-
公开(公告)号：CN119131443A
公开(公告)日：2024-12-13
申请号：CN202311689485.5
申请日：2023-12-11
Applicant: 南通大学
IPC: G06V10/764 , G06N3/0464 , G06N3/08 , G06V10/25 , G06V10/40 , G06V10/774 , G16H50/20
Abstract: 本发明提供了一种基于元学习的基于元学习的罕见脑部病变辨别方法，属于医学信息智能诊断技术领域，解决了传统的人工智能训练需要大量的临床诊断信息，从数据层面上，部分疾病病患的样本数量无法满足传统神经网络训练的需求的技术问题。其技术方案为：先将脑部核磁共振影像的数据集划分为多个任务，每个任务中都包含支持集和查询集；在预训练任务上将CNN模型进行训练和测试，通过反向传播获得全局最优的初始化参数θ；然后使用新类别数据集中的支持集微调训练好的模型；再采用查询集进行测试，得到对模型进行评估。本发明的有益效果为：利用常见脑部疾病区分的先验经验对罕见疾病生成诊断意见，显著提高了模型的泛化能力。
-
公开(公告)号：CN119108099A
公开(公告)日：2024-12-10
申请号：CN202411191743.1
申请日：2024-08-28
Applicant: 南通大学
IPC: G16H50/20 , A61B5/16 , A61B5/00 , A61B5/055 , G16H50/70 , G06N3/049 , G06N3/0464 , G06N3/045 , G06N3/0455 , G06N3/06 , G06N3/08 , G06F18/241
Abstract: 本发明提供了基于脉冲结构‑功能脑网络耦合的精神疾病识别方法，属于智能辅助医疗诊断技术领域，有效解决了传统精神疾病诊断过程中常被忽略的结构连接与功能连接之间的神经生物学机制的技术问题。其技术方案为：首先从功能磁共振成像和扩散张量成像中提取功能和结构脑网络；接着通过BrainNetCNN提取这两种脑网络的信息特征图；然后构建脉冲耦合神经网络来学习大脑结构‑功能耦合机制，以此得出脉冲结构‑功能耦合；最后将得到的耦合信息输入到分类层获得疾病识别结果，并使用交叉熵损失函数对结果进行训练和优化。本发明的有益效果为：本发明有助于深入理解精神疾病的神经机制，在临床应用中具有广泛应用的前景。
-
公开(公告)号：CN118170823B
公开(公告)日：2024-12-03
申请号：CN202410285400.5
申请日：2024-03-13
Applicant: 南通大学
IPC: G06F16/2458 , G06F16/27 , G06F16/215 , G06N7/02
Abstract: 本发明提供了一种基于粒‑组协同的双向模糊粒舱并行属性约简加速方法，属于大规模数据挖掘技术领域；解决了传统数据处理技术需要大量计算和内存空间资源的技术问题。其技术方案为：包括以下步骤：S10、对数据集进行划分；S20、在粒化过程中引入双向互邻策略，利用虚拟样本构造双向模糊粒舱模型；S30、将属性组和双向模糊粒舱相结合；S40、在主节点将各子节点的约简聚合，对排序后的结果再次进行属性评价。本发明的有益效果为：利用并行计算技术可以提高计算效率，缩短计算时间，降低内存占用和能源消耗，有利于加快属性约简算法的实现速度。
-
公开(公告)号：CN115115598B
公开(公告)日：2024-09-17
申请号：CN202210765034.4
申请日：2022-06-30
Applicant: 南通大学
IPC: G06T7/00 , G06V10/44 , G06V10/50 , G06V10/764 , G06N20/10
Abstract: 本发明提供一种基于全局Gabor滤波和局部LBP特征喉癌细胞图像分类方法，包括如下步骤：S1、获取喉癌细胞图像数据集，进行数据预处理；S2、提取图像全局特征信息；S3、提取图像局部特征信息；S4、图像分类器训练；S5、测试图像标签预测，得到测试结果。本发明采用Gabor滤波方法和LBP方法，能够准确高效地对喉癌细胞图像进行分类，兼具更优的分类准确率和kappa系数。
-
公开(公告)号：CN118606729A
公开(公告)日：2024-09-06
申请号：CN202410729232.4
申请日：2024-06-06
Applicant: 南通大学
Abstract: 本发明公开了一种基于三支的图正则化非负矩阵分解重叠聚类方法，属于复杂网络分析技术领域，解决了现有网络重叠聚类方法忽视网络中结构信息以及检测结果敏感于模型及其算法构建而解释性弱的技术问题。其技术方案为：包括步骤：第一步，构建网络邻接矩阵；第二步，采用生成框架构建基本模型；第三步，构建基于网络拓扑相似度的图正则并融入基本模型形成联合模型；第四步，联合模型基于更新规则获取非重叠聚类结构；第五步，基于不同类别相似的三支决策寻找具有重叠结构的类别；第六步，基于顶点与类别相似再划分内部的重叠顶点；第七步，找出最终重叠聚类结构。本发明的有益效果为：实现具有复杂结构的网络重叠聚类、提高模型解释。
-
Patent Agency Ranking
公开(公告)号：CN118447031A
公开(公告)日：2024-08-06
申请号：CN202410469412.3
申请日：2024-04-18
Applicant: 南通大学
Abstract: 本发明提供了一种基于扩散模糊学习的皮肤镜图像分割方法，属于医学图像智能分割技术领域。解决了医学图像因分割目标边界模糊和区域模糊导致的分割准确率低的技术问题。其技术方案为：包括以下步骤：S1、对图像数据进行数据预处理；S2、将高斯噪声迭代地扩散到皮肤图像中；S3、使用特征编码器从输入原始皮肤图像中提取语义信息；S4、将特征编码器获得的多尺度特征进行模糊规则处理；S5、对纯噪声皮肤图像进行迭代的去噪操作。S6、设计一个基于图像清晰程度的融合模块来融合去噪过程的多个预测。本发明的有益效果为：分割准确率高，为分割皮肤图像的黑色素瘤提供决策支持，为医生的诊断提供了便利。
-
公开(公告)号：CN116206752B
公开(公告)日：2024-07-30
申请号：CN202310169343.X
申请日：2023-02-22
Applicant: 南通大学
IPC: G16H50/20 , G06F18/2415 , G06F18/25 , G06N3/0464 , G06N3/047 , G06N3/048 , G06N3/0495
Abstract: 本发明提供了基于结构‑功能脑网络的精神疾病识别方法，属于医学信息智能诊断技术领域，解决了利用人工智能帮助医生从海量数据中识别精神疾病的技术问题。其技术方案为：对结构和功能两类脑网络的连接矩阵分别进行行列卷积，获得深度特征；在特征学习过程中，增加深度融合模块，使两个模态可以交互式特征学习；在最终的识别阶段，通过多模态双线性池化层，进一步融合两类脑网络的特征，学习最后的联合特征；然后输入到最终的分类层获得疾病识别结果，并将预测标签和真实标签的交叉熵损失作为损失函数进行训练。本发明的有益效果为：显著提高对精神疾病识别的准确率，辅助医生进行诊断分析，给患者带来更好的医疗服务。
-
公开(公告)号：CN117058393B
公开(公告)日：2024-06-25
申请号：CN202311108211.2
申请日：2023-08-30
Applicant: 南通大学
IPC: G06V10/26 , G06V10/762 , G06V10/74 , G06T7/00
Abstract: 本发明提供了一种用于眼底硬性渗出图像分割的超像素三支证据DPC方法，属于图像处理分析技术领域。解决了聚类医学图像分割中参数难以确定，边缘区域划分不清晰的技术问题。其技术方案为：包括以下步骤：S10、人工获取眼底硬性渗出图像的病变区域；S20、对眼底硬性渗出图像进行预处理得到图像的CIELab空间；S30、对获得的CIELab空间进行SLIC超像素处理；S40、基于三支聚类理论将图像分割分为两阶段；S50、在获取第一阶段回传的病变图像信息之上。本发明的有益效果为：本发明通过引入超像素算法提高了运行效率，为糖尿病视网膜硬性渗出病变疾病的临床诊断和患者的发现治疗提供了重要的医学影像依据。
-
公开(公告)号：CN118170823A
公开(公告)日：2024-06-11
申请号：CN202410285400.5
申请日：2024-03-13
Applicant: 南通大学
IPC: G06F16/2458 , G06F16/27 , G06F16/215 , G06N7/02
Abstract: 本发明提供了一种基于粒‑组协同的双向模糊粒舱并行属性约简加速方法，属于大规模数据挖掘技术领域；解决了传统数据处理技术需要大量计算和内存空间资源的技术问题。其技术方案为：包括以下步骤：S10、对数据集进行划分；S20、在粒化过程中引入双向互邻策略，利用虚拟样本构造双向模糊粒舱模型；S30、将属性组和双向模糊粒舱相结合；S40、在主节点将各子节点的约简聚合，对排序后的结果再次进行属性评价。本发明的有益效果为：利用并行计算技术可以提高计算效率，缩短计算时间，降低内存占用和能源消耗，有利于加快属性约简算法的实现速度。
-
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。
-
-
-
-
-
-
-
-
-
Search Results
104
records
(took 0.035 seconds)
