-
公开(公告)号：CN115601343A
公开(公告)日：2023-01-13
申请号：CN202211334054.2
申请日：2022-10-28
Applicant: 西南大学(CN)
IPC: G06T7/00 , G06V10/42 , G06V10/44 , G06V10/764 , G06V10/774 , G06V10/80 , G06V10/82 , G06N3/0464 , G06N3/048 , G06N3/08 , A61B6/03
Abstract: 本发明公开了注意力机制下特征融合的多时期脑部CTA侧支循环评分方法，主要涉及计算机辅助医疗技术领域；包括步骤：S1、将原始CTA‑dicom序列转换为伪RGB图像；S2、针对多时期的数据特色，设计四条独立单分支网络；S3、通过设计的单分支多特征融合和多时段多特征融合模块，融合多时期CTA图像，丰富数据特征；S4、加入全局注意力机制模块，在融合后网络中加入全局特征提取注意力机制；S5、将筛选出的融合特征，输入线性分类器对患者侧支循环进行分类；本发明有效地提高了预后判断效率，避免了传统方法中手动提取影像特征的局限性，在临床上对医生诊断起到了辅助作用，对侧支循环卒中临床症疗决策具有指导作用。
-
公开(公告)号：CN105516206A
公开(公告)日：2016-04-20
申请号：CN201610056853.6
申请日：2016-01-28
Applicant: 西南大学
CPC classification number: H04L63/1425 , H04L41/0631 , H04L41/145
Abstract: 本发明提供的基于偏最小二乘的网络入侵检测方法，包括根据偏最小二乘回归方程建立网络数据的异常检测模型；对未标记的数据集进行属性域映射，利用所述异常检测模型对数据进行分类，获取不同类型的访问行为；本发明利用当网络遭受来外部的入侵时，入侵数据可以视为叠加在正常网络流量上的一个非线性扰动，其扰动强度受入侵时间，入侵数据流量大小的影响，通过非线性理论，建立这种网络非线性数据的异常检测模型，通过参数拟合发现异常的数据流，利用回归分析和预测理论中的偏最小二乘方法，进行入侵行为检测，并对偏最小二乘方法的收敛条件采用了Kullback Leibler散度作为正常和异常行为的判别依据，从而使网络中的入侵行为检测更加准确快速。
-
公开(公告)号：CN115937604A
公开(公告)日：2023-04-07
申请号：CN202211706817.1
申请日：2022-12-27
Applicant: 西南大学
IPC: G06V10/764 , G06V10/80 , G06V10/40 , G06V10/774 , G06V10/82 , G06T7/00 , G06N3/0442 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种基于多模态特征融合的抗NMDAR脑炎预后分类方法，主要涉及医学图像处理技术领域；包括步骤：S1、获取对应的患者MRI图像和临床特征；S2、构建MRI特征提取器，提取患者的影像特征；S3、构建多模态特征融合模型，将影像特征和临床特征跨模态融合，生成信息更加丰富的融合特征；S4、基于融合特征构建抗NMDAR脑炎预后分类器，并通过多模态数据集对其进行训练；S5、将待分类的抗NMDAR脑炎患者的MRI图像与临床特征输入到训练好的分类器中，获得预后分类结果；本发明大大减少了抗NMDAR患者预后诊断对领域专家的依赖，能够为医生提供客观、准确、一致和可解释的诊断参考。
-
公开(公告)号：CN107230150A
公开(公告)日：2017-10-03
申请号：CN201710591810.2
申请日：2017-07-19
Applicant: 西南大学
IPC: G06Q40/04
CPC classification number: G06Q40/04
Abstract: 一种基于非负矩阵分解的股票市场中的异常检测方法，包括，建立股指数据矩阵，利用NMF对股指数据矩阵进行分解，得到代表股指特征基的基矩阵U和代表低维的权重系数的系数矩阵V；对股票时间序列Xn×m进行非负矩阵分解得到基矩阵Un×r和系数矩阵Vr×m，对权系数向量Vi实施小波变换，得到多层级的不同粒度的波形；对波形的波动幅度进行检测，从波形幅度中判断异常情况，在确定了序列异常位置后，进行实证分析：从对权系数向量Vi进行小波变换后的序列中找出检测到的异常波动相对于序列的位置，然后在原始矩阵数据中对应的位置标记出异常事件的时间点，并考察该时间点股市指数的变换情况，从而判断检测的准确性。
-
公开(公告)号：CN116524241A
公开(公告)日：2023-08-01
申请号：CN202310336238.0
申请日：2023-03-30
Applicant: 西南大学
IPC: G06V10/764 , G06V10/774 , G06V10/778 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了基于深度学习的多发性硬化和视神经脊髓炎疾病分类方法，主要涉及医学图像分类技术领域；包括步骤：S1、采集患有多发性硬化和视神经脊髓炎疾病的两类人群的多模态核磁共振成像图像；S2、首将图像数据集分为训练集和测试集；S3、构建基于深度学习的多发性硬化和视神经脊髓炎疾病分类模型；S4、将预处理后的训练集输入基于深度学习的多发性硬化和视神经脊髓炎疾病分类模型中进行训练；S5、将待分类的多模态核磁共振成像图像送入到训练好的基于深度学习的多发性硬化和视神经脊髓炎疾病分类模型中进行分类；本发明能够解决现有的MS和NMO影像分类难以自动化且识别效果差的问题。
-
Patent Agency Ranking
公开(公告)号：CN115331274A
公开(公告)日：2022-11-11
申请号：CN202211026040.4
申请日：2022-08-25
Applicant: 西南大学 , 重庆医科大学附属第一医院
Abstract: 本发明公开了一种用于责任血管定位的注意引导多分支融合分类方法，主要涉及血管堵塞辅助判断领域；包括步骤：S1、构建多分支融合网络；S2、通过采样器获取样本标签；S3、将不同的样本标签对送入对应的网络分支，经过权重共享的改进主体网络之后得到各自分支的特征向量；S4、获取分类概率输出pc、pr；S5、获取分割概率图S6、获取平衡分支的分类概率pb；S7、根据分类概率pc、pr、pb来构建的分类累计损失本发明为计算机辅助医师判断大血管是否发生堵塞以及具体的责任堵塞血管提供了新助力，能够有效地解决数据样本中类严重不平衡问题，并达到满意的分类精度。
-
公开(公告)号：CN105975443B
公开(公告)日：2019-02-15
申请号：CN201610288282.9
申请日：2016-05-04
Applicant: 西南大学
IPC: G06F17/18
Abstract: 本发明提供的基于Lasso的网络异常行为检测方法及系统，其方法包括建立异常检测模型，通过Lasso算法确定模型参数，输入待测数据并获取预测值，将所述预测值与预先设置的阈值进行比较，判断是否存在异常数据；本发明结合了Lasso快速的参数估计和准确的回归拟合这样优良的特性，在保证检测速度的基础上，提高了对于网络异常行为的判断的准确率，本发明在数据处理过程中，通过稀疏表示的方法，使得数据维度大大降低，减少了模型检测的时间，具有更快的检测速度，可以实现实时在线检测，本发明可以对网络数据和主机数据进行双重监测，对数据处理可以以矩阵形式进行批量进行，并与采用硬件实现线性回归方法，大大提高了算法的执行速度，实现快速、高效、准确的异常检测。
-
公开(公告)号：CN106570325A
公开(公告)日：2017-04-19
申请号：CN201610962997.8
申请日：2016-11-04
Applicant: 西南大学
IPC: G06F19/00
CPC classification number: G16H50/20
Abstract: 本发明涉及一种基于偏最小二乘法的乳腺细胞异常检测方法，其包括：(1)导入用于建立模型的数据集，并设定相应的因变量和自变量，对数据进行标准化处理，提取主成分，拟合并建立偏最小二乘线性模型；(2)观察T2椭圆图，识别异常点，将异常点从数据集中剔除，得到新的数据集，再次拟合直到不存异常点，获得参数集，求得y的表达方程式；(3)输入待测数据集，利用方程进行计算，得到预测值y，然后根据确定的阈值，来判断预测值为良性还是恶性细胞。本发明通过偏最小二乘回归的方法，建立起乳腺细胞异常检测的回归模型，通过对回归模型的训练，生成较好的良恶性乳腺细胞检测方法，具有快速的检测能力和较高的检测精度。
-
公开(公告)号：CN105975443A
公开(公告)日：2016-09-28
申请号：CN201610288282.9
申请日：2016-05-04
Applicant: 西南大学
IPC: G06F17/18
CPC classification number: G06F17/18
Abstract: 本发明提供的基于Lasso的异常检测方法及系统，其方法包括建立异常检测模型，通过Lasso算法确定模型参数，输入待测数据并获取预测值，将所述预测值与预先设置的阈值进行比较，判断是否存在异常数据；本发明结合了Lasso快速的参数估计和准确的回归拟合这样优良的特性，在保证检测速度的基础上，提高了对于网络异常行为的判断的准确率，本发明在数据处理过程中，通过稀疏表示的方法，使得数据维度大大降低，减少了模型检测的时间，具有更快的检测速度，可以实现实时在线检测，本发明可以对网络数据和主机数据进行双重监测，对数据处理可以以矩阵形式进行批量进行，并与采用硬件实现线性回归方法，大大提高了算法的执行速度，实现快速、高效、准确的异常检测。
-
公开(公告)号：CN210955619U
公开(公告)日：2020-07-07
申请号：CN201922148271.2
申请日：2019-12-04
Applicant: 西南大学
IPC: G09B17/02 , G06F3/0354 , G06K9/24
Abstract: 本实用新型公开了一种多功能数字教学激光笔，属于激光笔技术领域，包括激光笔主体，激光笔主体顶部设有激光灯、图像采集模块，激光笔主体的侧面设有模式切换控制键、拍摄控制键和USB接口，激光笔主体的底部设有触屏笔笔头；激光笔主体内部设有控制模块、存储模块、无线通讯模块和电源模块；模式切换控制键控制图像采集模块的开关，拍摄控制键控制图像采集模块的拍摄，控制模块输入输出端连接图像采集模块，其输出端连接存储模块。本实用新型示例的教学激光笔，集成了触屏笔笔头以便于通过手机端对课件的准确批注，批注后的课件投影后可通过前端图像采集模块对图像进行拍摄并存储到存储模块中，不用保存原文档即可记录标注的图像，具有便携易用、功能实用性强的特点。
-
-
-
-
-
-
-
-
-
Search Results
11
records
(took 0.017 seconds)
