-
公开(公告)号：CN118447031A
公开(公告)日：2024-08-06
申请号：CN202410469412.3
申请日：2024-04-18
Applicant: 南通大学
Abstract: 本发明提供了一种基于扩散模糊学习的皮肤镜图像分割方法，属于医学图像智能分割技术领域。解决了医学图像因分割目标边界模糊和区域模糊导致的分割准确率低的技术问题。其技术方案为：包括以下步骤：S1、对图像数据进行数据预处理；S2、将高斯噪声迭代地扩散到皮肤图像中；S3、使用特征编码器从输入原始皮肤图像中提取语义信息；S4、将特征编码器获得的多尺度特征进行模糊规则处理；S5、对纯噪声皮肤图像进行迭代的去噪操作。S6、设计一个基于图像清晰程度的融合模块来融合去噪过程的多个预测。本发明的有益效果为：分割准确率高，为分割皮肤图像的黑色素瘤提供决策支持，为医生的诊断提供了便利。
-
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：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。
-
Patent Agency Ranking
公开(公告)号：CN118537680A
公开(公告)日：2024-08-23
申请号：CN202410715820.2
申请日：2024-06-04
Applicant: 南通大学
IPC: G06V10/774 , A61B5/055 , A61B5/00 , G06V10/44 , G06V10/80 , G06V10/766 , G06T7/00
Abstract: 本发明提供了一种基于多模态模糊特征融合的脑龄预测方法，属于医学影像与计算机科学的交叉领域。其技术方案为：包括以下步骤：S1：采集受试者的核磁共振成像组成原始样本集；S2：对原始样本集进行预处理；S3：利用深度卷积神经网络提取三个不同模态的特征，并将其径向拼接；S4：设计基于Choquet积分的模糊融合模块；S5：设计协同卷积融合模块；S6：基于线性回归得到预测年龄，构成一个完整的脑龄预测神经网络。本发明的有益效果为：模糊融合提取到的多模态特征，克服了单一模态的局限性，多模态融合过程中的不确定性，提高了脑龄预测模型的预测能力，从而更有效地应对复杂的脑龄预测任务。
-
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：CN117975069B
公开(公告)日：2024-10-01
申请号：CN202410270923.2
申请日：2024-03-11
Applicant: 南通大学
IPC: G06V10/762 , G06V10/26 , G06V10/82 , G06N3/0464 , G06N3/0455
Abstract: 本发明属于医学图像处理领域，提供了一种用于脑肿瘤图像分割的深度证据FCM聚类方法，解决了医学图像分割中不能很好地保留学习到的特征空间中数据生成分布的局部结构和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、对脑肿瘤MRI图像进行预处理；S20、利用自编码器对输入脑肿瘤图像进行特征学习并实现降维；S30、运用三支策略分配出确定的和不确定的脑肿瘤图像分割区域；S40、运用粒舱和证据理论分配不确定的图像分割区域；S50、对深度聚类模型进行训练。本方案的有益效果为：可以有效的提取脑肿瘤图像特征、降低脑肿瘤图像分割的计算复杂性、改善聚类效果，有助于医生进行更准确的诊断和治疗规划。
-
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：CN117975069A
公开(公告)日：2024-05-03
申请号：CN202410270923.2
申请日：2024-03-11
Applicant: 南通大学
IPC: G06V10/762 , G06V10/26 , G06V10/82 , G06N3/0464 , G06N3/0455
Abstract: 本发明属于医学图像处理领域，提供了一种用于脑肿瘤图像分割的深度证据FCM聚类方法，解决了医学图像分割中不能很好地保留学习到的特征空间中数据生成分布的局部结构和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、对脑肿瘤MRI图像进行预处理；S20、利用自编码器对输入脑肿瘤图像进行特征学习并实现降维；S30、运用三支策略分配出确定的和不确定的脑肿瘤图像分割区域；S40、运用粒舱和证据理论分配不确定的图像分割区域；S50、对深度聚类模型进行训练。本方案的有益效果为：可以有效的提取脑肿瘤图像特征、降低脑肿瘤图像分割的计算复杂性、改善聚类效果，有助于医生进行更准确的诊断和治疗规划。
-
-
-
-
-
-
-
-
-
Search Results
13
records
(took 0.018 seconds)
