一种用于宫颈癌数据分类的粗糙图卷积方法

    公开(公告)号:CN113159156B

    公开(公告)日:2023-04-18

    申请号:CN202110405276.8

    申请日:2021-04-15

    Applicant: 南通大学

    Abstract: 本发明提供了一种用于宫颈癌数据分类的粗糙图卷积方法,要从宫颈癌数据中获得宫颈癌病变细胞信息的数据集合及其决策分类;计算宫颈癌数据中决策属性的依赖度,约简子集的属性重要度;按照约简子集的重要度排序选择可以得到宫颈癌数据中病理特征约简子集R;将经过粗糙集处理后的宫颈数据集转换成拓扑图的形式,作为神经网络的输入;利用神经网络采取一阶切比雪夫ChebNet的方法进行图卷积,用半监督方法进行节点分类,所得到的结果经过可视化后可求出宫颈癌数据中数据所属的类。本发明能够有效提高对宫颈癌数据进行分类的效率和精度,对宫颈癌数据计算机智能辅助分类具有较强的应用价值。

    用于视网膜血管不确定边界精准分割的三支U-Net方法

    公开(公告)号:CN114972279A

    公开(公告)日:2022-08-30

    申请号:CN202210632508.8

    申请日:2022-06-06

    Applicant: 南通大学

    Abstract: 本发明涉及医学信息智能处理技术领域,尤其涉及用于视网膜血管不确定边界精准分割的三支U‑Net方法。本发明利用数学形态学的膨胀和腐蚀算子对血管边界标签不确定性进行描述,基于膨胀和腐蚀算子分别构建不确定边界的上界和下界,得到血管边界的极大值和极小值,将带有不确定信息的边界映射到一个范围之内;将边界的不确定性表示与损失函数相结合并设计三支损失函数;利用三支损失函数的总损失,采用随机梯度下降算法训练网络参数;设计并实现具有眼底数据采集、视网膜血管智能精准分割以及辅助诊断功能的视网膜血管智能分割辅助诊断应用系统。本发明可以显著提升视网膜血管不确定边界分割的准确率,为患者提供个性化医疗服务。

    一种用于慢性肾病病历分类的粗糙证据粒球Spark方法

    公开(公告)号:CN114860940A

    公开(公告)日:2022-08-05

    申请号:CN202210630111.5

    申请日:2022-06-06

    Applicant: 南通大学

    Abstract: 本发明涉及到医学信息智能处理领域,具体涉及一种用于慢性肾病病历分类的粗糙证据粒球Spark方法。首先在主节点上读取慢性肾病病历数据,并将该数据集划分为训练集和测试集;接着在子节点上将训练子集样本并行划分生成多个粗糙证据粒球;然后利用基于粗糙证据粒球的Spark并行病理属性约简方法来获得训练子集的病理属性约简子集,并更新所有训练子集和测试集的病理属性集;最后通过Spark并行化的粗糙证据粒球邻域分类方法获得测试集样本的预测类别标签结果。本发明可以有效地去除大规模慢性肾脏病历数据中冗余的病理属性,并利用粗糙证据减少冗余样本和异常样本对决策过程的影响,从而提升了大规模慢性肾脏病历数据的分类精度和计算效率。

    基于双重自适应邻域半径的多粒度乳腺癌基因分类方法

    公开(公告)号:CN113838532A

    公开(公告)日:2021-12-24

    申请号:CN202110845531.0

    申请日:2021-07-26

    Applicant: 南通大学

    Abstract: 本发明提供了一种基于双重自适应邻域半径的多粒度乳腺癌基因分类方法,读取大规模基因位点数据并做归一化处理,并对大规模基因位点进行数据分析;利用轮廓系数和PCA降维可视化相结合方式,选取最佳K值,调整信息粒化的模型;其次,使用启发式约简算法分别实现基于簇心距离自适应邻域半径的多粒度属性约简基于属性包含度的邻域半径的多粒度属性约简,并采用SVM支持向量机机器学习分类算法对乳腺癌基因大数据进行分类和预测。本发明的有益效果是:调整惩罚项使模型在乳腺癌基因分类具有较高的准确率和召回率,去除大规模数据中冗余属性,提高了计算效率,利用样本之间的支持信息,提升了乳腺癌数据分类的效率和精度。

    基于相对熵损失函数卷积神经网络的脑龄预测方法

    公开(公告)号:CN113378898A

    公开(公告)日:2021-09-10

    申请号:CN202110590764.0

    申请日:2021-05-28

    Applicant: 南通大学

    Abstract: 本发明公开了一种基于相对熵损失函数卷积神经网络的脑龄预测方法,包括如下步骤:步骤1.利用采集被试的功能型磁共振影像数据形成原始样本集;步骤2.原始样本集中功能型磁共振影像数据预处理形成三维的T1图像数据并形成样本集;步骤3.将样本集划分为训练样本集和测试样本集;步骤4.利用训练样本集训练3DCNN形成脑龄预测模型,所述3DNN在训练过程中采用分类网络的相对熵损失函数反向更新3DCNN的网络参数;步骤5.将测试集输入脑龄预测模型得到预测的脑龄;用相对熵损失函数反向更新3DCNN的网络参数,同时采用中心化功能型磁共振影像数据中剔除周围无用信息,提高了脑龄预测模型的鲁棒性及预测精度。

    用于大规模认知障碍疾病检测的动态加权属性约简方法

    公开(公告)号:CN116759069B

    公开(公告)日:2024-07-23

    申请号:CN202310651001.1

    申请日:2023-06-02

    Applicant: 南通大学

    Abstract: 本发明提供了一种用于大规模认知障碍疾病检测的动态加权属性约简方法,属于医学信息智能处理技术领域,传统方法在处理大规模数据处理时间较长,复杂的认知障碍疾病特征选择中会导致不确定性的技术问题。其技术方案为:包括以下步骤:S1、大规模认知障碍疾病数据获取与预处理;S2、计算认知障碍疾病原始数据和增量数据的知识粒度;S3、构建动态特征交互加权属性树;S4、将构建的动态特征交互加权属性树分支,每轮分支结束时将低权重属性添加到交互集F中进行增量特征交互;S5、在所有属性树完成分支后,将计算节点约简集输出到主节点,获得大规模认知障碍疾病数据约简。本发明的有益效果为:可以有效提高特征选择的速度并提高精度。

    一种面向大数据眼底图像的并行超像素Spark聚类方法

    公开(公告)号:CN115063877A

    公开(公告)日:2022-09-16

    申请号:CN202210630121.9

    申请日:2022-06-06

    Applicant: 南通大学

    Abstract: 本发明涉及图像处理分析技术领域,具体涉及一种面向大数据眼底图像的并行超像素Spark聚类方法。步骤包括:S10、系统首先获取用户上传的大数据眼底图像,将请求信息发送至诊断系统,并调用后台Java程序和Python代码;S20、调用基于Spark平台的超像素FCM加速聚类算法,对眼底图像进行超像素处理;S30、通过Spark框架进行分布式计算,用超像素块的均值像素颜色特征进行编码并转化为弹性分布性数据集RDD,将RDD划分到各节点,各节点进行FCM隶属度计算后汇总,再分区进行聚类中心更新计算,直至算法收敛;S40、输出FCM聚类的结果并保存眼底图像聚类结果;S50、将大量眼底图像数据同时运行结果存储至数据库MySQL中,等待前端请求查看时,将指定眼底图像聚类结果反馈至系统用户。

Patent Agency Ranking