-
公开(公告)号：CN111815574A
公开(公告)日：2020-10-23
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：CN110929775A
公开(公告)日：2020-03-27
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。
-
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：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：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。
-
Patent Agency Ranking
公开(公告)号：CN113744228A
公开(公告)日：2021-12-03
申请号：CN202110995542.7
申请日：2021-08-27
Applicant: 南通大学
Abstract: 本发明提供了一种用于大规模脑核磁分割的最大熵多阈值蚁群进化Spark方法，属于医学信息智能处理区域技术领域。其技术方案为：首先，读取大规模脑核磁图像数据，并进行预处理操作，然后，设计改进的蚁群算法，将脑核磁图像的灰度级作为路径上的节点，蚂蚁经过的灰度级节点作为分割的阈值组，将Kapur熵作为目标函数；最后，搭建Spark框架，将改进的蚁群算法封装在可并行计算的RDD集合中，进行并行处理，得到最佳阈值组，并根据阈值组进行脑核磁图像的阈值分割。本发明的有益效果为：能够有效提高对大规模脑核磁图像信息提取的效率和精度，对脑核磁数据计算机智能辅助处理具有较强的应用价值。
-
公开(公告)号：CN112001887B
公开(公告)日：2021-11-09
申请号：CN202010697178.1
申请日：2020-07-20
Applicant: 南通大学
Abstract: 本发明公开了一种用于婴幼儿脑病历图像分割的全卷积遗传神经网络方法，属于医学图像信息智能处理领域，首先输入婴幼儿脑病历图像数据，对图像预处理，并根据DMPGA‑FCN网络权值长度L对参数进行遗传编码初始化；然后将m个个体随机划分至遗传原生子种群Pop中并衍生孪生子种群Pop′，子种群在不相交区间确定各自交换概率pc和变异概率pm，使用遗传算子寻找最优初始权值fa；其次将fa作为前向传播计算参数，并在特征地址featuremap上做加权Q操作；最后将婴幼儿脑病历预测图像与标准分割图进行逐像素交叉熵损失计算从而反向更新权值，最终得到婴幼儿脑病历图像分割网络模型的最优权值。本方法能提高婴幼儿脑病历图像分割效率，对婴幼儿脑病的早期正确诊断和患儿脑病的康复具有重要意义。
-
公开(公告)号：CN112163133A
公开(公告)日：2021-01-01
申请号：CN202011023382.1
申请日：2020-09-25
Applicant: 南通大学
IPC: G06F16/906 , G06K9/62
Abstract: 本发明提供了一种基于多粒度证据邻域粗糙集的乳腺癌数据分类方法，包括如下步骤：S10采集乳腺癌数据集，并将所述乳腺癌数据集分为训练数据集和测试数据集；S20在所述训练数据集上构建多粒度数据；S30在不同粒度的所述病理特征约简集合下预测所述测试数据的类别标签集合；S40根据投票机制得到所述测试数据集中票数最多的类别标签，获得乳腺癌数据分类结果。本发明的一种基于多粒度证据邻域粗糙集的乳腺癌数据分类方法，去除了冗余属性压缩乳腺癌数据规模，同时在分类过程中，将证据理论引入邻域粗糙分类，充分地利用了样本之间的紧密性，提升了对乳腺癌数据分类的效率和精度，对乳腺癌智能辅助分类具有较强的应用价值。
-
公开(公告)号：CN112001887A
公开(公告)日：2020-11-27
申请号：CN202010697178.1
申请日：2020-07-20
Applicant: 南通大学
Abstract: 本发明公开了一种用于婴幼儿脑病历图像分割的全卷积遗传神经网络方法，属于医学图像信息智能处理领域，首先输入婴幼儿脑病历图像数据，对图像预处理，并根据DMPGA-FCN网络权值长度L对参数进行遗传编码初始化；然后将m个个体随机划分至遗传原生子种群Pop中并衍生孪生子种群Pop′，子种群在不相交区间确定各自交换概率pc和变异概率pm，使用遗传算子寻找最优初始权值fa；其次将fa作为前向传播计算参数，并在特征地址featuremap上做加权Q操作；最后将婴幼儿脑病历预测图像与标准分割图进行逐像素交叉熵损失计算从而反向更新权值，最终得到婴幼儿脑病历图像分割网络模型的最优权值。本方法能提高婴幼儿脑病历图像分割效率，对婴幼儿脑病的早期正确诊断和患儿脑病的康复具有重要意义。
-
公开(公告)号：CN111612096A
公开(公告)日：2020-09-01
申请号：CN202010484386.3
申请日：2020-06-01
Applicant: 南通大学
Abstract: 本发明提供了一种基于Spark平台的大规模眼底图像分类系统训练方法，包括如下步骤：S10设置执行分布式卷积神经网络训练必要的参数；S20调用所述卷积神经网络算法程序，将所述参数代入算法程序，通过分布式蛙跳算法生成所述卷积神经网络训练时的初始权值；S30使用存储的标准图像数据对所述卷积神经网络训练，寻找出最优蛙，作为下次分组权值训练的初始权值，完成所述卷积神经网络的训练；以及S40保存训练完的所述卷积神经网络模型。本发明的一种基于Spark平台的大规模眼底图像分类系统训练方法，采用混合蛙跳算法生成网络初始权值，通过分组优化策略实现卷积神经网络的分布式并行训练，可有效提高大规模眼底图像在卷积神经网络训练时的高效性和分类的准确性。
-
-
-
-
-
-
-
-
-
Search Results
76
records
(took 0.083 seconds)
