逆合成系统，通过反应数据集获取，训练集构造，模型构建，模型训练，单步逆合成预测以及结果可视化等模块处理过程，实现了目标分子的单步逆合成自动化。本发明成果既可用于化学逆合成领域，也可用于生物逆合成领域，具有比现有方法更广泛的用途。
-
公开(公告)号：CN114171119B
公开(公告)日：2024-07-05
申请号：CN202111333910.8
申请日：2021-11-11
Applicant: 武汉大学
IPC: G16B20/50 , G16B40/00 , G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 本发明提供了一种基于核分数和组织病理全玻片图像的三阴性乳腺癌肿瘤突变负荷预测方法及系统，其中的方法首先筛选三阴性乳腺癌组织病理全玻片；然后根据每个三阴性乳腺癌患者的基因突变情况，计算每个患者的肿瘤突变负荷值，并根据设定的阈值划分为肿瘤突变负荷高和低两组；接着将三阴性乳腺癌组织病理全玻片图像切分为设定大小的patch；再根据核分数函数筛选出一定数量高核分数的patch；然后搭建CNN分类模型，并随机初始化CNN模型的参数；最后将筛选出来的patch放入搭建的CNN模型中训练，实现用三阴性乳腺癌组织病理全玻片图像自动预测肿瘤突变负荷高或低的结果。本发明大大提高肿瘤突变负荷的检测速度和准确些，有助于免疫治疗的推进。
-
公开(公告)号：CN115861180A
公开(公告)日：2023-03-28
申请号：CN202211396162.2
申请日：2022-11-07
Applicant: 武汉大学
IPC: G06T7/00 , G06T7/90 , G06V10/762 , G06V10/82 , G06N3/0475 , G06N3/08
Abstract: 本发明公开了一种基于改进Cycle‑GAN的H&E染色病理图像颜色归一化方法和系统，其中的方法分为三个阶段：第一个阶段，将图像转换为光密度空间OD后，利用SVD来进行颜色反卷积，从而获取染色颜色矩阵。根据训练集的染色颜色矩阵来对其进行聚类并划分域A和域B。第二个阶段使用图像的染色颜色矩阵作为模型的辅助输入，对改进自cycle‑GAN的颜色归一化生成对抗网络模型进行训练，通过正向循环周期和后向循环周期学习将不同颜色模式的图片转换为相对统一的颜色模式。第三个阶段基于cycle‑GAN的颜色归一化生成对抗网络模型就能够将待归一化的图片向域B做颜色归一化，保存上述基于改进cycle‑GAN的生成器A，向生成器A输入任意图片亦可得到颜色模式统一的归一化结果。
-
公开(公告)号：CN115713970A
公开(公告)日：2023-02-24
申请号：CN202211459776.0
申请日：2022-11-16
Applicant: 武汉大学
IPC: G16B30/00 , G06N3/08 , G06Q10/04 , G06N3/0464
Abstract: 本发明公开了基于Transformer‑Encoder和多尺度卷积神经网络的转录因子识别方法。该方法首先使用Transformer‑Encoder提取蛋白质序列的全局特征，再使用多尺度卷积神经网络从全局特征中进一步提取多尺度的局部特征，最后融合提取的多个特征，输出蛋白质序列为转录因子的概率。本发明使用基于多层多头注意力机制的Transformer‑Encoder和多尺度卷积神经网络的转录因子识别方法，可以高精度完成对未知蛋白质序列是否为转录因子的识别工作，能快速地仅依靠蛋白质序列来判断转录因子，极大地提高蛋白质标注效率。
-
-
-
-
-
-
-
-
-
Search Results
75
records
(took 0.022 seconds)
