-
公开(公告)号：CN114170118A
公开(公告)日：2022-03-11
申请号：CN202111226162.3
申请日：2021-10-21
Applicant: 北京交通大学
Abstract: 本发明提供了一种基于由粗到精学习的半监督多模态核磁共振影像合成方法。该方法包括：利用所有病例的多模态数据集构造大部分不成对数据和少部分成对数据，构造包括生成网络和增强网络的MRI合成模型，利用全部数据对生成网络进行训练，利用少部分成对数据对增强网络进行训练，将源模态的影像输入训练好的生成网络中，利用学习得的跨模态分布映射关系将源模态的影像映射为对应的目标模态的粗合成影像，并输入到训练好的增强网络，增强网络对目标模态的粗合成影像进行精细化增强，得到目标模态的跨模态合成MR影像。本发明方法可以应用于跨模态医学影像合成中，使用患者已有的源模态影像合成目标模态影像，为辅助医生进行疾病诊断提供帮助。
-
公开(公告)号：CN115188461A
公开(公告)日：2022-10-14
申请号：CN202210210314.9
申请日：2022-03-03
Applicant: 北京交通大学
Abstract: 本发明提供了一种基于Transformer子空间表征学习的因果推理辅助诊断方法。该方法包括：通过Transformer网络从电子病历数据中提取患者的特征信息；通过自监督学习的方式对患者的特征信息进行扩容后，映射到低维的共享子空间和独立子空间，得到患者的低维共享特征表示和特异特征表示，通过堆叠两种特征表示得到患者的低维特征表示；使用对抗模型来平衡患者的低维特征表示中不同分组之间的分布，得到分布平衡的低维特征表示并输入到前馈网络，得到患者的预测诊断结果。本发明可以应用于辅助诊断预测中，使用患者的生理数据及实验室数据等结构化信息较好地做出诊断，为医生诊断时提供参考意见，可以解决现有的方案中存在的选择偏差和缺乏可解释性等问题。
-
公开(公告)号：CN114613497B
公开(公告)日：2024-09-24
申请号：CN202210295832.5
申请日：2022-03-24
Applicant: 北京交通大学
Abstract: 本发明提供了一种基于GBDT样例级的病患样本的智能医学辅助诊断方法。该方法包括：根据历史病患数据构建自适应AdaGBDT模块，利用AdaGBDT模块中的决策树通过迭代训练过程计算待诊断的病患样本的诊断结果；根据病患样本的决策路径计算病患样本的可解释特征嵌入，将AdaGBDT模型不同决策树之间的结果进行累加，得到病患样本的特征重要性嵌入；利用案例推理系统在嵌入空间中使用自加权距离度量在历史病患案例数据库中寻找与所述病患样本最相似的多个案例，将多个案例与病患样本的诊断结果进行比较，如果比较结果为不一致，则将所述病患样本标注为难样本。本发明方法提高了对预测结果不一致案例的关注度，从而有助于提高系统的召回率，减少了漏检案例的数量。
-
公开(公告)号：CN114613497A
公开(公告)日：2022-06-10
申请号：CN202210295832.5
申请日：2022-03-24
Applicant: 北京交通大学
Abstract: 本发明提供了一种基于GBDT样例级的病患样本的智能医学辅助诊断方法。该方法包括：根据历史病患数据构建自适应AdaGBDT模块，利用AdaGBDT模块中的决策树通过迭代训练过程计算待诊断的病患样本的诊断结果；根据病患样本的决策路径计算病患样本的可解释特征嵌入，将AdaGBDT模型不同决策树之间的结果进行累加，得到病患样本的特征重要性嵌入；利用案例推理系统在嵌入空间中使用自加权距离度量在历史病患案例数据库中寻找与所述病患样本最相似的多个案例，将多个案例与病患样本的诊断结果进行比较，如果比较结果为不一致，则将所述病患样本标注为难样本。本发明方法提高了对预测结果不一致案例的关注度，从而有助于提高系统的召回率，减少了漏检案例的数量。
-
-
-
Search Results
4
records
(took 0.042 seconds)
