-
公开(公告)号：CN119722710A
公开(公告)日：2025-03-28
申请号：CN202411911728.X
申请日：2024-12-23
Applicant: 广东工业大学
IPC: G06T7/11 , G06T7/136 , G06V10/774 , G06V10/40 , G06F40/284 , G06F40/126 , G06V10/80 , G06V10/82 , G06N3/0455 , G06N3/0464 , G06N3/045 , G06N5/04 , G06N3/084
Abstract: 本发明公开了一种基于CrossMAE的脑胶质瘤分割方法，旨在通过MRI与诊断报告联合提取视觉语言表征来增强分割性能。该方法通过随机掩蔽图像与文本信息，并重建被掩蔽内容，学习跨模态深层关联，进而实现MRI脑胶质瘤的精准分割。该方法包括以下步骤：S1：采集多模态MR脑肿瘤图像及诊断报告，构建数据集；S2：设计图文联合掩码策略，对数据进行有选择性的掩蔽处理；S3：构建基于CrossMAE的MRI脑胶质瘤分割模型；S4：设计多任务级联损失函数，利用数据集对分割模型进行训练与优化，获得训练好的MRI脑胶质瘤分割模型；S5：根据训练好的MRI脑胶质瘤分割模型进行MRI脑胶质瘤分割。本发明从MRI中有效提取并利用跨模态互补信息，从而实现对MRI脑胶质瘤的精准分割。
-
公开(公告)号：CN118430659A
公开(公告)日：2024-08-02
申请号：CN202410637045.3
申请日：2024-05-22
Applicant: 广东工业大学
Abstract: 本发明公开的属于机器学习与生物基因结合技术领域，具体为一种结合基于L21约束的图矩阵分解和网络投影融合的miRNA与疾病关联预测方法，包括具体步骤如下：获取miRNA‑疾病的邻接矩阵Y，通过miRNA‑疾病邻接矩阵来描述二者的关联关系；通过医学主题词MeSH计算出疾病语义相似性SSD，通过CuiLab上获得miRNA功能相似性SSM，通过邻接矩阵Y分别计算出miRNA的GIP核相似性GM和疾病GIP核相似性GD；本发明设计了L21相似性约束项加入到矩阵分解中(L21SGMF)，有效的抑制了低维矩阵中的噪声，然后在NPFM中将miRNA/疾病相似性网络和初始得分矩阵融合在一起从而弥补分解过程中原始数据丢失的网络拓扑信息，使最终预测miRNA‑疾病的关联更加准确。
-
公开(公告)号：CN113553764B
公开(公告)日：2023-08-04
申请号：CN202110792189.2
申请日：2021-07-13
Applicant: 广东工业大学
IPC: G06F30/27 , G06V20/13 , G06V10/764 , G06V10/82 , G06N3/0442 , G06N3/0464 , G06N3/048 , G06N3/08 , G06Q10/04 , G06Q50/06 , G06F111/08
Abstract: 本发明提供了一种基于深度学习网络的山火预测方法，属于深度学习技术领域。本发明的山火预测网络模型同时引入了卷积神经网络CNN和卷积长短期记忆网络CONVLSTM对山火进行预测，不仅考虑了山火在时间上的时序规律，也能够提取山火像元以及山火附近像元的空间特征；利用山火时空维度的信息，使预测精度更高，并且本技术方案通过深度学习自动构建山火预测模型，调节影响因子权重，无需过高的专家知识设置影响因子权重，通用性更好。
-
公开(公告)号：CN116230089A
公开(公告)日：2023-06-06
申请号：CN202310109047.0
申请日：2023-02-14
Applicant: 广东工业大学
Abstract: 本发明提供一种用于推断lncRNA‑疾病关联的受校正相似性约束的概率矩阵分解方法，包括以下步骤：S1：获取lncRNA‑疾病邻接矩阵Y，所述lncRNA‑疾病邻接矩阵用于描述lncRNA‑疾病关联关系；S2：计算lncRNA表达相似矩阵ES和疾病语义相似矩阵DS；S3：利用Logistic函数对ES和DS进行相似性校正得到lncRNA校正相似性矩阵LE和疾病校正相似性矩阵LD，以突出相似性范围[0,1]内的强关联性，淡化弱关联性；S4：采用校正相似性矩阵LE和LD作为约束进行概率矩阵分解，在所述lncRNA‑疾病关联矩阵中预测lncRNA‑疾病的关联。本发明引入Logistic函数来重构lncRNA和疾病的相似度矩阵，建立一个更好的度量方式来精确描述lncRNA与疾病之间的相似关系。然后基于相似的lncRNA通常与对应的疾病存在相互关联的假设，在原有概率矩阵分解算法的基础上引入了更多的生物信息(即lncRNA和疾病的相似性)加以约束，实现了精确的lncRNA‑疾病的关联预测。
-
公开(公告)号：CN110110667B
公开(公告)日：2022-09-23
申请号：CN201910380226.1
申请日：2019-05-08
Applicant: 广东工业大学
IPC: G06V20/69
Abstract: 本申请公开了一种硅藻图像的处理方法，所述处理方法包括获取电子显微镜采集的原始硅藻图像，并利用GBVS算法提取所述原始硅藻图像的显著图；对所述显著图执行二值化处理得到二值化图像，根据所述二值化图像确定有效区域；对所述有效区域执行边缘检测操作得到硅藻边缘信息，根据所述硅藻边缘信息确定待显示区域；输出所述原始硅藻图像中与所述待显示区域对应的图像。本申请能够准确分割硅藻图片的背景与硅藻本体图像，提高硅藻本体图像的识别率。本申请还公开了一种硅藻图像的处理系统、一种计算机可读存储介质及一种电子设备，具有以上有益效果。
-
Patent Agency Ranking
公开(公告)号：CN113241115A
公开(公告)日：2021-08-10
申请号：CN202110327870.X
申请日：2021-03-26
Applicant: 广东工业大学
Abstract: 本发明提供一种基于深度矩阵分解的环状RNA疾病关联预测方法，本发明通过相似核融合，整合已知circRNA与疾病的相似性，引入WKNKN算法来重构circRNA‑疾病关联矩阵，消除缺失未知关联对本发明方法的影响，最后利用奇异值分解和深度学习技术提取线性和非线性circRNA与疾病的特征，最后通过S型函数，得到最终的预测结果。
-
公开(公告)号：CN106874779A
公开(公告)日：2017-06-20
申请号：CN201710141180.9
申请日：2017-03-10
Applicant: 广东工业大学
CPC classification number: G06F21/60 , G06F17/30303
Abstract: 本申请公开了一种数据挖掘隐私保护方法及系统，该方法包括：获取原始数据集；对原始数据集中的连续属性进行离散化，得到第一处理后数据集；对第一处理后数据集中的属性进行约简处理，得到第二处理后数据集；对第二处理后数据集中的属性进行完全泛化处理，得到相应的细分方案集；对细分方案集展开相应的决策树构建操作，得到相应的目标决策树；利用目标决策树，对数据挖掘过程展开隐私保护。本申请可以避免在创建决策树的过程中消耗过多的隐私预算，并且能够消除冗余属性对分类准确度的影响，从而提高了最终的隐私保护效果。
-
公开(公告)号：CN119963575A
公开(公告)日：2025-05-09
申请号：CN202510033486.7
申请日：2025-01-08
Applicant: 广东工业大学
IPC: G06T7/11 , G06T7/00 , G06V10/44 , G06N3/0464 , G06V10/80
Abstract: 本发明涉及一种基于MSLQA‑Net的轻量化脑肿瘤分割方法，该方法应用于脑肿瘤核磁共振成像(MRI)的肿瘤分割。该方法包括：S1：预处理脑部MRI数据，将数据划分为训练集，验证集和测试集；S2：构建多尺度分解残差卷积模块(MSDRC)进行特征提取，构成多级次特征图；S3：构建跨层特征聚合模块(CLFA)，对多级次特征图进行高效聚合，得到聚合特征图；S4：构建四重维度注意力模块(QDA)，对聚合特征图进一步细化，得到细化特征图；S5：融合多尺度分解残差卷积，跨层特征聚合及四重维度注意力模块，构建MSLQA‑Net分割模型；S6：使用训练集，验证集和测试集对分割模型进行训练，验证优化及测试。本发明在脑肿瘤分割任务中，能在提升推理速度的同时，仍保持高精度结果。
-
公开(公告)号：CN119168899A
公开(公告)日：2024-12-20
申请号：CN202411155710.1
申请日：2024-08-21
Applicant: 广东工业大学
Abstract: 本发明涉及一种基于多级特征感知的低剂量计算机断层扫描(Computerized Tomography,CT)去噪方法和装置，该方法包括：S1：采集低剂量CT图片和高剂量CT图片构建CT数据集转化为NPY矩阵数据；S2：对NPY矩阵数据进行多分支局部‑全局特征提取，得到浅层特征；S3：对浅层特征进行注意力信息强化，得到中层特征；S4：对中层特征进行特征提取得到深层特征；S5：对浅、中和深层信息进行特征融合，得到融合特征；S6：将融合特征与NPY矩阵数据合并，得到CT去噪图像。通过使用本发明，能够为用户通过CT扫描仪得到的低剂量CT提供更符合人眼观察效果的CT图像去噪服务。本发明作为一种多级特征感知的低剂量CT去噪方法和装置，可广泛应用于CT去噪领域。
-
公开(公告)号：CN116646012A
公开(公告)日：2023-08-25
申请号：CN202310286302.9
申请日：2023-03-21
Applicant: 广东工业大学
Abstract: 本发明提供一种基于不平衡邻居约束随机游走的LncRNA‑疾病关联预测方法(LNS‑NCURW)，包括以下步骤：S1：获取LncRNA‑疾病邻接矩阵A，融合LncRNA的表达相似性矩阵(LES)、功能相似性矩阵(LFS)和高斯相似性矩阵(LGS)得到LncRNA综合相似性矩阵(LS)，融合疾病的语义相似性矩阵(DSS)和高斯相似性矩阵(DGS)得到疾病综合相似性矩阵(DS)，并使用WKNKN算法来获取潜在的关联关系得到关联矩阵Y；S2：使用线性邻域相似性方法(LNS)重构LncRNA和疾病的相似性得到ILLS和ILDS，再分别计算LncRNA和疾病的邻居约束转移矩阵NCl和NCd；S3：整合lncRNA和疾病的相似性信息，通过矩阵乘法的结果更新关联矩阵Y，再利用邻居约束不平衡随机游走方法分别从LncRNA网络和疾病网络预测LncRNA‑疾病关联预测评分，然后再综合LncRNA网络方向评分和疾病方向评分得到最终预测得分P_SCORE。本发明引入了邻居约束来控制随机游走的游走方向，使得节点随机游走的时候往关联性更高的节点游走，使得关联性弱的节点得分低，而关联性高的节点得分高，从而提高预测的精准性，实现了lncRNA‑疾病的关联预测。
-
-
-
-
-
-
-
-
-
Search Results
66
records
(took 0.033 seconds)
