-
公开(公告)号：CN110211664B
公开(公告)日：2022-11-04
申请号：CN201910340661.1
申请日：2019-04-25
Applicant: 安徽大学
Abstract: 本发明公开了一种基于机器学习自动设计放射治疗方案的系统，包括输入单元、射野参数预测单元、优化目标及约束条件预测单元、以及逆向计划优化单元，其中，输入单元用于获取病人原始图像及分割后的感兴趣区域信息；射野参数预测单元用于构建基于神经网络的学习模型，自动预测出射野参数；优化目标及约束条件预测单元用于构建基于神经网络的剂量分布预测模型，并且将预测的期望剂量分布自动转化成逆向优化需要的目标函数及约束条件；以及逆向计划优化单元用于根据目标函数、约束设置和射野参数采用优化方法优化得到每个射野方向对应的子野及其权重，完成计划设计。本系统实现了计划的自动设计，可以大幅减轻计划设计者的工作量，提高工作效率。
-
公开(公告)号：CN113486922A
公开(公告)日：2021-10-08
申请号：CN202110611935.3
申请日：2021-06-01
Applicant: 安徽大学
Abstract: 本发明公开了一种基于栈式自编码器的数据融合优化方法，包括以下步骤：S1：利用栈式自编码器对获取的癌症患者多组学数据进行降维，得到能够代表原始数据的低维潜在表示；S2：利用步骤S1得到的降维之后的组学数据，基于径向基函数和利用欧氏距离度量样本之间的亲密程度，计算出相似矩阵；S3：为每个组学数据定义相对相似矩阵，利用归一化因子控制样本的密度；S4：对融合得到的平均相对相似矩阵进行谱聚类，从而对癌症患者进行亚型划分。还公开了一种基于栈式自编码器的数据融合优化系统。本发明能够对高维度、多噪声的组学数据进行降维和融合，准确有效地对癌症进行亚型聚类，能有效提升癌症亚型聚类效果。
-
公开(公告)号：CN109513121B
公开(公告)日：2021-01-01
申请号：CN201811623068.X
申请日：2018-12-28
Applicant: 安徽大学
IPC: A61N5/10
Abstract: 本发明公开了一种剂量引导自适应放射治疗计划重优化系统和方法，该系统包括：导入模块，用于导入研究对象参考图像、解剖结构、计划及剂量信息和当前分次治疗时的引导精准定位的图像；数据处理模块，用于计算将当前图像中的解剖结构与参考图像中的解剖结构变化；计划重优化判断模块，用于根据解剖结构变化判断是否进入计划重优化模块，如果解剖结构变化在阈值以内则进行病人实际接受剂量与计划剂量的比较，如果两者差别较大则需要重优化，否则采用原参考计划作为当前治疗计划；以及计划重优化模块。本发明中计划重优化不仅考虑当前解剖结构与原解剖结构的差别，而且结合研究对象治疗实际接受剂量的情况，采用快速共轭梯度算法自动优化出计划。
-
公开(公告)号：CN109513121A
公开(公告)日：2019-03-26
申请号：CN201811623068.X
申请日：2018-12-28
Applicant: 安徽大学
IPC: A61N5/10
Abstract: 本发明公开了一种剂量引导自适应放射治疗计划重优化系统和方法，该系统包括：导入模块，用于导入研究对象参考图像、解剖结构、计划及剂量信息和当前分次治疗时的引导精准定位的图像；数据处理模块，用于计算将当前图像中的解剖结构与参考图像中的解剖结构变化；计划重优化判断模块，用于根据解剖结构变化判断是否进入计划重优化模块，如果解剖结构变化在阈值以内则进行病人实际接受剂量与计划剂量的比较，如果两者差别较大则需要重优化，否则采用原参考计划作为当前治疗计划；以及计划重优化模块。本发明中计划重优化不仅考虑当前解剖结构与原解剖结构的差别，而且结合研究对象治疗实际接受剂量的情况，采用快速共轭梯度算法自动优化出计划。
-
公开(公告)号：CN119541649A
公开(公告)日：2025-02-28
申请号：CN202411307234.0
申请日：2024-09-19
Applicant: 安徽大学
IPC: G16B40/00 , G06N3/0455 , G06N3/08 , G06N3/042 , G06N3/0464 , G06N3/0895
Abstract: 本发明公开了一种基于掩码图自编码器的基因识别方法，其步骤包括：1、获取基因相互作用数据和组学特征数据并进行预处理；2、对处理后的数据进行掩码，具体包括两个分支，节点掩码模块和边掩码模块；3、将掩码后的网络输入到图自动编码器中训练，图自动编码器通过重构网络的节点和边来学习网络的嵌入表示；4、通过训练好的的编码器得到特征的低维嵌入，最后使用逻辑回归分类器进行基因的分类。本发明通过对网络中的节点和边分别进行掩码来同时关注图的节点信息和结构信息，并以自监督学习的方式减少了特征训练模型对标签信息的依赖，从而能精确地对基因进行分类。
-
Patent Agency Ranking
公开(公告)号：CN113486922B
公开(公告)日：2024-09-24
申请号：CN202110611935.3
申请日：2021-06-01
Applicant: 安徽大学
IPC: G06F18/2413 , G16B20/00 , G16H50/70 , G06F18/25 , G06F18/23
Abstract: 本发明公开了一种基于栈式自编码器的数据融合优化方法，包括以下步骤：S1：利用栈式自编码器对获取的癌症患者多组学数据进行降维，得到能够代表原始数据的低维潜在表示；S2：利用步骤S1得到的降维之后的组学数据，基于径向基函数和利用欧氏距离度量样本之间的亲密程度，计算出相似矩阵；S3：为每个组学数据定义相对相似矩阵，利用归一化因子控制样本的密度；S4：对融合得到的平均相对相似矩阵进行谱聚类，从而对癌症患者进行亚型划分。还公开了一种基于栈式自编码器的数据融合优化系统。本发明能够对高维度、多噪声的组学数据进行降维和融合，准确有效地对癌症进行亚型聚类，能有效提升癌症亚型聚类效果。
-
公开(公告)号：CN115920257B
公开(公告)日：2024-07-16
申请号：CN202310086294.3
申请日：2023-01-17
Applicant: 安徽大学
Abstract: 本发明属于调强放射治疗领域，公开了一种调强放射治疗射束角度优化系统，对放疗数据进行压缩并采用稀疏读取，然后计算剂量沉积矩阵；通过共轭梯度算法求解射束方向的强度分布矩阵；通过剂量沉积矩阵和强度分布矩阵计算剂量分布矩阵；通过侧抑制函数和邻近效应函数对射束方向约束；通过子野内体素剂量条件对剂量分布矩阵优化，得到每个射束方向的目标剂量；基于目标剂量、抑制值和邻近效应值计算射束方向的重要性；剔除重要性最低的射束方向，直至剩余射束方向数量等于预先设定的角度数量，然后将射束方向还原成射束角度，输出射束角度及其对应的目标剂量。本发明系统，提高了计算速度，有效避免射束角度过于集中和分散，提高了放疗效果。
-
公开(公告)号：CN118136244A
公开(公告)日：2024-06-04
申请号：CN202410048340.5
申请日：2024-01-12
Applicant: 安徽大学
IPC: G16H50/30 , G06F18/25 , G06V10/52 , G06V10/77 , G06V10/80 , G06V10/82 , G16B30/00 , G16B40/00 , G06N3/0464 , G06N3/0499 , G06N3/042 , G06N3/045 , G06N3/08
Abstract: 本发明公开了一种基于Transformer的风险评分方法，其步骤包括：1.获取病理组织图像与基因组数据；2.建立病理图像与基因组特征提取模块；3.将提取的病理图像特征与基因组特征进行融合；4.利用建好的模型生成用户的风险评分。本发明能利用病理图像的细粒度特征以及用户的相互依赖关系，增强后的用户的基因组特征，从而能准确预测用户的风险评分。
-
公开(公告)号：CN117854598A
公开(公告)日：2024-04-09
申请号：CN202410127634.7
申请日：2024-01-30
Applicant: 安徽大学
IPC: G16B40/00 , G06N3/042 , G06N3/0442 , G06N3/0455 , G06N3/0464
Abstract: 本发明公开了一种基于有向图卷积的上皮细胞基因调控关系预测方法，包括：1、获取上皮细胞基因的表达值，并对特征值进行预处理；2、获取上皮细胞基因序列数据并将基因序列数据输入循环神经网络模型双向门控循环单元中得到该类基因的序列特征；3、对上皮细胞基因序列，通过生物学定义公式，计算生物特征；4前面步骤得到的特征拼接后输入有向图卷积神经网络中训练得到上皮细胞基因调控网络及其输出的预测分数矩阵，从而根据预测分数矩阵和阈值之间的关系，判断基因间是否存在调控关系。本发明能准确预测人体上皮细胞基因间的控制关系，有助于研究人员更高效地研究生物体本质。
-
公开(公告)号：CN117524502A
公开(公告)日：2024-02-06
申请号：CN202410010897.X
申请日：2024-01-04
Applicant: 安徽大学
IPC: G16H50/70 , G06F30/20 , G06F17/16 , G06F111/06
Abstract: 本发明提供了一种基于模式挖掘的调强放射治疗多目标射束优化方法，包括以下步骤：数据输入：包含贡献度矩阵，靶区和周围危及器官的处方剂量约束；射束方向划分：按照贡献度矩阵划分若干等间距射束方向；构建多目标优化模型：将靶区和周围危及器官的处方剂量约束通过模式挖掘建模转化为一个包含两个优化目标的多目标优化问题；约束处理机制：选择不同解集所包含的最大射束数量和最小射束数量作为优化的约束;多目标优化：通过模式挖掘方法来引导多目标进行优化；输出结果：将模式挖掘进化优化得到的非劣解自动筛选出若干个代表性的解对应的剂量分布，包括等剂量线、剂量体积直方图，通过可视化的方式，供用户选择。
-
-
-
-
-
-
-
-
-
Search Results
41
records
(took 0.022 seconds)
