-
公开(公告)号：CN114491293B
公开(公告)日：2024-12-20
申请号：CN202210104815.9
申请日：2022-01-28
Applicant: 南通大学
IPC: G06F16/9536 , G06Q50/00 , G06F18/25
Abstract: 本发明属于复杂网络分析技术领域，具体涉及一种统一化融合内容信息的半监督社团检测方法。本发明的步骤为：形式化带有节点内容网络中的拓扑和内容信息；利用基于非负矩阵分解的生成框架实现基于标准NMF和SNMF的拓扑子模型，计算结构相似度构建must‑link先验信息以调整节点社团隶属度，借鉴pLSA主题模型思想，基于非负矩阵分解构建内容子模型；引入平衡因子统一化融合具有先验信息的拓扑子模型和内容子模型，进而构建统一化融合节点内容半监督社团检测模型，最后，利用梯度下降法学习模型参数，得到节点的社团隶属度矩阵，进行聚类以挖掘网络中社团结构，运用标准化互信息熵NMI和调整兰德系数ARI对模型性能进行评估。
-
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：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：CN116524256A
公开(公告)日：2023-08-01
申请号：CN202310446642.3
申请日：2023-04-24
Applicant: 南通大学
IPC: G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/086 , G06T7/00
Abstract: 本发明提供了一种基于残差神经网络和进化算法的脑MRI图像分类方法，属于医学图像信息智能处理技术领域。其技术方案为：包括如下步骤：S1、图像预处理；S2、构建ResNet神经网络模型；S3、利用差分进化算法DE对ResNet神经网络模型进行优化，获得基于差分进化算法优化的ResNet即DE‑ResNet神经网络模型；S4、将预处理后数据增强的脑MRI图像使用DE‑ResNet神经网络模型对待测脑MRI图像分类。本发明提出了一种基于残差神经网络和进化算法的脑MRI图像分类方法有效地进行脑MRI图像分类，获得更高的图像分类精度和效率。
-
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。
-
Patent Agency Ranking
公开(公告)号：CN106110297B
公开(公告)日：2019-12-17
申请号：CN201610524994.6
申请日：2016-07-05
Applicant: 南通大学
Abstract: 本发明公开了GFI1截短体在制备抗肿瘤药物中的应用；所述的GFI1截短体的氨基酸序列如SEQ ID NO.1所示。本发明利用生物工程技术基因重组一段154个氨基酸多肽对应的DNA序列到pcDNA3.1真核表达载体。细胞学实验表明此多肽具有促进非霍奇金淋巴瘤细胞凋亡的重要抗癌功能。发明为非霍奇金淋巴瘤的治疗开发新的靶点提供实验依据，对于应用于肿瘤的临床治疗具有十分重要的开发应用前景。
-
公开(公告)号：CN119833122A
公开(公告)日：2025-04-15
申请号：CN202510041745.0
申请日：2025-01-10
Applicant: 南通大学
IPC: G16H50/20 , A61B5/00 , A61B5/055 , G16H50/70 , G06F18/241 , G06N3/049 , G06N3/0464 , G06N3/045 , G06N3/08 , G06F123/02
Abstract: 本发明提供了基于动态脉冲神经网络的脑疾病结构‑功能耦合分析方法，属于智能辅助医疗诊断技术领域，有效解决了现有结构‑功能耦合分析方法在捕捉大脑动态变化、非线性耦合特性以及整合多模态数据方面的不足的技术问题。其技术方案为：首先构建动态脉冲神经网络模型；接着从原始fMRI时间序列中提取脉冲结构连接矩阵；然后从功能脑网络中提取脉冲功能连接矩阵，并将其输入到脉冲耦合池化模块得到脉冲结构‑功能耦合；最后将得到的耦合信息输入到分类层获得疾病识别结果。本发明的有益效果为：本发明的显著优势在于为脑疾病研究提供了全新的分析工具和视角，推动了对脑疾病神经机制的深入理解，并且在临床应用中展现出广泛的应用潜力。
-
公开(公告)号：CN117542503B
公开(公告)日：2024-09-24
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：CN118332330A
公开(公告)日：2024-07-12
申请号：CN202410365821.9
申请日：2024-03-28
Applicant: 南通大学
IPC: G06F18/214 , G06Q50/00 , G06F17/13 , G06F16/35
Abstract: 本发明提供了基于社会学信息神经网络的观点预测改进方法，属于观点动力学技术领域。本发明在预测观点的精度更高。其技术方案为：收集社交网络中某一话题的评论数据集，将评论数据集进行预处理，并分为训练集与测试集；构建FNN神经网络模型，输入时间和用户，输出观点值，将其用于近似观点的演变；将观点动力学模型重新表述为普通微分方程，并计算损失函数值ode loss，并在这个约束下进行训练神经网络模型；将测试数据集中的每个用户输入到该模型中进行分析，从而得出每个用户样本的预测观点。本发明的有益效果：利用小样本进行分析，从而训练出能准确预测观点的模型，提高准确率。
-
公开(公告)号：CN114494195B
公开(公告)日：2024-06-04
申请号：CN202210094076.X
申请日：2022-01-26
Applicant: 南通大学
IPC: G06V10/764 , G06V10/74 , G06V10/774 , G06V10/82 , G06N3/0464 , G06N3/045 , G06N3/096
Abstract: 本发明提供了一种用于眼底图像分类的小样本注意力机制并行孪生方法，根据患者的眼底病变图像进行分类得到分类结果，包括以下步骤：读取医学眼底图像数据集进行预处理，得到预处理的图片数据；通过基于孪生网络Siamese的少镜头学习方法，利用基于特征的迁移学习方法，迁移已使用数据集ImageNet预训练好的稠密连接网络densenet，来提取两幅不同图像的特征，并在此网络的基础上加入卷积块注意力模块CBAM选择更为关键的图像信息，通过一个对比损失函数进行图片的相似性度量，从而获得更为准确的分类预测结果。本发明迁移了稠密连接网络，能够有效地减少小样本学习中过拟合的情况，同时借助CBAM注意力机制和孪生网络，有效地提升了医学眼底图像病变分类数据的效率和精度。
-
-
-
-
-
-
-
-
-
Search Results
50
records
(took 0.024 seconds)
