-
公开(公告)号：CN116188435B
公开(公告)日：2023-11-07
申请号：CN202310195481.5
申请日：2023-03-02
申请人： 南通大学
摘要： 本发明提供了一种基于模糊逻辑的医学图像深度分割方法，属于医学图像智能处理技术领域。解决了医学图像数据集数据不足导致医学图像分割准确率低的问题。其技术方案为：包括如下步骤：S1、对眼底医学图像数据集进行扩充，将彩色眼底图像以中心点随机旋转生成新的图片；S2、使用CNN和Transformer模型分别提取眼底图像特征；S3、设计模糊融合模块将两个分支提取的特征进行结合；S4、构造模糊注意力融合模块逐步上采样与融合不同尺度特征图；S5、搭建基于模糊逻辑的深度学习网络FTransCNN。本发明有益效果为：使用模糊逻辑将两种深度学习模型特征进行融合，更自然、合理的表示眼底血管区域边缘的不准确信息。
-
公开(公告)号：CN116128846A
公开(公告)日：2023-05-16
申请号：CN202310097938.9
申请日：2023-02-01
申请人： 南通大学
IPC分类号： G06T7/00 , G06V10/774 , G06V10/80
摘要： 本发明提供了一种面向肺部X‑ray图像检索的视觉Transformer哈希方法，属于医学图像处理技术领域，解决了不同种类的肺部X‑ray图像之间去检索同种类图像时存在检索时间长、检索精度低的问题。其技术方案为：建立肺部X‑ray图像数据库，构建视觉Transformer哈希模型，根据模型的输出计算成对损失Lpair、量化损失Lquan、平衡损失Lbal以及分类损失Lcl，构造总损失函数Lall；使用交替学习算法优化损失函数Lall；并逐一返回与测试集中最相似的前T张肺部X‑ray图像。本发明的有益效果为：能够分辨不同肺部X‑ray图像之间的细微差异，哈希方法将高维肺部X‑ray图像映射为低维的二进制编码，实现肺部X‑ray图像检索的准确率。
-
公开(公告)号：CN116128846B
公开(公告)日：2023-08-22
申请号：CN202310097938.9
申请日：2023-02-01
申请人： 南通大学
IPC分类号： G06T7/00 , G06V10/774 , G06V10/80
摘要： 本发明提供了一种面向肺部X‑ray图像检索的视觉Transformer哈希方法，属于医学图像处理技术领域，解决了不同种类的肺部X‑ray图像之间去检索同种类图像时存在检索时间长、检索精度低的问题。其技术方案为：建立肺部X‑ray图像数据库，构建视觉Transformer哈希模型，根据模型的输出计算成对损失Lpair、量化损失Lquan、平衡损失Lbal以及分类损失Lcl，构造总损失函数Lall；使用交替学习算法优化损失函数Lall；并逐一返回与测试集中最相似的前T张肺部X‑ray图像。本发明的有益效果为：能够分辨不同肺部X‑ray图像之间的细微差异，哈希方法将高维肺部X‑ray图像映射为低维的二进制编码，实现肺部X‑ray图像检索的准确率。
-
公开(公告)号：CN116523877A
公开(公告)日：2023-08-01
申请号：CN202310487851.2
申请日：2023-05-04
申请人： 南通大学
IPC分类号： G06T7/00 , G06T7/10 , G06N3/0464 , G06N3/08 , G06N3/006
摘要： 本发明提供了一种基于卷积神经网络的脑MRI图像肿瘤块分割方法，属于医学图像信息智能处理技术领域。其技术方案为：包括如下步骤：S1、图像预处理；S2、构建3D‑U‑Net神经网络模型；S3、利用粒子群优化算法PSO对3D‑U‑Net神经网络模型进行优化，获得基于粒子群优化算法优化的三维U‑Net即PSO‑3D‑U‑Net神经网络模型；S4、将预处理后数据增强的脑MRI图像使用PSO‑3D‑U‑Net神经网络模型对待测脑MRI图像分割。本发明的有益效果为：有效地避免了神经网络中初始化权值不当的问题，提高了网络的收敛速度和收敛精度。
-
公开(公告)号：CN113012776B
公开(公告)日：2022-11-04
申请号：CN202110341531.7
申请日：2021-03-30
申请人： 南通大学
IPC分类号： G16H10/60 , G16H15/00 , G06F16/182 , G06K9/62
摘要： 本发明提供了一种大规模不平衡糖尿病电子病历并行分类邻域证据Spark方法，在主节点上读取糖尿病数据，并按照4:1比例将糖尿病数据划分为训练集和测试集；在子节点上对糖尿病训练集通过Spark并行欠采样获得多个新的训练子集；在子节点上通过Spark并行病理特征约简器得到病理特征约简子集，并更新每个子节点上训练子集和测试子集的病理特征集，在子节点上，通过邻域证据Spark并行分类器获得测试子集的预测类别标签集合，在主节点上根据投票机制得到最终的预测类别标签。本发明的有益效果为：本发明去除大规模数据中冗余属性，提高了计算效率，充分地利用了样本之间的支持信息，提升了糖尿病数据分类的效率和精度。
-
公开(公告)号：CN115063877A
公开(公告)日：2022-09-16
申请号：CN202210630121.9
申请日：2022-06-06
申请人： 南通大学
IPC分类号： G06V40/18 , G06V10/762 , G16H50/20
摘要： 本发明涉及图像处理分析技术领域，具体涉及一种面向大数据眼底图像的并行超像素Spark聚类方法。步骤包括：S10、系统首先获取用户上传的大数据眼底图像，将请求信息发送至诊断系统，并调用后台Java程序和Python代码；S20、调用基于Spark平台的超像素FCM加速聚类算法，对眼底图像进行超像素处理；S30、通过Spark框架进行分布式计算，用超像素块的均值像素颜色特征进行编码并转化为弹性分布性数据集RDD，将RDD划分到各节点，各节点进行FCM隶属度计算后汇总，再分区进行聚类中心更新计算，直至算法收敛；S40、输出FCM聚类的结果并保存眼底图像聚类结果；S50、将大量眼底图像数据同时运行结果存储至数据库MySQL中，等待前端请求查看时，将指定眼底图像聚类结果反馈至系统用户。
-
公开(公告)号：CN116524256A
公开(公告)日：2023-08-01
申请号：CN202310446642.3
申请日：2023-04-24
申请人： 南通大学
IPC分类号： G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/086 , G06T7/00
摘要： 本发明提供了一种基于残差神经网络和进化算法的脑MRI图像分类方法，属于医学图像信息智能处理技术领域。其技术方案为：包括如下步骤：S1、图像预处理；S2、构建ResNet神经网络模型；S3、利用差分进化算法DE对ResNet神经网络模型进行优化，获得基于差分进化算法优化的ResNet即DE‑ResNet神经网络模型；S4、将预处理后数据增强的脑MRI图像使用DE‑ResNet神经网络模型对待测脑MRI图像分类。本发明提出了一种基于残差神经网络和进化算法的脑MRI图像分类方法有效地进行脑MRI图像分类，获得更高的图像分类精度和效率。
-
公开(公告)号：CN116188435A
公开(公告)日：2023-05-30
申请号：CN202310195481.5
申请日：2023-03-02
申请人： 南通大学
摘要： 本发明提供了一种基于模糊逻辑的医学图像深度分割方法，属于医学图像智能处理技术领域。解决了医学图像数据集数据不足导致医学图像分割准确率低的问题。其技术方案为：包括如下步骤：S1、对眼底医学图像数据集进行扩充，将彩色眼底图像以中心点随机旋转生成新的图片；S2、使用CNN和Transformer模型分别提取眼底图像特征；S3、设计模糊融合模块将两个分支提取的特征进行结合；S4、构造模糊注意力融合模块逐步上采样与融合不同尺度特征图；S5、搭建基于模糊逻辑的深度学习网络FTransCNN。本发明有益效果为：使用模糊逻辑将两种深度学习模型特征进行融合，更自然、合理的表示眼底血管区域边缘的不准确信息。
-
公开(公告)号：CN114860940A
公开(公告)日：2022-08-05
申请号：CN202210630111.5
申请日：2022-06-06
申请人： 南通大学
摘要： 本发明涉及到医学信息智能处理领域，具体涉及一种用于慢性肾病病历分类的粗糙证据粒球Spark方法。首先在主节点上读取慢性肾病病历数据，并将该数据集划分为训练集和测试集；接着在子节点上将训练子集样本并行划分生成多个粗糙证据粒球；然后利用基于粗糙证据粒球的Spark并行病理属性约简方法来获得训练子集的病理属性约简子集，并更新所有训练子集和测试集的病理属性集；最后通过Spark并行化的粗糙证据粒球邻域分类方法获得测试集样本的预测类别标签结果。本发明可以有效地去除大规模慢性肾脏病历数据中冗余的病理属性，并利用粗糙证据减少冗余样本和异常样本对决策过程的影响，从而提升了大规模慢性肾脏病历数据的分类精度和计算效率。
-
公开(公告)号：CN113012776A
公开(公告)日：2021-06-22
申请号：CN202110341531.7
申请日：2021-03-30
申请人： 南通大学
IPC分类号： G16H10/60 , G16H15/00 , G06F16/182 , G06K9/62
摘要： 本发明提供了一种大规模不平衡糖尿病电子病历并行分类邻域证据Spark方法，在主节点上读取糖尿病数据，并按照4:1比例将糖尿病数据划分为训练集和测试集；在子节点上对糖尿病训练集通过Spark并行欠采样获得多个新的训练子集；在子节点上通过Spark并行病理特征约简器得到病理特征约简子集，并更新每个子节点上训练子集和测试子集的病理特征集，在子节点上，通过邻域证据Spark并行分类器获得测试子集的预测类别标签集合，在主节点上根据投票机制得到最终的预测类别标签。本发明的有益效果为：本发明去除大规模数据中冗余属性，提高了计算效率，充分地利用了样本之间的支持信息，提升了糖尿病数据分类的效率和精度。
-
-
-
-
-
-
-
-
-
搜索结果
10 条记录 (耗时 0.054 秒)
