-
公开(公告)号：CN119314619B
公开(公告)日：2025-03-18
申请号：CN202411855442.4
申请日：2024-12-17
Applicant: 安徽大学
IPC: G16H20/10 , G06F30/27 , G16H20/40 , G16H50/50 , G06N3/006 , A61N5/10 , G06F111/04 , G06F111/06
Abstract: 本发明提供了一种基于多任务进化的容积旋转调强优化方法及系统，包括：输入参数，导入放疗数据；构建约束多目标优化模型，将多叶准直器叶片的运动约束作为优化问题的约束，将靶区和周围危及器官的处方剂量要求作为优化目标，通过建模转化为一个包含两个优化目标的约束多目标优化问题；构建多任务进化框架；基于多任务进化方法引导约束多目标优化：筛选出若干个多任务进化算法优化得到的容积旋转调强治疗方案，每个治疗方案自动勾画出治疗方案中靶区和危及器官的轮廓，可视化器官的剂量并与临床要求对比，供医生选择。本发明通过基于多任务进化方法引导约束多目标优化，从而得到多个满足叶片运动约束，符合临床剂量要求的治疗方案，供医生选择。
-
公开(公告)号：CN119295490B
公开(公告)日：2025-03-07
申请号：CN202411804196.X
申请日：2024-12-10
Applicant: 安徽大学
IPC: G06T7/11 , G06T7/33 , G06T7/13 , G06N3/0455 , G06N3/0464 , G06N3/048 , G06N3/08
Abstract: 本发明提供了一种基于轮廓先验引导的临床靶区自动分割方法、系统及设备，包括：获取病人图像数据；将治疗前的扫描图像与治疗期间的扫描图像进行配准，根据输入图像的特点，选择设定的配准方法生成配准映射，将此映射应用于治疗前CTV轮廓，生成配准后的CTV轮廓，用作模型的先验引导；将上述治疗期间的扫描图像与配准后的CTV轮廓一起输入到双分支网络模型中分别进行特征提取，在整个分割过程中利用治疗前的轮廓信息，辅助分割网络精确识别和适应CTV边界的变化；通过丰富的医学影像数据进行训练，调整和优化模型参数；通过训练好的深度学习分割模型获取临床靶区的自动分割结果。本发明提高了医生的工作效率，并推进了自适应性放疗流程的自动化发展。
-
公开(公告)号：CN119314619A
公开(公告)日：2025-01-14
申请号：CN202411855442.4
申请日：2024-12-17
Applicant: 安徽大学
IPC: G16H20/10 , G06F30/27 , G16H20/40 , G16H50/50 , G06N3/006 , A61N5/10 , G06F111/04 , G06F111/06
Abstract: 本发明提供了一种基于多任务进化的容积旋转调强优化方法及系统，包括：输入参数，导入放疗数据；构建约束多目标优化模型，将多叶准直器叶片的运动约束作为优化问题的约束，将靶区和周围危及器官的处方剂量要求作为优化目标，通过建模转化为一个包含两个优化目标的约束多目标优化问题；构建多任务进化框架；基于多任务进化方法引导约束多目标优化：筛选出若干个多任务进化算法优化得到的容积旋转调强治疗方案，每个治疗方案自动勾画出治疗方案中靶区和危及器官的轮廓，可视化器官的剂量并与临床要求对比，供医生选择。本发明通过基于多任务进化方法引导约束多目标优化，从而得到多个满足叶片运动约束，符合临床剂量要求的治疗方案，供医生选择。
-
公开(公告)号：CN119295490A
公开(公告)日：2025-01-10
申请号：CN202411804196.X
申请日：2024-12-10
Applicant: 安徽大学
IPC: G06T7/11 , G06T7/33 , G06T7/13 , G06N3/0455 , G06N3/0464 , G06N3/048 , G06N3/08
Abstract: 本发明提供了一种基于轮廓先验引导的临床靶区自动分割方法、系统及设备，包括：获取病人图像数据；将治疗前的扫描图像与治疗期间的扫描图像进行配准，根据输入图像的特点，选择设定的配准方法生成配准映射，将此映射应用于治疗前CTV轮廓，生成配准后的CTV轮廓，用作模型的先验引导；将上述治疗期间的扫描图像与配准后的CTV轮廓一起输入到双分支网络模型中分别进行特征提取，在整个分割过程中利用治疗前的轮廓信息，辅助分割网络精确识别和适应CTV边界的变化；通过丰富的医学影像数据进行训练，调整和优化模型参数；通过训练好的深度学习分割模型获取临床靶区的自动分割结果。本发明提高了医生的工作效率，并推进了自适应性放疗流程的自动化发展。
-
公开(公告)号：CN118942554B
公开(公告)日：2024-12-10
申请号：CN202411413098.3
申请日：2024-10-11
Applicant: 安徽大学
IPC: G16B40/00 , G16B50/30 , G16B20/50 , G16B25/10 , G06F18/25 , G06N3/042 , G06N3/0464 , G06N3/0985 , G06N3/048
Abstract: 本发明的一种基于多层图卷积神经网络的癌症驱动基因识别方法及设备，包括将收集到的基因的多组学特征进行相关预处理和计算，得到基因融合特征；将收集到的基因作为基因结点，基因之间的功能作为基因结点之间的边，得到基因网络；根据基因网络得到网络拓扑特征；将基因融合特征和网络拓扑特征输入到两个独立的多层图卷积神经网络中进行训练；将训练的结果分别送入两个独立的预测器中，得到每个基因最终的预测分数。本发明使用多层图卷积神经网络来学习节点的高阶邻居的特征，从而捕获同类基因之间的信息；在每一层图卷积神经网络中结合初始残差和身份映射技术；使用支持深度优先和广度优先搜索的随机游走算法，来提取网络的全局拓扑特征。
-
Patent Agency Ranking
公开(公告)号：CN117995273A
公开(公告)日：2024-05-07
申请号：CN202410095510.5
申请日：2024-01-24
Applicant: 安徽大学
Abstract: 本发明公开了一种基于异质网络的图卷积个性化癌症驱动基因预测模型及方法，包括步骤：S1、构建突变‑样本关联矩阵和表达‑样本关联矩阵；S2、得到基因相似性矩阵和样本相似性矩阵；S3、得到驱动基因‑样本关联矩阵；S4、将基因相似性矩阵、样本相似性矩阵和驱动基因‑样本关联矩阵融合成为异质网络；S5、基于图卷积GCN编码器对异质网络进行基因和样本嵌入；S6、获取新的基因‑样本关联。本发明通过基因‑基因以及样本‑样本间的相似性关联关系，通过构建基于图卷积GCN的编码器来获得基因和样本的低维向量，构建解码器来重构新的基因‑样本关联，更好的关联基因和样本的特征，从而进一步提高个性化驱动基因识别的准确度。
-
公开(公告)号：CN117524502B
公开(公告)日：2024-03-22
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#imgabs0#，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#imgabs1#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。
-
公开(公告)号：CN114332510B
公开(公告)日：2024-03-22
申请号：CN202210001464.9
申请日：2022-01-04
Applicant: 安徽大学
IPC: G06V10/75 , G06V10/762 , G06N20/00
Abstract: 本发明公开一种层次化的图像匹配方法，获得查询图像和参考图像特征点特征描述子，从参考图像包含的局部特征点中，为查询图像中的每个局部特征点寻找两个最相似的候选匹配特征点；并依次筛选出最佳特征匹配结果。本发明能够快速地计算出两幅图像之间的特征匹配点，然后应用于一系列的基于图像匹配的高层次计算机视觉任务中：基于图像的三维重建、同时定位与地图构建、图像检索、地图导航、数字孪生、图像拼接、混合现实、虚拟现实和增强现实等。
-
公开(公告)号：CN115062236A
公开(公告)日：2022-09-16
申请号：CN202210631468.5
申请日：2022-06-06
Applicant: 安徽大学 , 合肥综合性国家科学中心人工智能研究院(安徽省人工智能实验室)
IPC: G06F16/9536 , G06F16/958 , G06K9/62 , G06N3/00 , G06Q10/04 , G06Q50/14 , G06F30/27 , G06F111/06
Abstract: 本发明公开了一种基于多目标优化的混合重排旅游推荐方法，包括以下步骤：S1：数据集构建：收集用户的历史访问序列，按照用户的时间访问顺序，将最后一个访问地点作为测试集，将倒数第二个访问地点作为验证集，其余作为训练集；S2：多目标优化混合重排模型的构建：包括种群初始化、目标函数的计算和种群的进化；S3：模型训练：利用训练集对多目标优化混合重排模型进行训练，利用验证集对模型参数进行调整，获取最优的模型；S4：模型预测：使用最优模型对测试集中的用户进行预测，获取其推荐给用户的旅游推荐列表。还公开了一种基于多目标优化的混合重排旅游推荐系统。本发明能够在保证整个推荐系统的准确度的同时提升整个系统的多样性。
-
公开(公告)号：CN114582508A
公开(公告)日：2022-06-03
申请号：CN202210215060.X
申请日：2022-03-04
Applicant: 安徽大学
Abstract: 本发明公开了一种基于GCN和集成学习预测潜在关联的环状RNA‑疾病对的方法，包括：整合实验证实相关联的环状RNA‑疾病对，根据涉及到的环状RNA和疾病从相应数据库中获取序列信息和语义信息；利用图卷积神经网络并基于关联信息，环状RNA的相似性以及疾病间的相似性信息提取环状RNA的特征以及疾病的特征；构建正负样本平衡的数据集，并用其训练4基本分类器，并利用集成学习中的平均法结合策略对此些分类器集成并对所有未验证的环状RNA‑疾病对做出预测。本发明可以有效的基于已知的环状RNA‑疾病对信息预测潜在关联的环状RNA疾病对，提高预测模型的性能，为生物实验提供最有可能关联的环状RNA‑疾病对，从而促进相关生物实验的发展。
-
-
-
-
-
-
-
-
-
Search Results
41
records
(took 0.03 seconds)
