-
公开(公告)号：CN119446495A
公开(公告)日：2025-02-14
申请号：CN202411567109.3
申请日：2024-11-05
Applicant: 南通大学
IPC: G16H50/20 , G06V10/764 , G06V10/82 , G06V10/80
Abstract: 本发明提供了一种基于模糊内核的组织病理全量影像多任务方法，属于医学图像智能诊断技术领域，解决了当前全量影像模型无法同时进行高准确率分类和预测任务的技术问题。其技术方案为：首先，将全量图像预处理为微环境图像ITEM和低分辨率图像ILR；然后，通过隶属函数模糊和去模糊化，并将结果存储在内核中；接下来，通过交叉注意力对特征进行融合；再次，设计一种融合扩散模型，能够在扩散过程中受到动态模糊内核的引导；最后，将扩散后的特征放入分类和生存预测神经网络，得到最终结果。本发明的有益效果为：对多模态医学全量图像进行多任务处理，可以精确的对疾病进行分类及生存预测，帮助医生更全面确的了解肿瘤侵袭性和转移倾向。
-
公开(公告)号：CN116188435B
公开(公告)日：2023-11-07
申请号：CN202310195481.5
申请日：2023-03-02
Applicant: 南通大学
Abstract: 本发明提供了一种基于模糊逻辑的医学图像深度分割方法，属于医学图像智能处理技术领域。解决了医学图像数据集数据不足导致医学图像分割准确率低的问题。其技术方案为：包括如下步骤：S1、对眼底医学图像数据集进行扩充，将彩色眼底图像以中心点随机旋转生成新的图片；S2、使用CNN和Transformer模型分别提取眼底图像特征；S3、设计模糊融合模块将两个分支提取的特征进行结合；S4、构造模糊注意力融合模块逐步上采样与融合不同尺度特征图；S5、搭建基于模糊逻辑的深度学习网络FTransCNN。本发明有益效果为：使用模糊逻辑将两种深度学习模型特征进行融合，更自然、合理的表示眼底血管区域边缘的不准确信息。
-
公开(公告)号：CN116759069A
公开(公告)日：2023-09-15
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：CN116486067A
公开(公告)日：2023-07-25
申请号：CN202310386424.5
申请日：2023-04-11
Applicant: 南通大学
IPC: G06V10/25 , G06V10/40 , G06V10/30 , G06V10/771 , G06V10/764 , G06V10/22 , G06T7/00 , G16H20/70
Abstract: 本发明提供了一种用于精神分裂症病历图像特征选择的稀疏双向Spark方法，属于精神分裂症的生物标记物选择技术领域；解决了数据集中样本分布不一致的技术问题。其技术方案为：首先，在主节点Master上，读取大规模精神分裂症病历图像数据，对其进行预处理和划分，并将数据子集广播到相应的子节点上，在第i子节点Slaveri上，通过Spark并行化的稀疏约束模型刻画样本之间的联系，得到样本最优的K个邻居(K是邻居个数)，然后，在粒化过程中引入双向互邻策略，构造基于稀疏双向的Spark粗糙集模型，在子节点Slaveri上，将启发式特征选择方法和动态优化策略结合，选取预测精神分裂症的重要脑区域。本发明的有益效果为：有助于精神分裂症的预测。
-
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：CN116486067B
公开(公告)日：2024-10-29
申请号：CN202310386424.5
申请日：2023-04-11
Applicant: 南通大学
Abstract: 本发明提供了一种用于精神分裂症病历图像特征选择的稀疏双向Spark方法，属于精神分裂症的生物标记物选择技术领域；解决了数据集中样本分布不一致的技术问题。其技术方案为：首先，在主节点Master上，读取大规模精神分裂症病历图像数据，对其进行预处理和划分，并将数据子集广播到相应的子节点上，在第i子节点Slaveri上，通过Spark并行化的稀疏约束模型刻画样本之间的联系，得到样本最优的K个邻居(K是邻居个数)，然后，在粒化过程中引入双向互邻策略，构造基于稀疏双向的Spark粗糙集模型，在子节点Slaveri上，将启发式特征选择方法和动态优化策略结合，选取预测精神分裂症的重要脑区域。本发明的有益效果为：有助于精神分裂症的预测。
-
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。
-
-
-
-
-
-
-
-
-
Search Results
19
records
(took 0.022 seconds)
