-
公开(公告)号：CN117935936A
公开(公告)日：2024-04-26
申请号：CN202410106779.9
申请日：2024-01-25
Applicant: 安徽大学
Abstract: 本发明提供了一种单细胞RNA‑seq数据聚类方法、装置、设备和介质。该方法包括：数据预处理；使用深度降噪多尺度自编码器提取单细胞RNA‑seq数据的潜在特征信息；利用多尺度注意力机制融合来自多尺度自编码器的编码层、隐藏层和解码层的特征信息，从而能够探索同一尺度内的细胞关系，并捕获不同尺度上的深层特征；自监督聚类网络利用融合的潜在特征计算隶属度矩阵，并基于隶属度矩阵对聚类网络进行优化，同时采用自适应反馈机制监督多尺度自编码器的参数更新，从而获得更有效的细胞特征表示。本发明可以更全面地捕获网络层内的结构信息，有效降低单细胞RNA‑seq数据的高噪声、稀疏性的影响，从而获得更准确的聚类结果。
-
公开(公告)号：CN117710969A
公开(公告)日：2024-03-15
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。
-
公开(公告)号：CN113990385B
公开(公告)日：2025-01-07
申请号：CN202111265124.9
申请日：2021-10-28
Applicant: 安徽大学
Abstract: 本发明公开了一种基于抗寄生虫感染的关键基因的化合物组合筛选方法，包括：1、对生物数据进行预处理后，针对每一个被寄生虫感染的个体构建单层差异相互作用网络，通过将多个单层网络的对应的基因节点连接，构建多层的基因相互作用网络，实现多网络的融合，再利用多层网络的PageRank算法计算基因在每层网络中的评分，利用所有层中对应相同基因的平均评分进行排序甄别关键基因；2、基于关键基因和已知的FDA批准的化合物及每种化合物的靶标基因集合，设计多目标优化函数模型，利用多目标优化算法得到较优的化合物组合。本发明能提高筛选抗寄生虫感染的化合物组合的时间效率，并筛选出较优的化合物组合。
-
公开(公告)号：CN117994511A
公开(公告)日：2024-05-07
申请号：CN202410003192.5
申请日：2024-01-02
Applicant: 安徽大学
IPC: G06V10/26 , G06V20/70 , G06V10/77 , G06V10/80 , G06V10/82 , G06N3/0455 , G06N3/0464 , G06N3/08
Abstract: 本发明提供了一种医学图像分割方法、装置、设备及介质，属于图像分割技术领域，包括：收集公共医学图像数据集，对数据集进行预处理后，将数据集分为训练集和测试集；基于Unet网络构建图像分割模型，利用训练集和测试集对医学图像分割模型进行训练和验证，得到训练好的医学图像分割模型；利用训练好的医学图像分割模型进行医学图像分割；其中，所述图像分割模型包括依次连接的编码器和解码器；所述编码器经过PAT模块与解码器跳跃连接；所述PAT模块为嵌入2D的通道注意力机制和空间注意力机制的Transformer结构。本发明能够很好的对医学图像进行分割。
-
公开(公告)号：CN116049422A
公开(公告)日：2023-05-02
申请号：CN202211579157.5
申请日：2022-12-07
Applicant: 安徽大学
IPC: G06F16/36 , G06F40/284 , G06F40/242 , G06F40/295 , G06F40/30 , G06F40/211
Abstract: 本发明公开了一种基于联合抽取模型的包虫病知识图谱构建方法及其应用，其步骤包括：1、定义包虫病知识图谱的模式，2、构造包虫病训练数据集，3、构建包虫病信息联合抽取模型，4、训练包虫病信息联合抽取模型，并构建包虫病知识图谱。本发明通过针对包虫病文献语料特点设计联合抽取模型，采用多种优化策略解决包虫病文献句子中实体嵌套和关系重叠问题，从而能极大提升联合抽取模型对于包虫病文献知识三元组的抽取性能，保证构建的包虫病知识图谱对包虫病信息覆盖完整和全面。
-
Patent Agency Ranking
公开(公告)号：CN114021569A
公开(公告)日：2022-02-08
申请号：CN202111298745.7
申请日：2021-11-04
Applicant: 安徽大学
IPC: G06F40/295 , G06F16/36 , G06F40/284 , G16H50/70
Abstract: 本发明公开了一种基于深度学习的生物医学实体识别和关系预测的方法，其步骤包括：1.获取神经网络训练数据，即生物医学文献，对其进行分句分词操作，将非结构化文本处理成结构化文本；2.标注结构化文本，对句子中的实体以及实体间的关系进行手工标注工作；3.搭建深度神经网络模型；4.用标注好的数据训练构建好的模型，得到一个实验结果最优的深度学习模型；5.将未标注的数据输入到最优模型里，预测文献里的实体关系。本发明可以同时识别生物医学文献里的实体以及实体之间存在的关系，从而有效提高识别的准确率，并降低对计算资源的需求。
-
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。
-
公开(公告)号：CN117636325A
公开(公告)日：2024-03-01
申请号：CN202311664385.7
申请日：2023-12-06
Applicant: 安徽大学
IPC: G06V20/62 , G06V30/148 , G06V30/19 , G06V10/82 , G06N3/0455 , G06N3/0464 , G06N3/084
Abstract: 本发明提供了一种指针式仪表读数识别方法，属于计算机视觉的工业图像应用领域，包括如下步骤：获取指针式仪表图像数据；基于U2‑Net神经网络架构及MPA注意力机制，将U2‑Net神经网络架构的编码层和解码层进行跳跃连接，得到跳跃连接权重；将相邻的解码层之间进行上采样，得到上采样权重；将跳跃连接权重和上采样权重分别输入MPA进行特征融合，得到融合后的权重；将跳跃连接权重或上采样权重与融合后的权重相乘后融合输出，得到神经网络分割模型；将指针式仪表图像数据输入神经网络分割模型，得到仪表刻度和指针分割数据；并对两者进行拟合，得到刻度圆和指针直线；对刻度圆和指针直线进行相对角度计算，得到指针读数信息。
-
公开(公告)号：CN115170502A
公开(公告)日：2022-10-11
申请号：CN202210769176.8
申请日：2022-06-30
Applicant: 安徽大学
Abstract: 本发明公开了一种基于深度学习的股骨滑车宽度测量方法，包括：第一步、采集人体髌股关节CT影像，构建数据集，进行数据标注和预处理；第二步、构建MSC‑Net神经网络中的编码层、中间层、解码层以及输出模块；第三步、将数据集输入网络进行训练，并通过反向传播得到最优的模型；第四步，模型输出的预测结果，经过拼接，得到股骨三维重建模型；第五步、使用测量算法对预测结果进行数据测量，得出滑车的宽度信息。本发明能将髌股关节CT切片图，通过神经网络，快速分割股骨结构，重建三维股骨模型，并结合测量算法，测出股骨滑车的宽度，从而能减少股骨滑车宽度测量的时间，并能提高准确性和可靠性。
-
公开(公告)号：CN113990385A
公开(公告)日：2022-01-28
申请号：CN202111265124.9
申请日：2021-10-28
Applicant: 安徽大学
Abstract: 本发明公开了一种基于抗寄生虫感染的关键基因的化合物组合筛选方法，包括：1、对生物数据进行预处理后，针对每一个被寄生虫感染的个体构建单层差异相互作用网络，通过将多个单层网络的对应的基因节点连接，构建多层的基因相互作用网络，实现多网络的融合，再利用多层网络的PageRank算法计算基因在每层网络中的评分，利用所有层中对应相同基因的平均评分进行排序甄别关键基因；2、基于关键基因和已知的FDA批准的化合物及每种化合物的靶标基因集合，设计多目标优化函数模型，利用多目标优化算法得到较优的化合物组合。本发明能提高筛选抗寄生虫感染的化合物组合的时间效率，并筛选出较优的化合物组合。
-
-
-
-
-
-
-
-
-
Search Results
20
records
(took 0.066 seconds)
