-
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：CN116543289A
公开(公告)日：2023-08-04
申请号：CN202310522422.4
申请日：2023-05-10
Applicant: 南通大学
IPC: G06V10/82 , G06V10/40 , G06N3/0455 , G06N3/0442 , G06N3/0464 , G06N3/084
Abstract: 本发明涉及计算机视觉和自然语言处理技术领域，尤其涉及一种基于编码器‑解码器及Bi‑LSTM注意力模型的图像描述方法，包括：首先，构建带有卷积神经网络CNN的编码器模型并且用预处理过的图片去训练编码器模型，以便可以高效提取出图像特征；然后构建并训练Bi‑LSTM注意力机制模型，把提取的图像特征作为输入，生成准确地每个词向量；最后，构建带有循环神经网络RNN的句子解码器模型，将词向量输入模型中，以进行图像描述生成。本发明采用一种新的Bi‑LSTM模型，该模型结合前向和后向LSTM的生成信息，调整图像权重的分配，提高了图像描述结果的准确性；本发明通过提高循环神经网络RNN解码的效率，节省图像描述生成的时间成本。
-
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：CN116543289B
公开(公告)日：2023-11-21
申请号：CN202310522422.4
申请日：2023-05-10
Applicant: 南通大学
IPC: G06V10/82 , G06V10/40 , G06N3/0455 , G06N3/0442 , G06N3/0464 , G06N3/084
-
公开(公告)号：CN115393321A
公开(公告)日：2022-11-25
申请号：CN202211030799.X
申请日：2022-08-26
Applicant: 南通大学
IPC: G06T7/00 , G06V10/44 , G06V10/764 , G06N20/00
Abstract: 本发明涉及计算机视觉的医学图像分类任务技术领域，尤其涉及一种基于深度学习的多层螺旋CT对肺结核多分类检出方法，包括：S1：汇总收集患者CT图像数据；S2：对汇总收集到的CT图像数据进行切片，获得原始数据集；S3：对原始图像进行预处理，创建特征样本库，预处理后的图像为特征样本；S4：将特征样本集进行划分，分别用于分类网络模型的建立和测试模型效果，其中训练集和测试集划分比例为8：2。本发明采用多层螺旋CT图像作为数据集，相比X光图像，能够更好的显示肺结核在放射学中的特征，便于机器进行特征提取；对肺结核进行多分类检出，主要包括活动性肺部病变、非活动性肺部钙化病变、非活动性肺部纤维化病变、非肺结核。
-
Patent Agency Ranking
公开(公告)号：CN119205819A
公开(公告)日：2024-12-27
申请号：CN202411468561.4
申请日：2024-10-21
Applicant: 南通大学
Abstract: 本发明提供了一种基于模糊学习的脑肿瘤图像加速扩散网络分割方法，属于医学图像智能分割技术领域。解决了脑肿瘤图像因纹理模糊和边界消失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、对脑肿瘤图像数据集进行数据预处理；S2、对脑肿瘤图像使用3D U‑Net网络进行预分割，将得到的分割图进行迭代加噪使其成为一个纯噪声图像；S3、对纯噪声图像进行迭代去噪，使用模糊U‑Net网络学习去噪过程；S4、提前停止去噪过程，使用3D U‑Net网络对分割图进行分割得到最终的分割结果。本发明的有益效果为：分割准确率高，为脑肿瘤图像的分割提供决策支持，为医生的诊断提供了便利。
-
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：CN119249199A
公开(公告)日：2025-01-03
申请号：CN202411298634.X
申请日：2024-09-18
Applicant: 南通大学
Abstract: 本发明提供了一种基于证据理论的模糊超图神经网络的精神分裂症分类方法，属于超图神经网络与证据理论技术领域，解决了精神分裂症识别任务中存在的异质性较高的技术问题。其技术方案为：首先，通过稀疏约束函数构建优秀的超边粒度模型，将异质性较高的节点排除超边粒度模型；然后，在模糊超图的构建过程中，应用证据理论融合关联质量函数和距离质量函数；通过模糊隶属度刻画节点权重，提升异质性较低节点的权重；最后，通过模糊超图卷积模型，识别精神分裂症患者的标签，提升精神分裂症数据的分类精度及优化语义解释；本发明的有益效果为：提高精神分裂症诊断的准确性与可解释性。
-
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：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。
-
-
-
-
-
-
-
-
-
Search Results
13
records
(took 0.022 seconds)
