-
公开(公告)号：CN119941760A
公开(公告)日：2025-05-06
申请号：CN202510086101.3
申请日：2025-01-20
Applicant: 南通大学
IPC: G06T7/11 , G06T7/00 , G06T5/50 , G06T3/4038 , G06T3/4046 , G06N3/0455 , G06N3/0464 , G06N3/048 , G06N3/084 , G06N3/0895
Abstract: 本发明提供了一种基于模糊增强Transformer的弱监督组织病理图像分割方法，属于医学图像智能处理技术领域。解决了医学图像数据标签获取成本高导致难以投入实际应用的技术问题，其技术方案为：首先从组织病理数据集中读取图像，并进行数据预处理；接下来将图像输入Transformer中，获取注意力矩阵及最终层输出；接着利用模糊增强注意力模块生成模糊增强注意力图，并用于引导池化操作来训练Transformer模型；最后，提取模型的模糊增强注意力图，经过后处理生成病理图像分割结果。本发明的有益效果为：使用易于获取的图像级标签实现准确的组织病理图像分割，推动深度学习在医疗诊断领域的实际应用。
-
公开(公告)号：CN119206241A
公开(公告)日：2024-12-27
申请号：CN202411217898.8
申请日：2024-09-02
Applicant: 南通大学
IPC: G06V10/40 , G06V10/764 , G06V10/80 , G06V10/74 , G16H30/20
Abstract: 本发明提供了一种用于精神分裂疾病检测的两阶段模糊邻域特征选择方法，属于医学信息智能处理技术领域。解决了传统方法在处理高维数据特征选择中全局搜索能力不足以及选择效率低下，并且复杂的精神分裂疾病特征选择中会存在不确定、模糊的技术问题。其技术方案为：包括以下步骤：S1：精神分裂疾病数据的获取与预处理；S2：根据数据构建模糊邻域决策空间与模糊邻域互信息；S3：模糊邻域差分进化的精神分裂疾病特征选择模块；S4：模糊邻域决策树的精神分裂疾病特征选择模块；S5：将两阶段的特征选择融合。本发明的有益效果为：能够有效处理数据中的不确定性，并且提高在高维空间的全局搜素能力以及选择效率。
-
公开(公告)号：CN116759069B
公开(公告)日：2024-07-23
申请号：CN202310651001.1
申请日：2023-06-02
Applicant: 南通大学
Abstract: 本发明提供了一种用于大规模认知障碍疾病检测的动态加权属性约简方法，属于医学信息智能处理技术领域，传统方法在处理大规模数据处理时间较长，复杂的认知障碍疾病特征选择中会导致不确定性的技术问题。其技术方案为：包括以下步骤：S1、大规模认知障碍疾病数据获取与预处理；S2、计算认知障碍疾病原始数据和增量数据的知识粒度；S3、构建动态特征交互加权属性树；S4、将构建的动态特征交互加权属性树分支，每轮分支结束时将低权重属性添加到交互集F中进行增量特征交互；S5、在所有属性树完成分支后，将计算节点约简集输出到主节点，获得大规模认知障碍疾病数据约简。本发明的有益效果为：可以有效提高特征选择的速度并提高精度。
-
公开(公告)号：CN119942136A
公开(公告)日：2025-05-06
申请号：CN202510021994.3
申请日：2025-01-07
Applicant: 南通大学
IPC: G06V10/40 , G06V10/764 , G06V10/774 , G16H50/20 , G06N3/0455 , G06N3/048 , G06N3/08
Abstract: 本发明提供了一种基于直觉模糊编码器的阿尔茨海默症图像特征选择方法，属于医学信息智能处理技术领域，解决了阿尔茨海默症分析时高维特征冗余，分类效果不佳的技术问题。技术方案为：包括以下步骤：S10采集被试的阿尔茨海默症试样本集进行预处理；S20计算每个样本的隶属度和非隶属度，构建基于直觉模糊集的得分矩阵；S30预训练一个全局样本的直觉模糊自动编码器模型；S40构建稀疏特征编码网络，迁移学习参数，对权重矩阵进行稀疏化处理以获得重要特征。本发明的有益效果为：能够有效处理病理数据特征冗余问题，既降低数据维度以减少计算需求，又提高了分类准确率，为实际临床诊断提供了技术支持。
-
公开(公告)号：CN119049713A
公开(公告)日：2024-11-29
申请号：CN202411142024.0
申请日：2024-08-20
Applicant: 南通大学
IPC: G16H50/30 , G16H50/70 , G06N3/045 , G06N3/0464 , G06N3/084 , G06N3/0985 , G06F18/25 , A61B5/055 , A61B5/00
Abstract: 本发明提供了一种基于优化排序对比损失函数的脑龄协同预测方法，属于深度学习与医学影像技术领域，包括以下步骤：S1：收集受试者的脑部核磁共振成像数据集，按比例划分为训练集、验证集和测试集；S2：构建多模态模糊融合脑龄协同预测模型；S3：将训练集输入模型，采用优化排序对比损失函数进行训练，通过反向传播算法更新模型参数；S4：将验证集输入模型，进行超参数调优和模型选择，确定最佳模型参数；S5：将测试集输入最佳模型，进行年龄预测，并将预测结果与真实年龄比较，评估模型性能。本发明基于优化排序对比损失函数进行多模态模糊融合预测，充分利用多模态数据的信息，提高脑龄预测的准确性和稳定性。
-
Patent Agency Ranking
公开(公告)号：CN118314382A
公开(公告)日：2024-07-09
申请号：CN202410386292.0
申请日：2024-04-01
Applicant: 南通大学
IPC: G06V10/764 , G06V10/774 , G06V10/776 , G06V10/44 , G06V10/82 , G06N3/0464 , G06N3/045 , G06N3/084 , G06N3/0985
Abstract: 本发明提供了一种基于Vision Transformer的肺部癌变病理学图像分类方法，属于医疗影像处理、图像识别与分类技术领域。解决了现有方法在肺部组织医学图像的处理中难以精确分类癌变组织的技术问题。其技术方案为：包括以下步骤：1.获取肺组织癌变病理学图像作为训练数据集；2.对训练数据集和验证数据集增加随机裁剪、随机旋转、色彩抖动的数据增广操作；3.构建基于Vision Transformer的肺组织癌变病理学图像分类模型；4.训练经过改进的Vision Transformer分类模型；5.在模型训练至阈值后，停止训练。本发明的有益效果为：提升了肺组织癌变病理学图像的分类精度和效率。
-
公开(公告)号：CN118093911A
公开(公告)日：2024-05-28
申请号：CN202410234959.5
申请日：2024-03-01
Applicant: 南通大学
IPC: G06F16/51 , G06F16/583 , G06N3/0464 , G06N3/0455 , G06N3/08
Abstract: 本发明提供了用于医学图像检索目标攻击的模糊Transformer哈希方法，解决了目前深度哈希模型在医学图像检索中鲁棒性差、易受对抗样本影响的技术问题。其技术方案为：建立医学图像数据库，构建模糊Transformer哈希模型，模型主要有四个部分：视觉Transformer哈希模型、原型网络、残差模糊生成器和判别器；计算各部分的损失函数以及采用交替学习算法优化；将测试集生成的原型码和对抗样本作为查询样本在数据库中检索，并使用目标平均精度t‑MAP评估模型的目标攻击性能。本发明的有益效果为：增强了在医学图像检索过程中模型的鲁棒性和抗干扰性，提高了医学图像检索的准确率。
-
公开(公告)号：CN115985489A
公开(公告)日：2023-04-18
申请号：CN202211484624.6
申请日：2022-11-24
Applicant: 南通大学
Abstract: 本发明提供了基于惩罚机制的代价敏感序贯三支阴影膀胱炎分类方法，属于膀胱炎患者进行分类技术领域；其技术方案为：根据条件属性的重要性将其降序排序；其次顺序计算每个膀胱炎数据对象的隶属度，对膀胱炎数据对象进行阴影化处理，阴影域作为膀胱炎数据下一个粒度的论域；然后计算膀胱炎数据相邻两个粒度之间的两种精度差异，通过惩罚函数对膀胱炎数据的代价参数进行修改，从而确定新的阴影集阈值；如果膀胱炎数据最后一个粒度的阴影域不为空,则对其阴影集阈值进行加权求和得到新的阈值对阴影域进行分类。本发明的有益效果为：本发明分类精度好，为膀胱炎诊断提供决策支持，提高患者就医满意度。
-
公开(公告)号：CN119742050A
公开(公告)日：2025-04-01
申请号：CN202411806508.0
申请日：2024-12-10
Applicant: 南通大学
IPC: G16H50/20 , G16H50/70 , G06F18/2415 , G06F17/10 , G06F18/214
Abstract: 本发明提供了面向肺炎病因诊断的贝叶斯网络与粗糙集特征选择方法，属于医学信息智能处理技术领域，解决了肺炎病因诊断中症状重叠、标签歧义以及数据特征冗余的技术问题。技术方案为：包括以下步骤S1，对患者的肺炎数据进行数据预处理；S2，以患者特征和病因标签为节点，构建贝叶斯网络以解决病因标签的消歧问题，并生成标签置信度矩阵；S3，基于邻域粗糙集计算每个特征对病因标签的依赖度；S4，结合显著性分析和冗余度约简，筛选最优特征集。本发明的有益效果为：本发明方法以肺炎诊断场景为应用背景，能够有效处理患者病因复杂性和数据冗余问题，既提高了诊断的可靠性与效率，又降低了计算成本，为实际临床诊断提供了技术支持。
-
公开(公告)号：CN119477935A
公开(公告)日：2025-02-18
申请号：CN202411393930.8
申请日：2024-10-08
Applicant: 南通大学
IPC: G06T7/11 , G06N3/043 , G06N3/0455 , G06N3/0464 , G06N3/0442 , G06N3/084
Abstract: 本发明提供了一种基于模糊卷积结合Transformer的2D脑部肿瘤分割方法，属于医学图像处理与深度学习技术领域。解决了现有方法难以同时精确分割脑部肿瘤模糊边界和降低计算资源量的技术问题。其技术方案为：构建基于模糊卷积结合Transformer的2D脑部肿瘤分割模型，该模型包括模糊学习模块、卷积神经网络、编码器、解码器以及门控权重控制器，模糊学习模块包括模糊隶属度函数和模糊规则，卷积神经网络受ResNet的启发，编码器包括卷积层以及门控轴向自注意力模块，解码器包括卷积层和反卷积层。本发明的有益效果为：提升脑部肿瘤的分割精确性的同时降低了计算资源量。
-
-
-
-
-
-
-
-
-
Search Results
26
records
(took 0.022 seconds)
