-
公开(公告)号：CN117726822B
公开(公告)日：2024-05-03
申请号：CN202410179356.X
申请日：2024-02-18
Applicant: 安徽大学
IPC: G06V10/26 , G06N3/0464 , G06N3/08 , G06T15/00 , G06T7/00 , G06T7/11 , G06V10/44 , G06V10/764 , G06V10/80 , G06V10/82 , G06V20/64
Abstract: 本发明公开了基于双分支特征融合的三维医学图像分类分割方法，包括以下步骤：S1：对三维医学模型数据进行采样和渲染，得到点云数据和多视图数据；S2：构建并训练基于神经网络的学习模型；S3：利用双分支特征提取模块提取获得患者的三维医学数据的点云特征信息和多视图特征信息；S4：将点云特征信息和多视图特征信息输入到训练模型中，学习模型的输出即为针对该患者预测得到的分类和分割结果；S5：将分类和分割结果通过输出模块打印输出。还公开了基于双分支特征融合的三维医学图像分类分割系统，包括：输入模块、双分支特征提取模块、特征融合模块、学习模块和输出模块。本发明大提高了治疗计划方案的质量以及专业医师的工作效率。
-
公开(公告)号：CN117789831A
公开(公告)日：2024-03-29
申请号：CN202311830026.4
申请日：2023-12-28
Applicant: 安徽大学
Abstract: 本发明公开了一种基于矩阵增强和特征融合的基因调控关系预测方法，包括：1、获取N个基因G及其调控关系R，2、根据R计算基因的有向邻接矩阵，3、生成源基因的相似性矩阵并归一化，4、生成靶基因的相似性矩阵并归一化，5、采用EASNN方法分别对归一化后的源基因和靶基因相似性矩阵进行处理，并对邻接矩阵进行矩阵增强处理，6、生成基因的协方差矩阵Co，并根据Co选择任一基因对的邻域基因对集合，7、根据G得到各个基因对的总直方图集合Mg，8、得到各个基因对的总增强直方图集合Ma，9、构建CNN网络得到各个基因对之间存在调控关系的概率。本发明能有效融合基因表达特征和增强的网络结构特征，从而能更加准测的预测基因之间的调控关系。
-
公开(公告)号：CN117726822A
公开(公告)日：2024-03-19
申请号：CN202410179356.X
申请日：2024-02-18
Applicant: 安徽大学
IPC: G06V10/26 , G06N3/0464 , G06N3/08 , G06T15/00 , G06T7/00 , G06T7/11 , G06V10/44 , G06V10/764 , G06V10/80 , G06V10/82 , G06V20/64
Abstract: 本发明公开了基于双分支特征融合的三维医学图像分类分割方法，包括以下步骤：S1：对三维医学模型数据进行采样和渲染，得到点云数据和多视图数据；S2：构建并训练基于神经网络的学习模型；S3：利用双分支特征提取模块提取获得患者的三维医学数据的点云特征信息和多视图特征信息；S4：将点云特征信息和多视图特征信息输入到训练模型中，学习模型的输出即为针对该患者预测得到的分类和分割结果；S5：将分类和分割结果通过输出模块打印输出。还公开了基于双分支特征融合的三维医学图像分类分割系统，包括：输入模块、双分支特征提取模块、特征融合模块、学习模块和输出模块。本发明大提高了治疗计划方案的质量以及专业医师的工作效率。
-
公开(公告)号：CN114582508B
公开(公告)日：2024-03-15
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。
-
公开(公告)号：CN115062235A
公开(公告)日：2022-09-16
申请号：CN202210631458.1
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 , G06F30/27 , G06K9/62 , G06N3/00 , G06Q10/04 , G06Q50/14 , G06F111/06
Abstract: 本发明公开了一种基于多目标优化选择策略的多模型融合旅游推荐方法，包括以下步骤：S1：选取旅游推荐问题中的两个或两个以上的单模型，并得出每个单推荐模型的推荐结果，得到待优化总集合；S2：将多模型融合推荐问题建模为多目标优化问题；S3:将待优化总集合构建为旅游推荐方案的多个待优化子集合；S4：利用多目标优化方法计算出所有待优化子集合中个体的排序得到优化后子集合；S5：合并所有优化后子集合，根据需求在优化后总集合中选取前k个景点作为模型的最终输出结果，即得出最终的旅游推荐结果。还公开了一种基于多目标优化选择策略的多模型融合旅游推荐系统。本发明融合两个及两个以上的子推荐模型，提高了旅游推荐的准确率。
-
Patent Agency Ranking
公开(公告)号：CN113488104A
公开(公告)日：2021-10-08
申请号：CN202110638436.3
申请日：2021-06-08
Applicant: 安徽大学
Abstract: 本发明公开了一种基于局部和全局的网络中心性分析的癌症驱动基因预测方法，包括以下步骤：S1：对标准化的体细胞突变数据和基因表达数据进行预处理，表达成基因‑矩阵的形式；S2：使用预处理完成的数据对下载的PPI网络加权；S3：模型构建，使用改进的重启随机游走算法分析网络的全局和局部特征；S4：使用构建好的模型对癌症数据集进行预测，以获取驱动基因的排名向量，实现对癌症驱动基因的预测。还公开了一种基于局部和全局的网络中心性分析的癌症驱动基因预测系统。本发明能够更好地识别驱动基因，大大提高对癌症驱动基因预测的精度，为癌症的诊断和精准医疗的发展做出了贡献。
-
公开(公告)号：CN109785962A
公开(公告)日：2019-05-21
申请号：CN201910012609.3
申请日：2019-01-07
Applicant: 安徽大学
Abstract: 本发明公开了一种基于学习模型智能预测放疗中射野参数的方法和系统，该方法包括以下步骤：S10、构建并训练得到神经网络的学习模型；S20、根据研究对象的原始图像及勾画后的解剖结构信息提取输入特征；S30、将输入特征导入学习模型，通过学习模型得到角度预测信息；S40、根据预测得到的角度，计算出每个角度对应的钨门大小及射野形状；以及S50、将预测得到射野角度及计算出的钨门大小、射野形状输出。本发明中预测得到的射野参数可以直接供放疗物理师计划设计时使用，从而避免了物理师手动反复调正带来的麻烦，省时省力，为提高物理师的工作效率提供了帮助。
-
公开(公告)号：CN115062236B
公开(公告)日：2024-12-27
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 , G06F18/214 , G06F18/22 , G06N3/006 , 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：CN118942554A
公开(公告)日：2024-11-12
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。
-
公开(公告)号：CN117710969B
公开(公告)日：2024-06-04
申请号：CN202410160202.6
申请日：2024-02-05
Applicant: 安徽大学
IPC: G06V20/69 , G06N3/0455 , G06N3/0464 , G06N3/048 , G06N3/08 , G06T7/00 , G06T7/11 , G06V10/26 , G06V10/44 , G06V10/764 , G06V10/82
Abstract: 本发明提供了一种基于深度神经网络的细胞核分割和分类方法，包括：S1：对病理图像进行预处理，得到预处理后的病理图像；S2：构建细胞核分割和分类的深度学习网络，并进行模型训练，其中，网络中使用注意力增强的编码器和解码器模块，并且在解码器模块之后使用预测细化模块；S3：将需要分割的病理图像送入模型中进行预测；S4：将模型预测结果进一步处理得到最终的细胞核分类和分类结果。本发明通过在网络模型中使用注意力增强的编码器，可以使模型有效地关注细胞核的关键信息的特征，增强整体网络的特征表达能力，并且在解码器模块中加入了预测细化模块，将粗预测结果进一步细化，这种细化可以帮助模型对邻近的细胞核做出更精确的分割和分类。
-
-
-
-
-
-
-
-
-
Search Results
41
records
(took 0.024 seconds)
