-
公开(公告)号：CN116665906A
公开(公告)日：2023-08-29
申请号：CN202310601158.3
申请日：2023-05-25
Applicant: 南通大学
Abstract: 本发明提供了一种基于相似性孪生网络的静息态功能磁共振脑龄预测方法，属于医学图像智能诊断技术领域，解决了传统脑龄预测方法中准确性和稳定性不足的技术问题。其技术方案为：包括以下步骤：S1：采集被试的功能性磁共振成像rs‑fMRI数据；S2：构建孪生神经网络；S3：设计特征相似性与标签相似性度量模块；S4：定义置信度评估脑龄预测模块；S5：将测试数据集中的脑部影像数据输入到该模型中进行分析，从而得出每个测试数据样本的预测脑龄。本发明的有益效果为：预测准确率高，对脑影像数据进行精确的预测，帮助医生更准确地评估患者的脑龄。
-
公开(公告)号：CN116188435A
公开(公告)日：2023-05-30
申请号：CN202310195481.5
申请日：2023-03-02
Applicant: 南通大学
Abstract: 本发明提供了一种基于模糊逻辑的医学图像深度分割方法，属于医学图像智能处理技术领域。解决了医学图像数据集数据不足导致医学图像分割准确率低的问题。其技术方案为：包括如下步骤：S1、对眼底医学图像数据集进行扩充，将彩色眼底图像以中心点随机旋转生成新的图片；S2、使用CNN和Transformer模型分别提取眼底图像特征；S3、设计模糊融合模块将两个分支提取的特征进行结合；S4、构造模糊注意力融合模块逐步上采样与融合不同尺度特征图；S5、搭建基于模糊逻辑的深度学习网络FTransCNN。本发明有益效果为：使用模糊逻辑将两种深度学习模型特征进行融合，更自然、合理的表示眼底血管区域边缘的不准确信息。
-
公开(公告)号：CN114972279A
公开(公告)日：2022-08-30
申请号：CN202210632508.8
申请日：2022-06-06
Applicant: 南通大学
Abstract: 本发明涉及医学信息智能处理技术领域，尤其涉及用于视网膜血管不确定边界精准分割的三支U‑Net方法。本发明利用数学形态学的膨胀和腐蚀算子对血管边界标签不确定性进行描述，基于膨胀和腐蚀算子分别构建不确定边界的上界和下界，得到血管边界的极大值和极小值，将带有不确定信息的边界映射到一个范围之内；将边界的不确定性表示与损失函数相结合并设计三支损失函数；利用三支损失函数的总损失，采用随机梯度下降算法训练网络参数；设计并实现具有眼底数据采集、视网膜血管智能精准分割以及辅助诊断功能的视网膜血管智能分割辅助诊断应用系统。本发明可以显著提升视网膜血管不确定边界分割的准确率，为患者提供个性化医疗服务。
-
公开(公告)号：CN111815574B
公开(公告)日：2022-08-12
申请号：CN202010558465.4
申请日：2020-06-18
Applicant: 南通大学
Abstract: 本发明提供了一种用于眼底视网膜血管图像分割的粗糙集神经网络方法，包括如下步骤：S10图像预处理，获得基于粗糙集增强眼底视网膜血管图像；S20构建U‑net神经网络模型；S30利用粒子群优化算法(PSO)对所述U‑net神经网络模型进行优化训练，获得PSO‑U‑net神经网络模型；以及S40将待测彩色眼底视网膜血管图像采用粗糙集理论进行图像增强预处理后使用所述PSO‑U‑net神经网络模型对所述待测彩色眼底视网膜血管图像分割。本发明的一种用于眼底视网膜血管图像分割的粗糙集神经网络方法，减少了医护人员的工作量，避免了医护人员经验和技能的差别对同一幅眼底图像分割结果存在的差异，有效的进行彩色眼底视网膜血管图像分割，获得更高的分割精度和效率。
-
公开(公告)号：CN114860940A
公开(公告)日：2022-08-05
申请号：CN202210630111.5
申请日：2022-06-06
Applicant: 南通大学
Abstract: 本发明涉及到医学信息智能处理领域，具体涉及一种用于慢性肾病病历分类的粗糙证据粒球Spark方法。首先在主节点上读取慢性肾病病历数据，并将该数据集划分为训练集和测试集；接着在子节点上将训练子集样本并行划分生成多个粗糙证据粒球；然后利用基于粗糙证据粒球的Spark并行病理属性约简方法来获得训练子集的病理属性约简子集，并更新所有训练子集和测试集的病理属性集；最后通过Spark并行化的粗糙证据粒球邻域分类方法获得测试集样本的预测类别标签结果。本发明可以有效地去除大规模慢性肾脏病历数据中冗余的病理属性，并利用粗糙证据减少冗余样本和异常样本对决策过程的影响，从而提升了大规模慢性肾脏病历数据的分类精度和计算效率。
-
Patent Agency Ranking
公开(公告)号：CN114463583A
公开(公告)日：2022-05-10
申请号：CN202210093092.7
申请日：2022-01-26
Applicant: 南通大学
IPC: G06V10/764 , G06V10/774 , G06V10/82 , G06K9/62 , G06N3/04 , G06N3/08
Abstract: 本发明涉及医学图像处理技术领域，具体涉及一种用于肺炎CT图像分类的深度哈希方法。该发明首先建立肺炎CT图像数据集，统一肺炎CT图像尺寸，并将其划分成训练集Tr和测试集Te；然后构建深度哈希网络模型，根据哈希编码计算相似度损失LS和对比损失Lcl，构造总的损失函数L；其次引入多任务哈希训练策略，使用交替学习算法优化损失函数L，并保存深度哈希网络模型；最后读取测试集中进行CT图像分类。本发明的有益效果是该深度哈希方法能准确找出不同肺部CT图像间的微小差异，使训练模型大大降低存储空间和训练时间，有效提高了大规模肺炎CT图像分类的效率，同时充分发挥了双线性卷积神经网络对细粒度CT图像特征提取优势，有效提升了识别准确性和泛化鲁棒性。
-
公开(公告)号：CN110930412B
公开(公告)日：2022-04-22
申请号：CN201911200695.7
申请日：2019-11-29
Applicant: 南通大学
IPC: G06T7/10 , G06K9/62 , G06N3/00 , G06V10/762
Abstract: 本发明涉及到眼底血管图像聚类操作技术领域，具体来说涉及一种用于眼底血管图像聚类分割的近似骨架蛙群编号方法。本发明借助聚类方法，对眼底图像进行分割处理，根据病变点高亮的特性对病变点进行定位和剔除。为了获得更好的聚类分割效果，采用智能算法中较为有效且便于理解的混合蛙跳算法对K‑means算法进行改进并使用近似骨架进一步充分利用算法获得的局部最优解，改进后的算法能有效克服原始K‑means算法易于收敛至局部最优而无法有效进行图像分割缺点，获得更好的眼底血管聚类分割效果，更准确的分离出眼底血管的病变点。
-
公开(公告)号：CN111242156B
公开(公告)日：2022-02-08
申请号：CN201911104118.8
申请日：2019-11-13
Applicant: 南通大学
IPC: G06V10/764 , G06V10/774 , G06V10/75 , G06K9/62
Abstract: 本发明公开一种用于微血管瘤病历图像的超平面近邻分类方法。该方法首先对糖尿病性眼底图像数据进行预处理和分割操作，从处理后的眼底病历图像中提取出微血管瘤病历图像的病变区域；接着将微血管瘤病变的图像区域形态学特征、纹理特征及灰度特征转化为l维数据向量xi；然后将数据分为训练数据Xtr和测试数据Xte，通过对训练数据Xtr进行训练得到一个包括分类超平面Hyper、支持向量集合Xsv、距离阈值t、最近邻居个数k、和谱哈希编码码长nb的高效分类模型；最后测试数据Xte预测时依据测试样本到分类超平面Hyper的距离与距离阈值t的关系，分别采用支持向量机模型和融合谱哈希算法的近邻算法进行预测，并综合相关预测结果。本发明能对提取出的眼底病历中微血管瘤病历图像特征进行快速有效分类，具有较高的分类准确率，大大降低了微血管瘤病历图像特征分类的执行时间。
-
公开(公告)号：CN113902006A
公开(公告)日：2022-01-07
申请号：CN202111163979.0
申请日：2021-09-30
Applicant: 南通大学
Abstract: 本发明提供一种基于粒度优化特征的宫颈细胞图像半监督分类方法，包括如下步骤：(1)利用有限的标记训练样本和类别隶属模糊方法，得到训练和测试样本的粒度特征；(2)使用近邻粗糙集方法去除冗余特征，对粒度特征进行优化，以降低样本粒度特征规模；(3)利用标记样本训练BP神经网络得到基分类器；(4)从未标记样本数据中不断选取候选样本进行标记，将新标记的候选样本扩充到原始训练样本中对BP网络进行再次训练，重复扩充和再训练过程，直到标记样本数目达到相应标准。本发明能够准确高效地对宫颈细胞图像进行分类，兼具更优的分类准确率和kappa系数。
-
公开(公告)号：CN113838532A
公开(公告)日：2021-12-24
申请号：CN202110845531.0
申请日：2021-07-26
Applicant: 南通大学
Abstract: 本发明提供了一种基于双重自适应邻域半径的多粒度乳腺癌基因分类方法，读取大规模基因位点数据并做归一化处理，并对大规模基因位点进行数据分析；利用轮廓系数和PCA降维可视化相结合方式，选取最佳K值，调整信息粒化的模型；其次，使用启发式约简算法分别实现基于簇心距离自适应邻域半径的多粒度属性约简基于属性包含度的邻域半径的多粒度属性约简，并采用SVM支持向量机机器学习分类算法对乳腺癌基因大数据进行分类和预测。本发明的有益效果是：调整惩罚项使模型在乳腺癌基因分类具有较高的准确率和召回率，去除大规模数据中冗余属性，提高了计算效率，利用样本之间的支持信息，提升了乳腺癌数据分类的效率和精度。
-
-
-
-
-
-
-
-
-
Search Results
103
records
(took 0.029 seconds)
