-
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：CN117829198A
公开(公告)日：2024-04-05
申请号：CN202410006813.5
申请日：2024-01-03
Applicant: 南通大学
IPC: G06N3/006
Abstract: 本发明提供了一种信息素引导粗糙超立方体的高维大规模并行属性约简方法，属于智能信息处理技术领域。其技术方案为：利用Spark读取高维大规模数据并转换为RDD格式；初始化信息素矩阵，构建粗糙超立方体模型；并行计算属性的评价指标并综合计算适应度得分；迭代循环，每次迭代根据适应度得分更新信息素矩阵；根据信息素矩阵更新狼群的位置；达到最大迭代次数，将最佳适应度的个体位置编码转换成属性子集。本发明利用信息素机制引导灰狼算法，结合粗糙超立方体方法，有效地处理和分析大规模、多维度的数据，得到紧凑且高具辨别力的属性子集。
-
公开(公告)号：CN117059284A
公开(公告)日：2023-11-14
申请号：CN202311031910.1
申请日：2023-08-16
Applicant: 南通大学
IPC: G16H50/70 , G16H10/60 , G16H70/00 , G06F18/211 , G06N3/006
Abstract: 本发明提供了一种基于协同进化离散粒子群优化的糖尿病并行属性约简方法，属于医学电子病例技术领域。解决了糖尿病症电子病历数据维度大、冗余多，导致医生判断错误的技术问题。其技术方案为：包括以下步骤：S1：将糖尿病症数据存放到分布式文件系统中；S2：计算机节点读取HDFS中block块的数据；S3：主节点得到汇总的数据键值对后；S4：主节点将进行步骤S3操作所得的 键值对数据广播到各个子节点；S5：主节点对得到的属性评价函数结合CQBPSO算法进行建模。本发明的有益效果为：本发明结合粗糙集理论和Spark分布式计算平台，能够从糖尿病症数据集中筛选出最具代表性和关键性的属性。
-
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。
-
Patent Agency Ranking
公开(公告)号：CN118053023A
公开(公告)日：2024-05-17
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：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：CN116759069B
公开(公告)日：2024-07-23
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：CN116994743B
公开(公告)日：2024-04-09
申请号：CN202310851846.5
申请日：2023-07-11
Applicant: 南通大学
IPC: G16H50/20 , G16H10/60 , G16H50/70 , G06F18/214 , G06F18/2415 , G06N3/042 , G06N3/0464 , G06N3/045 , G06N3/084
Abstract: 本发明提供了一种基于序贯三支的置信图卷积神经网络的自闭症分类方法，属于图卷积神经网络与序贯三支决策技术领域。解决了自闭症诊断过程存在的不确定性的技术问题。其技术方案为：首先，该方法通过定义置信度，描述诊断过程中存在的不确定性；然后，定义序贯三支的置信度阈值；接着，将序贯三支决策模块加入置信度图卷积神经网络模型，得到样本的预测标签；最后，通过自闭症数据集，评估自闭症预测模型的性能。本发明的有益效果为：有效提升自闭症的分类准确率。
-
-
-
-
-
-
-
-
-
Search Results
20
records
(took 0.02 seconds)
