公开(公告)号：CN107063961A

公开(公告)日：2017-08-18

申请号：CN201611160205.1

申请日：2016-12-15

Applicant: 中国矿业大学

Inventor： 刘志勇 ,  陈威威 ,  胡丹 ,  徐栋 ,  王赟程 ,  吕恒林 ,  张云升

IPC: G01N15/08

CPC classification number: G01N15/088

Abstract: 本发明提供了一种水泥水化三维孔隙结构特征的表征方法，先取水泥基材料制样，获取试样的背散射和能谱图片，通过“Bentz分相规则”得到试样各矿物相参数，基于CEMHYD3D水化模型软件，建立试样的水化模型；然后分别通过“内侵蚀法”、“燃烧算法”和“随机走法”三种算法实现对水泥水化三维孔隙结构特征的表征。本发明针对现有实验手段无法测试出重要的特征参数，无法进行连续监测，实验周期长以及对试件产生破坏等问题，提供了一种可连续监测、可视化、无破坏、省时的水泥水化三维孔隙结构特征的表征方法。

公开(公告)号：CN118736279B

公开(公告)日：2025-04-25

申请号：CN202410750989.1

申请日：2024-06-12

Applicant: 中国矿业大学

Inventor： 刘健 ,  薛新正 ,  闫玉琪 ,  王雪松 ,  程玉虎 ,  徐栋

IPC: G06V10/764 ,  G06V10/26 ,  G06V10/54 ,  G06V10/44 ,  G06V10/82 ,  G06N3/0499 ,  G16H20/10 ,  G16H50/20 ,  G06T7/00

Abstract: 本发明公开了一种基于超声影像组学特征注意力网络的HER2状态改变预测方法，包括步骤，勾画乳腺癌超声图像中的肿瘤区域；利用影像组学技术实现超声图像影像组学特征的提取，得到影像组学特征矩阵；对影像组学特征矩阵特征选择，构成关键特征矩阵；再输入到带有注意力机制的网络模块，输出与HER2状态改变相关的带有注意力权重的关键特征矩阵；最后，利用全连接神经网络对所述带有注意力权重的关键特征矩阵进行训练，进而得到乳腺癌HER2状态是否改变的预测。本发明实现了影像组学技术与深度学习模型相结合进行HER2状态改变相关特征的选择和学习，并通过全连接神经网络对HER2状态在新辅助治疗后是否改变的预测。

公开(公告)号：CN118736279A

公开(公告)日：2024-10-01

申请号：CN202410750989.1

申请日：2024-06-12

Applicant: 中国矿业大学

Inventor： 刘健 ,  薛新正 ,  闫玉琪 ,  王雪松 ,  程玉虎 ,  徐栋

IPC: G06V10/764 ,  G06V10/26 ,  G06V10/54 ,  G06V10/44 ,  G06V10/82 ,  G06N3/0499 ,  G16H20/10 ,  G16H50/20 ,  G06T7/00

Abstract: 本发明公开了一种基于超声影像组学特征注意力网络的HER2状态改变预测方法，包括步骤，勾画乳腺癌超声图像中的肿瘤区域；利用影像组学技术实现超声图像影像组学特征的提取，得到影像组学特征矩阵；对影像组学特征矩阵特征选择，构成关键特征矩阵；再输入到带有注意力机制的网络模块，输出与HER2状态改变相关的带有注意力权重的关键特征矩阵；最后，利用全连接神经网络对所述带有注意力权重的关键特征矩阵进行训练，进而得到乳腺癌HER2状态是否改变的预测。本发明实现了影像组学技术与深度学习模型相结合进行HER2状态改变相关特征的选择和学习，并通过全连接神经网络对HER2状态在新辅助治疗后是否改变的预测。

公开(公告)号：CN118173279A

公开(公告)日：2024-06-11

申请号：CN202410274251.2

申请日：2024-03-11

Applicant: 中国矿业大学

Inventor： 刘健 ,  葛曙光 ,  孔毅 ,  薛新正 ,  徐栋 ,  王雪松 ,  程玉虎

IPC: G16H50/70 ,  G16H50/20 ,  G06F18/25 ,  G06F18/22 ,  G06N3/0464 ,  G06N3/0455 ,  G06N3/0895 ,  G06N3/048 ,  G06F18/23213 ,  G06N3/047

Abstract: 本发明提供一种基于双自监督多图卷积网络融合的癌症亚型识别方法，所述方法为：第一，利用多个图卷积网络模型学习多组学数据的高层图结构信息，得到组学数据的图结构表示；第二，利用多个栈式自动编码器模型学习多组学数据的自表示；第三，将图结构表示和自表示相结合融入到深度聚类模型；第四，根据不同数据表示的特点，通过误差重构融合和自适应加权融合方法，分别融合多组学数据的自表示和图结构表示，得到多组学融合表示；最后，利用双自监督模块对多组学融合表示进行自监督学习，实现整个模型的端到端聚类训练。本发明采用栈式自动编码器与图卷积模型相结合，并通过双自监督方式对癌症多组学数据进行聚类，进而实现癌症亚型的预测。

公开(公告)号：CN117393175A

公开(公告)日：2024-01-12

申请号：CN202311337070.1

申请日：2023-10-16

Applicant: 中国矿业大学

Inventor： 刘健 ,  葛曙光 ,  孔毅 ,  薛新正 ,  徐栋 ,  王雪松 ,  程玉虎

IPC: G16H50/70 ,  G06F18/25 ,  G06F18/23 ,  G06F18/22 ,  G06F17/16

Abstract: 一种基于多组学数据的癌症亚型识别方法，包括以下步骤，获取多个组学数据，并构建每个组学数据对应的全局相似矩阵；基于每个组学数据的全局相似矩阵进行融合，得到融合相似矩阵；对融合相似矩阵的拉普拉斯矩阵施加秩约束，得到接近理想聚类结构的聚类指示矩阵；利用全局相似矩阵、融合相似矩阵、自适应权值和聚类指示矩阵构建最终的目标函数；对最终的目标函数进行优化、求解，计算得到最优解；利用所述最优解确定最佳的聚类簇的数目，并得到最优聚类指示矩阵对应的聚类标签用于预测癌症亚型。本发明能够更好地学习组学数据的全局相似信息，并自适应确定不同组学数据对聚类结果的贡献度，从而提高病人癌症亚型的预测准确率。