-
公开(公告)号：CN114494195A
公开(公告)日：2022-05-13
申请号：CN202210094076.X
申请日：2022-01-26
申请人： 南通大学
IPC分类号： G06T7/00 , G06T3/40 , G06V10/764 , G06V10/74 , G06V10/774 , G06V10/82 , G06K9/62 , G06N3/04 , G06N3/08
摘要： 本发明提供了一种用于眼底图像分类的小样本注意力机制并行孪生方法，根据患者的眼底病变图像进行分类得到分类结果，包括以下步骤：读取医学眼底图像数据集进行预处理，得到预处理的图片数据；通过基于孪生网络Siamese的少镜头学习方法，利用基于特征的迁移学习方法，迁移已使用数据集ImageNet预训练好的稠密连接网络densenet，来提取两幅不同图像的特征，并在此网络的基础上加入卷积块注意力模块CBAM选择更为关键的图像信息，通过一个对比损失函数进行图片的相似性度量，从而获得更为准确的分类预测结果。本发明迁移了稠密连接网络，能够有效地减少小样本学习中过拟合的情况，同时借助CBAM注意力机制和孪生网络，有效地提升了医学眼底图像病变分类数据的效率和精度。
-
公开(公告)号：CN110867224B
公开(公告)日：2022-02-08
申请号：CN201911030948.0
申请日：2019-10-28
申请人： 南通大学
IPC分类号： G16H10/60 , G06F40/205 , G06F40/279 , G06N3/00
摘要： 本发明公开一种用于大规模脑病历分割的多粒度Spark超信任模糊方法，首先在Spark云平台上将大规模脑病历数据属性集分割至不同的多粒度进化子种群Granu‑populationi中；设计一种基于多粒度Spark超信任模型，构建多粒度种群内不同超级精英之间信任度；调整多粒度中心阈值，对超级精英使用多粒度子种群均衡调整策略进行动态更新，对大规模脑病历进行全局搜索分割与局部精化分割，超级精英在各自区域内能协同提取知识约简子集；最后求得大规模脑病历最优分割特征集并存储至Spark云平台中。本发明能稳定分割大规模脑病历知识约简集,为脑部疾病智能诊断和辅助治疗提供重要的诊断依据。
-
公开(公告)号：CN113763409A
公开(公告)日：2021-12-07
申请号：CN202110995534.2
申请日：2021-08-27
申请人： 南通大学
摘要： 本发明提供了一种基于高斯滤波的高维脑核磁图像多阈值分割方法，属于智慧医疗技术领域。其技术方案为：首先，获取脑核磁图像数据F；其次，通过标准差为脑核磁图像的粗糙性度量的高斯滤波进行自适应平滑滤波预处理；再次，对预处理后的脑核磁图像进行灰度直方图统计，并根据灰度直方图的峰值设定脑部组织的灰质、白质、脑脊液和背景的三个初始分割阈值(t1,t2,t3)；最后，将脑核磁图像中三个目标组织和背景的四类间方差σ2(t1,t2,t3)作为混合蛙跳算法的适应度函数寻找三个最优分割阈值并输出分割后的二值化图像。本发明的有益效果为：降低了噪声对脑核磁图像分割的影响，提高了对脑核磁图像中三个目标组织的分割精度，对脑核磁图像智能辅助分割和诊断具有较强的应用价值。
-
公开(公告)号：CN113012775A
公开(公告)日：2021-06-22
申请号：CN202110341510.5
申请日：2021-03-30
申请人： 南通大学
IPC分类号： G16H10/60 , G16H15/00 , G06F16/182
摘要： 本发明提供了一种红斑病电子病历病变分类的增量属性约简Spark方法，基于知识粒度的动态变化数据集增量约简算法与处理大数据常用的Spark并行框架相结合，在处理复杂，大规模和动态的数据集方面有着良好的效果，有效提高处理速度，能够进一步提高电子病历属性约简的效率和精度。
-
公开(公告)号：CN112163133A
公开(公告)日：2021-01-01
申请号：CN202011023382.1
申请日：2020-09-25
申请人： 南通大学
IPC分类号： G06F16/906 , G06K9/62
摘要： 本发明提供了一种基于多粒度证据邻域粗糙集的乳腺癌数据分类方法，包括如下步骤：S10采集乳腺癌数据集，并将所述乳腺癌数据集分为训练数据集和测试数据集；S20在所述训练数据集上构建多粒度数据；S30在不同粒度的所述病理特征约简集合下预测所述测试数据的类别标签集合；S40根据投票机制得到所述测试数据集中票数最多的类别标签，获得乳腺癌数据分类结果。本发明的一种基于多粒度证据邻域粗糙集的乳腺癌数据分类方法，去除了冗余属性压缩乳腺癌数据规模，同时在分类过程中，将证据理论引入邻域粗糙分类，充分地利用了样本之间的紧密性，提升了对乳腺癌数据分类的效率和精度，对乳腺癌智能辅助分类具有较强的应用价值。
-
公开(公告)号：CN112001887A
公开(公告)日：2020-11-27
申请号：CN202010697178.1
申请日：2020-07-20
申请人： 南通大学
摘要： 本发明公开了一种用于婴幼儿脑病历图像分割的全卷积遗传神经网络方法，属于医学图像信息智能处理领域，首先输入婴幼儿脑病历图像数据，对图像预处理，并根据DMPGA-FCN网络权值长度L对参数进行遗传编码初始化；然后将m个个体随机划分至遗传原生子种群Pop中并衍生孪生子种群Pop′，子种群在不相交区间确定各自交换概率pc和变异概率pm，使用遗传算子寻找最优初始权值fa；其次将fa作为前向传播计算参数，并在特征地址featuremap上做加权Q操作；最后将婴幼儿脑病历预测图像与标准分割图进行逐像素交叉熵损失计算从而反向更新权值，最终得到婴幼儿脑病历图像分割网络模型的最优权值。本方法能提高婴幼儿脑病历图像分割效率，对婴幼儿脑病的早期正确诊断和患儿脑病的康复具有重要意义。
-
公开(公告)号：CN111612096A
公开(公告)日：2020-09-01
申请号：CN202010484386.3
申请日：2020-06-01
申请人： 南通大学
摘要： 本发明提供了一种基于Spark平台的大规模眼底图像分类系统训练方法，包括如下步骤：S10设置执行分布式卷积神经网络训练必要的参数；S20调用所述卷积神经网络算法程序，将所述参数代入算法程序，通过分布式蛙跳算法生成所述卷积神经网络训练时的初始权值；S30使用存储的标准图像数据对所述卷积神经网络训练，寻找出最优蛙，作为下次分组权值训练的初始权值，完成所述卷积神经网络的训练；以及S40保存训练完的所述卷积神经网络模型。本发明的一种基于Spark平台的大规模眼底图像分类系统训练方法，采用混合蛙跳算法生成网络初始权值，通过分组优化策略实现卷积神经网络的分布式并行训练，可有效提高大规模眼底图像在卷积神经网络训练时的高效性和分类的准确性。
-
公开(公告)号：CN110930412A
公开(公告)日：2020-03-27
申请号：CN201911200695.7
申请日：2019-11-29
申请人： 南通大学
摘要： 本发明涉及到眼底血管图像聚类操作技术领域，具体来说涉及一种用于眼底血管图像聚类分割的近似骨架蛙群编号方法。本发明借助聚类方法，对眼底图像进行分割处理，根据病变点高亮的特性对病变点进行定位和剔除。为了获得更好的聚类分割效果，采用智能算法中较为有效且便于理解的混合蛙跳算法对K-means算法进行改进并使用近似骨架进一步充分利用算法获得的局部最优解，改进后的算法能有效克服原始K-means算法易于收敛至局部最优而无法有效进行图像分割缺点，获得更好的眼底血管聚类分割效果，更准确的分离出眼底血管的病变点。
-
-
-
-
-
-
-
搜索结果
38 条记录 (耗时 0.036 秒)
