-
公开(公告)号：CN119763809A
公开(公告)日：2025-04-04
申请号：CN202411877187.3
申请日：2024-12-19
Applicant: 南通大学
IPC: G16H50/20 , G06F18/24 , G06F18/25 , G06F18/214 , G06N3/0464 , G06N3/048 , G06N3/084 , G06F17/18 , G06F17/16
Abstract: 本发明提供一种融合信任损失和决策再分类的图卷积心脏病检测方法。属于医学信息智能处理技术领域，解决了在心脏病检测中，不确定性数据影响分类精度的问题。其技术方案为：首先，采集心脏病信息数据样本集，然后，对上述数据进行预处理，构建邻接矩阵；接着，将处理过后的心脏病信息数据输入图卷积神经网络GCN进行模型的训练；最后，模型进入测试阶段，得到初步分类结果后进入决策层，根据阈值筛选出不确定节点信息，利用高斯核进行映射，使其在高维可分，达到再分类效果。
-
公开(公告)号：CN118053023B
公开(公告)日：2024-10-01
申请号：CN202410162283.3
申请日：2024-02-05
Applicant: 南通大学
IPC: G06V10/764 , G06V10/82 , G06V10/77 , G06V10/28 , G06N3/0455 , G06N3/082
Abstract: 本发明提供了一种基于三支置信度引导的随机游走机制的Transformer可解释性方法，属于人工智能可解释性技术领域。解决了Transformer模型难以解释得不到使用者信任的技术问题，其技术方案为：首先从图像数据集中读取RGB图像，然后将其切块映射为线性张量，并引入分类张量；接下来进入Transformer模块，将注意力矩阵保存，同时获取分类结果；接着利用适当阈值将注意力矩阵划分前景和背景，将结果输入到三支模块；当原图与前景分类一致且与背景不一致时，本发明根据预测得分获取图像块的置信度得分；当原图与前景、背景分类一致。本发明的有益效果为：可解释性好，在自然图像和医学图像上均有较好的实验结果。
-
公开(公告)号：CN118447304A
公开(公告)日：2024-08-06
申请号：CN202410547182.8
申请日：2024-05-06
Applicant: 南通大学
IPC: G06V10/764 , G06V10/44 , G06V10/80 , G16H50/20
Abstract: 本发明提供了基于模糊超盒质量感知神经网络的精神分裂症分类方法，属于智能医学处理技术领域，解决了精神分裂症患者动态脑网络多个时间窗口数据质量不一致的问题；其技术方案为：利用三个特殊的卷积滤波器提取精神分裂症患者动态脑网络每个时间窗口的特征，然后通过全连接层和激活层以获得证据；将多视图证据作为输入构造多视图模糊最小最大神经网络分类器，输出每个视图的类节点；使用证据理论直接建模不确定性，计算每个视图的质量感知权重以评估每个视图的分类可信度；根据每个视图的质量感知权重集成多个视图的类节点以得到最终诊断结果。本发明的有益效果为：本发明分类精度较好，为精神分裂症诊断提供决策支持，提高患者就医满意度。
-
公开(公告)号：CN117542503A
公开(公告)日：2024-02-09
申请号：CN202311334208.2
申请日：2023-10-16
Applicant: 南通大学
IPC: G16H50/20 , G06F18/241 , G06F18/213 , G06F18/25 , G06N3/042 , G06N3/0464 , G06N3/048 , G06N3/08 , A61B5/00 , A61B5/055 , A61B5/16
Abstract: 本发明提供了基于动态证据融合神经网络的精神分裂症多视图分类方法，属于智能医学处理技术领域；其技术方案为：利用边缘到边缘、边缘到节点和节点到图卷积滤波器提取精神分裂症患者动态脑网络连接矩阵每个视图的特征图；将每个视图的特征图分别通过全连接层和激活层以获得多视图动态证据；根据动态证据导出迪利克雷分布参数，调整置信度后构建动态信任函数并计算每个视图的动态信任函数；在分类的决策层进行证据融合后获得联合信任函数；使用多视图损失函数训练神经网络。本发明的有益效果为：本发明分类精度较好，为精神分裂症诊断提供决策支持，提高患者就医满意度。
-
公开(公告)号：CN116665906B
公开(公告)日：2023-12-26
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。
-
Patent Agency Ranking
公开(公告)号：CN117058393A
公开(公告)日：2023-11-14
申请号：CN202311108211.2
申请日：2023-08-30
Applicant: 南通大学
IPC: G06V10/26 , G06V10/762 , G06V10/74 , G06T7/00
Abstract: 本发明提供了一种用于眼底硬性渗出图像分割的超像素三支证据DPC方法，属于图像处理分析技术领域。解决了聚类医学图像分割中参数难以确定，边缘区域划分不清晰的技术问题。其技术方案为：包括以下步骤：S10、人工获取眼底硬性渗出图像的病变区域；S20、对眼底硬性渗出图像进行预处理得到图像的CIELab空间；S30、对获得的CIELab空间进行SLIC超像素处理；S40、基于三支聚类理论将图像分割分为两阶段；S50、在获取第一阶段回传的病变图像信息之上。本发明的有益效果为：本发明通过引入超像素算法提高了运行效率，为糖尿病视网膜硬性渗出病变疾病的临床诊断和患者的发现治疗提供了重要的医学影像依据。
-
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：CN119152253A
公开(公告)日：2024-12-17
申请号：CN202411133754.4
申请日：2024-08-19
Applicant: 南通大学
IPC: G06V10/764 , G06V10/80 , G06V10/82 , G06N3/0455 , G06N3/08
Abstract: 本发明提供了一种基于序贯三支掩码和注意力融合的Transformer解释方法，属于人工智能可解释性技术领域。解决了Transformer模型解释困难导致难以投入现实应用的技术问题，其技术方案为：首先将图像输入标准的Transformer模块，保存每一层编码器层的注意力矩阵，并聚合生成关系矩阵；接下来取出最终编码器层输出，重塑并上采样作为掩码放入掩码集；接着利用序贯三支决策选出积极掩码集，并获取初步解释结果；最后，将第一步聚合的生成关系矩阵与初步解释结果融合生成最终解释结果。本发明的有益效果为：解释效果好，对自然图像和医学图像均可得到较好的解释结果，帮助人类理解深度学习模型。
-
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。
-
公开(公告)号：CN119131443A
公开(公告)日：2024-12-13
申请号：CN202311689485.5
申请日：2023-12-11
Applicant: 南通大学
IPC: G06V10/764 , G06N3/0464 , G06N3/08 , G06V10/25 , G06V10/40 , G06V10/774 , G16H50/20
Abstract: 本发明提供了一种基于元学习的基于元学习的罕见脑部病变辨别方法，属于医学信息智能诊断技术领域，解决了传统的人工智能训练需要大量的临床诊断信息，从数据层面上，部分疾病病患的样本数量无法满足传统神经网络训练的需求的技术问题。其技术方案为：先将脑部核磁共振影像的数据集划分为多个任务，每个任务中都包含支持集和查询集；在预训练任务上将CNN模型进行训练和测试，通过反向传播获得全局最优的初始化参数θ；然后使用新类别数据集中的支持集微调训练好的模型；再采用查询集进行测试，得到对模型进行评估。本发明的有益效果为：利用常见脑部疾病区分的先验经验对罕见疾病生成诊断意见，显著提高了模型的泛化能力。
-
-
-
-
-
-
-
-
-
Search Results
29
records
(took 0.026 seconds)
