-
公开(公告)号：CN119006501A
公开(公告)日：2024-11-22
申请号：CN202411009523.2
申请日：2024-07-26
Applicant: 新疆大学 , 新疆医科大学第一附属医院
Abstract: 本发明为一种缺血性脑卒中多序列磁共振图像的融合模型及方法。一种缺血性脑卒中多序列磁共振图像的融合模型，包括：病灶检测模块、2个渐进式特征引导模块、边缘检测模块，损失函数模块；所述的病灶检测模块：用于聚焦到DWI图像中的高信号病灶区域；所述的渐进式特征引导模块：用于引导模态图像分支进行特征提取；所述的边缘检测模块：用于提取病灶边缘特征。本发明所述的一种缺血性脑卒中多序列磁共振图像的融合模型及方法，不仅在客观指标上达到SOTA，且主观融合效果更具解释性，首次实现了对缺血性脑卒中辅助诊断主客观评价的统一，有效解决缺血性脑卒中多序列磁共振图像融合中的临床问题。
-
公开(公告)号：CN114613494A
公开(公告)日：2022-06-10
申请号：CN202210256653.0
申请日：2022-03-16
Applicant: 新疆医科大学第一附属医院 , 新疆大学
Abstract: 本发明为一种用于快速筛查宫颈肿瘤的模型及其建立方法。一种用于快速筛查宫颈肿瘤的模型的建立方法，包括以下步骤：(1)采集不同病变程度的宫颈肿瘤患者的血清样本后，测定并获取傅立叶红外光谱数据；(2)所述的傅立叶红外光谱数据通过PSO‑CNN算法建立分类模型，得所述的用于快速筛查宫颈肿瘤的模型。本发明所述的一种用于快速筛查宫颈肿瘤的模型及其建立方法，通过对PSO‑CNN算法进行优化，可以提高识别效果，从而可以更好的应用于快速筛查宫颈肿瘤。
-
公开(公告)号：CN116681635A
公开(公告)日：2023-09-01
申请号：CN202310676311.9
申请日：2023-06-08
Applicant: 新疆大学 , 新疆医科大学第一附属医院
Abstract: 本发明为一种基于双脑异向网络的多模态医学图像的融合模型和方法。一种基于双脑异向网络的多模态医学图像的融合模型，包括：双脑异向网络模块和损失函数模块；所述的双脑异向网络模块包括：Lefthemisphere1、Lefthemispher2和Righthemisphere；其中，所述的Lefthemisphere1、Left hemispher2作为主干网络来分别提取全局特征；所述的Righthemisphere是一个动态引导网络，用于提取局部特征；所述的损失函数模块驱动网络关注边缘细节和结构信息。本发明所述的一种基于双脑异向网络的多模态医学图像的融合模型和方法，采用全局特征动态引导局部特征的方式，以此达到长期动态指导性关系建模，使得该网络能够充分实现跨东西半球集成互补特征信息的功能，解决多模态医学图像融合中的问题。
-
公开(公告)号：CN119322049A
公开(公告)日：2025-01-17
申请号：CN202411357798.5
申请日：2024-09-27
Applicant: 新疆大学
Abstract: 本发明为Ag@Pt@PSB复合SERS衬底及制备方法、应用、CXB模型及建立方法、应用。一种Ag@Pt@PSB复合SERS衬底的制备方法，包括以下步骤：(1)制备PSB布拉格反射镜；(2)将所述的PSB布拉格反射镜浸入硝酸银溶液中40‑60s后，取出，再浸入氯铂酸溶液中，至少3min后，用水清洗、干燥，得所述的Ag@Pt@PSB复合SERS衬底。本发明所述的Ag@Pt@PSB复合SERS衬底及制备方法、应用、CXB模型及建立方法、应用，采用电化学腐蚀和原位还原法成功开发了一种新型的Ag@Pt@PSB复合SERS活性衬底，其具有更高的SERS增强效应和更高的灵敏度，从而可用于赛来昔布检测中；并且将该衬底与深度学习算法结合，可建立精准度更高的CXB模型。
-
公开(公告)号：CN113592338B
公开(公告)日：2023-09-12
申请号：CN202110909891.2
申请日：2021-08-09
Applicant: 新疆大学 , 新疆艾旗斯德检测科技有限公司
IPC: G06Q10/0639 , G06Q10/0635 , G06F16/35 , G06N3/09
Abstract: 本发明为一种食品质量管理安全风险预筛查模型。一种食品质量管理安全风险预筛查模型，包括：(1)文本数据获取及预处理；(2)预处理后的文本数据编码向量化；(3)通过有监督的深度学习中注意力得分机制，判断食品安全危害程度。本发明所述的一种食品质量管理安全风险预筛查模型，是一种基于关联注意力机制的新型食品文本挖掘技术，利用消费者评论中每个词和unsafety标签的互信息，计算出每个词与食品安全危害的关联得分，再结合有监督的深度学习中注意力得分进一步挖掘消费者与危险食品的潜在互动，从而可以快速筛查潜在的食品安全问题。
-
Patent Agency Ranking
公开(公告)号：CN116227536A
公开(公告)日：2023-06-06
申请号：CN202310233885.9
申请日：2023-03-13
Applicant: 新疆大学
IPC: G06N3/042 , G06N3/048 , G06N3/0895
Abstract: 本发明为一种具有结构感知的组群鉴别图异常的检测方法。一种具有结构感知的组群鉴别图异常的检测方法，包括：(1)基于图的特征矩阵X生成正组的特征矩阵XAl；(2)采用结构扰动机制，基于所述的XAl生成负组的特征矩阵XCl,并基于所述的图的邻接矩阵A生成邻接矩阵Al；(3)将所述的Al分别结合XAl与XCl输入到Encoder‑Readout模块进行特征提取，并获得正负组节点的异常值si；(4)通过鉴别si的方式完成异常检测。本发明所述的一种具有结构感知的组群鉴别图异常的检测方法，能够显著减小图异常检测中计算冗余的能力，能够高效的捕获图中的结构异常。
-
公开(公告)号：CN113889227A
公开(公告)日：2022-01-04
申请号：CN202111060019.1
申请日：2021-09-10
Applicant: 新疆大学
Abstract: 本发明为一种基于DICOM的医学图像脱敏及清洗方法。一种基于DICOM的医学图像脱敏及清洗方法，包括以下步骤：S10：对DICOM标准的CT医学图像原始数据进行批件审核；S20：将步骤S10处理后的CT医学图像数据进行数据脱敏；S30：对步骤S20处理后的CT医学图像进行PatientID解敏；S40：对步骤S30处理后的CT医学图像的数据集进行清洗；S50：将清洗后的数据进行归类输出，保留有效数据，删除错误数据。本发明基于DICOM的医学图像脱敏及清洗方法准确有效，可以在保证医学图像数据集质量的情况下对其进行数据脱敏及数据清洗工作，在有效保护患者隐私安全的同时，保留了数据的可用性，保障了数据的价值不受破坏，也节省了人力资源和时间成本。
-
公开(公告)号：CN111382151A
公开(公告)日：2020-07-07
申请号：CN202010206503.X
申请日：2020-03-23
Applicant: 新疆大学 , 新疆维吾尔自治区人民医院 , 新疆艾旗斯德检测科技有限公司
IPC: G06F16/215 , G06F21/62 , G16H30/20
Abstract: 本发明为一种基于数据脱敏的CT医疗图像清洗方法。一种基于数据脱敏的CT医疗图像清洗方法，包括：S10：对CT医疗图像的原始数据进行伦理批件人工审核；S20：采用基于遮掩和替换的脱敏策略，将标签下涉及患者个人隐私的数据进行格式化替换或由*代替；S30：将经过CT医疗图像脱敏后的数据应用清洗程序进行清洗；S40：在步骤S20中如果出现信息Patient ID重复的数据，需要提示人工审核重复数据信息是否脱敏并剔除未脱敏数据；S50：将清洗后的正常数据进行归类输出，人工溯源到原始数据逐一审核确认。本发明的CT医疗图像清洗方法准确有效，可以快速准确对CT医疗图像进行数据脱敏操作，并完成数据清洗工作；对患者隐私进行了保护，同时也节省了大量的人力和时间成本。
-
公开(公告)号：CN117315427A
公开(公告)日：2023-12-29
申请号：CN202311380426.X
申请日：2023-10-24
Applicant: 新疆大学
IPC: G06V10/80 , G06V10/764 , G06V10/82 , G06N3/094 , G06N3/0455
Abstract: 本发明为具体涉及一种基于双模光谱交互学习的高阶张量多模态融合方法和模型。一种基于双模光谱交互学习的高阶张量多模态融合方法，包括：S10：输入拉曼光谱和红外光谱数据；S20：通过高阶张量外积，所述的拉曼光谱与红外光谱数据进行非级联多模光谱融合表征；S30：计算正交性损失、重建损失、对抗损失，通过对所述的拉曼光谱特征和红外光谱特征进行独特的表征学习来弥补异质性差异。本发明所述的一种基于双模光谱交互学习的高阶张量多模态融合方法和模型，通过BHTF获得双模光谱信息的高阶交互融合特征有效实现多模态数据信息融合，并通过CMIL跨模态学习多模态数据间异质性，实现更准确的跨模态表示，提高了模型的鲁棒性。
-
公开(公告)号：CN111540405B
公开(公告)日：2023-07-07
申请号：CN202010356861.9
申请日：2020-04-29
Applicant: 新疆大学
Abstract: 本发明公开了疾病基因预测技术领域，具体领域为一种基于快速网络嵌入的疾病基因预测方法，可以更有效地利用多种关联数据中的信息来预测疾病相关基因。其方法由四部分组成：(1)利用疾病‑基因、疾病‑表型、蛋白质‑蛋白质、基因‑GO关联等多种类型的关联数据构建异构网络；(2)采用快速网络嵌入方法提取疾病和基因的低维矢量表示；(3)使用低维矢量表示构建由疾病和基因组成的双层异构网络；(4)将异构网络传播应用于网络预测疾病相关基因。本方法有提高疾病基因预测能力方面的重要作用，并通过与最新算法的比较验证了本方法的优越性能。
-
-
-
-
-
-
-
-
-
Search Results
30
records
(took 0.05 seconds)
