-
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。
-
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：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：CN110867224A
公开(公告)日：2020-03-06
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。
-
Patent Agency Ranking
公开(公告)号：CN113378898B
公开(公告)日：2023-05-19
申请号：CN202110590764.0
申请日：2021-05-28
Applicant: 南通大学
IPC: G06T7/00 , G06V10/764 , G06V10/774 , G06V10/82 , G06N3/0464 , G06N3/084
Abstract: 本发明公开了一种基于相对熵损失函数卷积神经网络的脑龄预测方法，包括如下步骤：步骤1.利用采集被试的功能型磁共振影像数据形成原始样本集；步骤2.原始样本集中功能型磁共振影像数据预处理形成三维的T1图像数据并形成样本集；步骤3.将样本集划分为训练样本集和测试样本集；步骤4.利用训练样本集训练3DCNN形成脑龄预测模型，所述3DNN在训练过程中采用分类网络的相对熵损失函数反向更新3DCNN的网络参数；步骤5.将测试集输入脑龄预测模型得到预测的脑龄；用相对熵损失函数反向更新3DCNN的网络参数，同时采用中心化功能型磁共振影像数据中剔除周围无用信息，提高了脑龄预测模型的鲁棒性及预测精度。
-
公开(公告)号：CN113378898A
公开(公告)日：2021-09-10
申请号：CN202110590764.0
申请日：2021-05-28
Applicant: 南通大学
Abstract: 本发明公开了一种基于相对熵损失函数卷积神经网络的脑龄预测方法，包括如下步骤：步骤1.利用采集被试的功能型磁共振影像数据形成原始样本集；步骤2.原始样本集中功能型磁共振影像数据预处理形成三维的T1图像数据并形成样本集；步骤3.将样本集划分为训练样本集和测试样本集；步骤4.利用训练样本集训练3DCNN形成脑龄预测模型，所述3DNN在训练过程中采用分类网络的相对熵损失函数反向更新3DCNN的网络参数；步骤5.将测试集输入脑龄预测模型得到预测的脑龄；用相对熵损失函数反向更新3DCNN的网络参数，同时采用中心化功能型磁共振影像数据中剔除周围无用信息，提高了脑龄预测模型的鲁棒性及预测精度。
-
公开(公告)号：CN115063877A
公开(公告)日：2022-09-16
申请号：CN202210630121.9
申请日：2022-06-06
Applicant: 南通大学
IPC: G06V40/18 , G06V10/762 , G16H50/20
Abstract: 本发明涉及图像处理分析技术领域，具体涉及一种面向大数据眼底图像的并行超像素Spark聚类方法。步骤包括：S10、系统首先获取用户上传的大数据眼底图像，将请求信息发送至诊断系统，并调用后台Java程序和Python代码；S20、调用基于Spark平台的超像素FCM加速聚类算法，对眼底图像进行超像素处理；S30、通过Spark框架进行分布式计算，用超像素块的均值像素颜色特征进行编码并转化为弹性分布性数据集RDD，将RDD划分到各节点，各节点进行FCM隶属度计算后汇总，再分区进行聚类中心更新计算，直至算法收敛；S40、输出FCM聚类的结果并保存眼底图像聚类结果；S50、将大量眼底图像数据同时运行结果存储至数据库MySQL中，等待前端请求查看时，将指定眼底图像聚类结果反馈至系统用户。
-
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：CN113012775A
公开(公告)日：2021-06-22
申请号：CN202110341510.5
申请日：2021-03-30
Applicant: 南通大学
IPC: G16H10/60 , G16H15/00 , G06F16/182
Abstract: 本发明提供了一种红斑病电子病历病变分类的增量属性约简Spark方法，基于知识粒度的动态变化数据集增量约简算法与处理大数据常用的Spark并行框架相结合，在处理复杂，大规模和动态的数据集方面有着良好的效果，有效提高处理速度，能够进一步提高电子病历属性约简的效率和精度。
-
-
-
-
-
-
-
-
-
Search Results
27
records
(took 0.018 seconds)
