公开(公告)号：CN119380824A

公开(公告)日：2025-01-28

申请号：CN202411504973.9

申请日：2024-10-28

Applicant: 厦门理工学院

Inventor： 蔡加欣 ,  朱圣俊

IPC: G16B40/00 ,  G06F18/214 ,  G06F18/241 ,  G06F18/243 ,  G06N3/0442 ,  G06N3/0455 ,  G06N3/084

Abstract: 本发明涉及一种用于新冠病毒S1_IgG与N_IgG抗体水平阳性阶段分类的方法，属于生物信息学领域。该方法包括：对血液测试样本数据集中的血液测试样本的新冠病毒S1_IgG抗体水平与N_IgG抗体水平分别进行二分类标签设置；构建并训练带有线性注意力机制的Seq2Seq模型；将血液测试样本数据集输入训练后的带有线性注意力机制的Seq2Seq模型，得到每个血液测试样本在训练后的带有线性注意力机制的Seq2Seq模型中对应的各中间状态数据，构建广义加性模型拟合的残差，并引入SCAD惩罚项，得到拟合后的广义加性模型以替代线性注意力机制，用于待测血液测试样本的新冠病毒S1_IgG抗体水平与N_IgG抗体水平阳性阶段分类。本发明能够提高新冠病毒S1_IgG与N_IgG抗体水平阳性阶段分类结果的直观性和准确性。

公开(公告)号：CN119380025A

公开(公告)日：2025-01-28

申请号：CN202411510319.9

申请日：2024-10-28

Applicant: 厦门理工学院

Inventor： 刘柏辰 ,  朱顺痣 ,  朱圣俊 ,  王大寒 ,  吴嘉骅

IPC: G06V10/26 ,  G06V10/82 ,  G06V10/774 ,  G06V10/764 ,  G06V10/80 ,  G06N3/0455 ,  G06N3/0464 ,  G06N3/082 ,  G06N3/084 ,  G06N3/088 ,  G06N3/0895 ,  G06N3/09 ,  G06N3/094

Abstract: 本发明提出基于半监督学习和细节增强的图像分割方法及系统，包括以下步骤：收集医学图像并将部分数据进行标注；构建医学图像分割模型；将标注的图像输入医学图像分割模型计算其交叉熵损失；对未标注图像施加弱扰动与强扰动；将弱扰动图像和强扰动图像输入医学图像分割模型，弱扰动图像经过编码器输出后对其添加特征扰动策略，利用无标注数据所得输出结果计算一致性损失；设置模型总损失包括交叉熵损失与一致性损失；对总损失进行优化以及反向梯度传播，更新模型网络参数；将目标图像输入医学图像分割模型，所述医学图像分割模型输出目标图像每个像素点所属类别。本发明可提高医学图像分割的效率，实现更高精度和鲁棒性。

公开(公告)号：CN119360137A

公开(公告)日：2025-01-24

申请号：CN202411909688.5

申请日：2024-12-24

Applicant: 厦门理工学院

Inventor： 朱圣俊 ,  蔡加欣 ,  刘柏辰

IPC: G06V10/764 ,  G06V10/82 ,  G06V10/80 ,  G06N3/0464 ,  G06N3/084 ,  G16H30/40 ,  G06N3/0455

Abstract: 本发明涉及一种用于第二孕期产前II级超声标准胎儿平面识别方法，属于胎儿超声图像处理技术领域。该方法包括：基于第二孕期产前II级超声标准胎儿平面图像集预训练残差神经网络模型，保留预训练完成的残差神经网络模型的卷积层，并基于残差神经网络模型的卷积层生成形状为[n,FZ,FZ]的特征图；将特征图分解后的奇异向量和奇异值结合构造矩阵基因向量MGV，并通过大步跨核卷积解码矩阵基因向量MGV，或通过特征融合方法解码矩阵基因向量MGV，输出第二孕期产前II级超声标准胎儿平面图像的分类结果。本发明能够实现胎儿II级超声图片的分类，且可以更好的保留特征图上面的分布信息和显著信息。

公开(公告)号：CN117672534A

公开(公告)日：2024-03-08

申请号：CN202311639198.3

申请日：2023-11-30

Applicant: 厦门理工学院

Inventor： 蔡加欣 ,  朱圣俊

IPC: G16H50/50 ,  G16H10/60 ,  G06N3/0442 ,  G06N3/084

Abstract: 本发明提出一种基于深度学习的临床评估系统，基于计算机系统，包括：样本生成模块：把每个患者的血液测试样本按时间顺序从小到大排列后，根据患者提供的多个血液测试样本以及每个样本对应的m个血清学指标构建获得用于评估的数据集；以及至少一个以下评估模型：疾病严重性预测模型，包括：长短期记忆网络、批量归一化层、拉平层、随机失活层和全连接层；临床结局预测模型，包括：TA块、长短期记忆网络、批量归一化、全连接层、拉平层、随机失活层和全连接层；样本抗体水平预测模型，包括：长短期记忆网络、随机失活层、全连接层、随机失活层和全连接层。以实现很好地捕捉到血清随时间变化的信息。