-
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：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：CN110176298B
公开(公告)日：2022-02-08
申请号：CN201910469264.4
申请日：2019-05-31
Applicant: 南通大学
IPC: G16H30/40 , G06V10/764 , G06V10/20 , G06V10/774 , G06V10/77 , G06K9/62
Abstract: 本发明公开一种用于糖尿病性眼底图像分类的核主成分谱哈希方法。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，将处理后的眼底图像数据转化为向量形式；接着采用核主成分分析算法提取出眼底图像数据中非线性特征信息；然后将数据转化为二值码形式，利用Laplace‑Beltrami算子的特征值和特征函数值表示出眼底图像样本数据；最后利用阈值将样本特征函数值转化为二值码，并运用最近邻算法在汉明空间进行糖尿病性眼底图像的有效分类。本发明能充分提取出复杂非线性糖尿病性眼底图像数据特征，具有较高的分类准确率，且能有效降低大规模眼底图像分类时计算的复杂度。
-
公开(公告)号：CN111242156A
公开(公告)日：2020-06-05
申请号：CN201911104118.8
申请日：2019-11-13
Applicant: 南通大学
IPC: 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。
-
Patent Agency Ranking
公开(公告)号：CN110867224B
公开(公告)日：2022-02-08
申请号：CN201911030948.0
申请日：2019-10-28
Applicant: 南通大学
IPC: G16H10/60 , G06F40/205 , G06F40/279 , G06N3/00
Abstract: 本发明公开一种用于大规模脑病历分割的多粒度Spark超信任模糊方法，首先在Spark云平台上将大规模脑病历数据属性集分割至不同的多粒度进化子种群Granu‑populationi中；设计一种基于多粒度Spark超信任模型，构建多粒度种群内不同超级精英之间信任度；调整多粒度中心阈值，对超级精英使用多粒度子种群均衡调整策略进行动态更新，对大规模脑病历进行全局搜索分割与局部精化分割，超级精英在各自区域内能协同提取知识约简子集；最后求得大规模脑病历最优分割特征集并存储至Spark云平台中。本发明能稳定分割大规模脑病历知识约简集,为脑部疾病智能诊断和辅助治疗提供重要的诊断依据。
-
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。
-
公开(公告)号：CN110930412A
公开(公告)日：2020-03-27
申请号：CN201911200695.7
申请日：2019-11-29
Applicant: 南通大学
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：CN110176298A
公开(公告)日：2019-08-27
申请号：CN201910469264.4
申请日：2019-05-31
Applicant: 南通大学
Abstract: 本发明公开一种用于糖尿病性眼底图像分类的核主成分谱哈希方法。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，将处理后的眼底图像数据转化为向量形式；接着采用核主成分分析算法提取出眼底图像数据中非线性特征信息；然后将数据转化为二值码形式，利用Laplace-Beltrami算子的特征值和特征函数值表示出眼底图像样本数据；最后利用阈值将样本特征函数值转化为二值码，并运用最近邻算法在汉明空间进行糖尿病性眼底图像的有效分类。本发明能充分提取出复杂非线性糖尿病性眼底图像数据特征，具有较高的分类准确率，且能有效降低大规模眼底图像分类时计算的复杂度。
-
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。
-
-
-
-
-
-
-
-
-
Search Results
13
records
(took 0.022 seconds)
