-
公开(公告)号：CN110136113B
公开(公告)日：2022-06-07
申请号：CN201910399732.5
申请日：2019-05-14
Applicant: 湖南大学
Abstract: 本发明属于计算机视觉及机器学习技术领域，公开了一种基于卷积神经网络的阴道病理图像分类方法。本发明包括步骤：使用上采样方法，得到类别平衡的阴道病理图像数据集；利用数据增强方法扩增阴道病理图像数据集；利用扩增的阴道病理图像数据集对图像分类卷积神经网络进行训练；利用交叉熵损失函数，结合BP算法对图像分类卷积神经网络进行网络参数更新；通过训练后的最优图像分类卷积神经网络对输入图像进行分类。本发明避免了传统特征提取方法的局限，如：高度依赖于医护人员的经验知识，耗费大量的时间和精力完成，提取出有区分性的高质量特征也往往存在一定的困难，而且准确率低，本发明借助于卷积神经网络，实现阴道病理图像的高精度分类。
-
公开(公告)号：CN111951246A
公开(公告)日：2020-11-17
申请号：CN202010803336.7
申请日：2020-08-11
Applicant: 湖南大学
Abstract: 本发明属于人工智能医疗领域，公开了一种基于深度学习的多方位X光胸片肺炎诊断方法，以提高神经网络模型在X光胸片上对肺炎诊断的性能。本发明通过：输入X光胸片数据，对数据进行清洗，过滤和图像增强；根据图像的成像方位对数据进行划分；使用迁移学习方法训练优化构建的多方位的深度卷积神经网络模型；将待诊断样本输入到模型中，得到X光胸片的分类结果，实现肺炎的分类检测。本发明可以对X光胸片图像数据进行高效的处理，过滤和图像增强，对参差不齐的医疗数据进行规范化、可训练化的治理。同时，通过输入多方位的X光胸片图像，可以提取患者更全的语义信息，有效提高模型对肺炎分类诊断的准确率，敏感值和特异值，为患者提供精准诊断。
-
公开(公告)号：CN111916145A
公开(公告)日：2020-11-10
申请号：CN202010725014.5
申请日：2020-07-24
Applicant: 湖南大学
Abstract: 本发明属于生物信息学领域，公开了基于图表示学习的新冠病毒靶标预测和药物发现方法，通过构造包含药物、靶标、副作用、疾病之间的作用关系的异构网络，并使用图卷积神经网络集成它本身及其各种领域拓扑结构信息，并结合注意力机制来反映不同类型的邻域信息对节点的重要程度，进而学习节点自身的特征表示，最后通过拓扑重建过程来强制提取药物和靶标的特征表示，得到边权表示关系作用强度的重定位网络。根据个别抑制新冠病毒的药物在这个重定位网络中的潜在关系，预测新型冠状病毒的靶标，并筛选出可能抑制新型冠状病毒的药物。通过这种方式，本发明能较为有效地筛选出可能抑制新型冠状病毒的药物，加快药物研发，具有十分重要的推广应用价值。
-
公开(公告)号：CN111916145B
公开(公告)日：2022-03-11
申请号：CN202010725014.5
申请日：2020-07-24
Applicant: 湖南大学
Abstract: 本发明属于生物信息学领域，公开了基于图表示学习的新冠病毒靶标预测和药物发现方法，通过构造包含药物、靶标、副作用、疾病之间的作用关系的异构网络，并使用图卷积神经网络集成它本身及其各种领域拓扑结构信息，并结合注意力机制来反映不同类型的邻域信息对节点的重要程度，进而学习节点自身的特征表示，最后通过拓扑重建过程来强制提取药物和靶标的特征表示，得到边权表示关系作用强度的重定位网络。根据个别抑制新冠病毒的药物在这个重定位网络中的潜在关系，预测新型冠状病毒的靶标，并筛选出可能抑制新型冠状病毒的药物。通过这种方式，本发明能较为有效地筛选出可能抑制新型冠状病毒的药物，加快药物研发，具有十分重要的推广应用价值。
-
公开(公告)号：CN111524546B
公开(公告)日：2022-05-03
申请号：CN202010288303.3
申请日：2020-04-14
Applicant: 湖南大学
Abstract: 本发明属于计算机技术应用领域，公开了一种基于异构信息的药物‑靶标相互作用预测方法。在已知药物‑靶标、药物‑药物和靶标‑靶标的关系矩阵的前提下，通过构建药物和靶标的可变特征表示，重建各关系矩阵。将各重建矩阵与原矩阵之差作为误差矩阵，将各误差矩阵逐元素求平方后再逐元素加和作为重建误差。将重建误差反向求导，通过梯度下降的方法同步更新变量，使重建误差逐渐收敛到最小。取重建误差最小化时的重建药物‑靶标关系矩阵，与原关系矩阵进行对比即可得到新预测出的药物‑靶标相互作用关系。本发明可以充分整合药物和靶标相关的异构信息，为计算机辅助药物发现和药物重定位提供有力的工具，具有良好的应用前景。
-
Patent Agency Ranking
公开(公告)号：CN111951246B
公开(公告)日：2022-03-04
申请号：CN202010803336.7
申请日：2020-08-11
Applicant: 湖南大学
Abstract: 本发明属于人工智能医疗领域，公开了一种基于深度学习的多方位X光胸片肺炎诊断方法，以提高神经网络模型在X光胸片上对肺炎诊断的性能。本发明通过：输入X光胸片数据，对数据进行清洗，过滤和图像增强；根据图像的成像方位对数据进行划分；使用迁移学习方法训练优化构建的多方位的深度卷积神经网络模型；将待诊断样本输入到模型中，得到X光胸片的分类结果，实现肺炎的分类检测。本发明可以对X光胸片图像数据进行高效的处理，过滤和图像增强，对参差不齐的医疗数据进行规范化、可训练化的治理。同时，通过输入多方位的X光胸片图像，可以提取患者更全的语义信息，有效提高模型对肺炎分类诊断的准确率，敏感值和特异值，为患者提供精准诊断。
-
公开(公告)号：CN111276187B
公开(公告)日：2021-09-10
申请号：CN202010029068.8
申请日：2020-01-12
Applicant: 湖南大学
Abstract: 本发明属于计算机科学领域，公开了一种基于自编码器的基因表达谱特征学习方法，通过将基因表达谱文件按实验条件提取所需要的数据，先对提取的样本数据进行处理，得到能直接用于模型的输入数据，再将多个多通道自编码器逐层叠加，得到包含多个隐藏层的深度多通道自编码器模型，接着用深度多通道自编码器模型从高维稀疏的基因表达谱数据中提取出维度相对较低，且能有效区分原始数据的特征表示，最后验证模型预测的特征的好坏。本发明充分发挥深度学习能准确获取数据特征的优势，结合卷积神经网络的多通道和自编码器的特征学习能力，设计一种新的多通道自编码器模型，从而更好的学习到维度相对较低，且能有效区分原始基因表达谱数据的特征表示。
-
公开(公告)号：CN111524546A
公开(公告)日：2020-08-11
申请号：CN202010288303.3
申请日：2020-04-14
Applicant: 湖南大学
Abstract: 本发明属于计算机技术应用领域，公开了一种基于异构信息的药物‑靶标相互作用预测方法。在已知药物‑靶标、药物‑药物和靶标‑靶标的关系矩阵的前提下，通过构建药物和靶标的可变特征表示，重建各关系矩阵。将各重建矩阵与原矩阵之差作为误差矩阵，将各误差矩阵逐元素求平方后再逐元素加和作为重建误差。将重建误差反向求导，通过梯度下降的方法同步更新变量，使重建误差逐渐收敛到最小。取重建误差最小化时的重建药物‑靶标关系矩阵，与原关系矩阵进行对比即可得到新预测出的药物‑靶标相互作用关系。本发明可以充分整合药物和靶标相关的异构信息，为计算机辅助药物发现和药物重定位提供有力的工具，具有良好的应用前景。
-
公开(公告)号：CN111276187A
公开(公告)日：2020-06-12
申请号：CN202010029068.8
申请日：2020-01-12
Applicant: 湖南大学
Abstract: 本发明属于计算机科学领域，公开了一种基于自编码器的基因表达谱特征学习方法，通过将基因表达谱文件按实验条件提取所需要的数据，先对提取的样本数据进行处理，得到能直接用于模型的输入数据，再将多个多通道自编码器逐层叠加，得到包含多个隐藏层的深度多通道自编码器模型，接着用深度多通道自编码器模型从高维稀疏的基因表达谱数据中提取出维度相对较低，且能有效区分原始数据的特征表示，最后验证模型预测的特征的好坏。本发明充分发挥深度学习能准确获取数据特征的优势，结合卷积神经网络的多通道和自编码器的特征学习能力，设计一种新的多通道自编码器模型，从而更好的学习到维度相对较低，且能有效区分原始基因表达谱数据的特征表示。
-
公开(公告)号：CN110136113A
公开(公告)日：2019-08-16
申请号：CN201910399732.5
申请日：2019-05-14
Applicant: 湖南大学
Abstract: 本发明属于计算机视觉及机器学习技术领域，公开了一种基于卷积神经网络的阴道病理图像分类方法。本发明包括步骤：使用上采样方法，得到类别平衡的阴道病理图像数据集；利用数据增强方法扩增阴道病理图像数据集；利用扩增的阴道病理图像数据集对图像分类卷积神经网络进行训练；利用交叉熵损失函数，结合BP算法对图像分类卷积神经网络进行网络参数更新；通过训练后的最优图像分类卷积神经网络对输入图像进行分类。本发明避免了传统特征提取方法的局限，如：高度依赖于医护人员的经验知识，耗费大量的时间和精力完成，提取出有区分性的高质量特征也往往存在一定的困难，而且准确率低，本发明借助于卷积神经网络，实现阴道病理图像的高精度分类。
-
-
-
-
-
-
-
-
-
Search Results
10
records
(took 0.021 seconds)
