-
公开(公告)号：CN118172363A
公开(公告)日：2024-06-11
申请号：CN202410591933.6
申请日：2024-05-14
Applicant: 大连海事大学
IPC: G06T7/00 , G06T7/10 , G06N3/0455 , G06N3/08
Abstract: 本发明公开基于多任务学习的前列腺偶发癌预测方法及系统，涉及图像处理技术领域，包括以下步骤：S1：对前列腺偶发癌患者和良性前列腺增生患者的mpMRI图像进行预处理，通过细粒度的分割得到重叠的补丁块；S2：将所述S1中重叠的补丁块输入到层级Transformer编码器中来获取不同分辨率的多层次特征图；S3：将所述S2中得到的多层次语义特征图，进行上采样得到相同维度特征，然后进行拼接，形成新的特征图。本发明方便实现前列腺偶发癌预测。
-
公开(公告)号：CN103530505B
公开(公告)日：2017-02-08
申请号：CN201310454914.0
申请日：2013-09-29
Applicant: 大连海事大学
IPC: G06F19/00
Abstract: 本发明公开了一种人脑语言认知建模方法，包括以下步骤：认知状态实例初始化；映射激活特征与观测数据间的概率分布；定义脑隐态认知模型；隐态认知模型参数解析。本发明在认知建模过程中，将输入刺激、观测结果、隐态认知状态定义为动态事件相关的三重时间序列，即：认知刺激任务时间序列、观测特征时间序列、隐性认知状态时间序列，而且这三重时间序列通过一组概率分布相联系，不是将所采集的脑数据视为静态信息进行统计，因而本发明的认知建模方法无需满足基于统计的基本假定，在小样本数据条件下仍然成立，保证了认知分析结果的正确性，因而解决了小样本数据下的认知建模问题。本发明提高了认知建模的精度，也为复杂认知分析提供了有效途径。
-
公开(公告)号：CN102663710B
公开(公告)日：2014-12-31
申请号：CN201210132698.3
申请日：2012-04-28
Applicant: 大连海事大学
IPC: G06T5/00
Abstract: 本发明公开了一种X射线冠脉造影图像降噪方法，包括以下步骤：对X射线冠脉造影图像I进行二维经验模态分解；分析经验模态分解得到的各层本征模态函数，进行去噪；利用能够代表冠脉造影图像血管结构的本征模态函数进行加权求和来重构去噪后的冠脉造影图像。本发明不依赖先验知识进行对冠脉造影图像自适应分解，根据图像特点自适应产生随机噪声去除阈值。本发明利用经验模态分解方法对X射线冠脉造影图像进行自适应分解，对得到的各IMF分量进行去噪，并选择能够代表血管结构的IMF高频分量进行造影图像重构即可达到去除噪声的目的，且在去噪过程中无须先验知识、能够根据造影图像特点进行自适应降噪。
-
公开(公告)号：CN103530505A
公开(公告)日：2014-01-22
申请号：CN201310454914.0
申请日：2013-09-29
Applicant: 大连海事大学
IPC: G06F19/00
Abstract: 本发明公开了一种人脑语言认知建模方法，包括以下步骤：认知状态实例初始化；映射激活特征与观测数据间的概率分布；定义脑隐态认知模型；隐态认知模型参数解析。本发明在认知建模过程中，将输入刺激、观测结果、隐态认知状态定义为动态事件相关的三重时间序列，即：认知刺激任务时间序列、观测特征时间序列、隐性认知状态时间序列，而且这三重时间序列通过一组概率分布相联系，不是将所采集的脑数据视为静态信息进行统计，因而本发明的认知建模方法无需满足基于统计的基本假定，在小样本数据条件下仍然成立，保证了认知分析结果的正确性，因而解决了小样本数据下的认知建模问题。本发明提高了认知建模的精度，也为复杂认知分析提供了有效途径。
-
公开(公告)号：CN119274687B
公开(公告)日：2025-05-23
申请号：CN202411344031.9
申请日：2024-09-25
Applicant: 大连海事大学
IPC: G16C20/30 , G06N3/0895 , G16C20/50 , G16C20/70 , G16H20/10
Abstract: 本发明提供基于跨视图对比学习的药物‑疾病关联预测方法及系统，属于生物信息学中药物发现技术领域。构建语义视图和交互视图；构建并训练药物‑疾病关联概率预测模型：整合语义视图和交互视图，获得融合后的药物向量表示和疾病向量表示，作为融合视图；利用融合后的药物、疾病向量表示输出药物‑疾病关联概率；对融合视图与语义视图进行跨视图对比学习；对融合视图与交互视图进行跨视图对比学习；通过多任务学习方式将隐含知识通过底层共享参数从对比学习迁移至药物‑疾病关联概率预测。避免采用随机扰动进行对比视图增强所造成的药物与疾病间必要的关联信息被丢弃的问题，从而提高药物‑疾病关联预测的准确度。
-
Patent Agency Ranking
公开(公告)号：CN119446342A
公开(公告)日：2025-02-14
申请号：CN202411468789.3
申请日：2024-10-21
Applicant: 大连海事大学
IPC: G16C20/70 , G16H70/40 , G06N3/042 , G06N3/0895 , G06N5/022
Abstract: 本发明提供基于知识图谱的自监督药物‑疾病关联预测方法及系统，属于生物信息学中药物发现的技术领域。构建并训练药物‑疾病关联预测模型，包括：主任务药物‑疾病关联预测以及辅助任务自监督学习；主任务通过异构图神经网络从生物医学知识图谱中学习出各节点的向量表示；利用疾病向量表示和药物向量表示预测二者关联概率；模型训练联合主任务与辅助任务的损失函数作为模型的损失函数；通过辅助任务为主任务提供额外的训练标签；每轮次训练进行辅助任务优化梯度的修正。解决了现有方法仅设计单一的对比学习辅助任务，缺少基于结构、语义或属性的自监督，且自监督辅助任务与主任务间梯度优化方向与量级的严重不一致导致模型预测准确性降低的问题。
-
公开(公告)号：CN119274691A
公开(公告)日：2025-01-07
申请号：CN202411344030.4
申请日：2024-09-25
Applicant: 大连海事大学
Abstract: 本发明提供基于异质节点序列表示的药物‑疾病关联预测方法及系统，属于生物信息学中药物发现技术领域。构建药物相似性网络和疾病相似性网络；利用药物相似性网络和疾病相似性网络构建异质生物交互网络，获得目标节点的一阶邻居子图；按照元关系类型将目标节点的一阶邻居子图拆分为多个元关系二部图，各元关系二部图内进行域内消息传播与聚合，更新目标节点的语义特征；跨域融合目标节点的语义特征，更新目标节点的序列特征、聚合特征；利用更新后的序列特征，通过多头自注意力机制获得目标节点的向量表示；将药物节点和疾病节点的向量表示，输入多层感知机预测药物‑疾病关联概率。本发明有效避免语义信息混淆，进而提高了模型预测的准确度。
-
公开(公告)号：CN118506965A
公开(公告)日：2024-08-16
申请号：CN202410647381.6
申请日：2024-05-23
Applicant: 大连海事大学
IPC: G16H20/10 , G16H70/40 , G16H10/60 , G06N3/044 , G06N3/0455 , G06N3/0464 , G06N3/042
Abstract: 本发明公开一种基于历史药物和双粒度融合网络的药物推荐方法及系统，涉及自然语言处理技术领域。本发明将历史药物信息和医学外部知识建模为粗粒度数据，将药物分子结构及其子结构之间的相互作用建模为细粒度数据。使用双粒度融合模块，对两部分信息进行整合学习。本发明旨在克服现有技术的限制，提供一种创新的药物推荐方法，验证了将历史用药知识纳入药物推荐的有效性，实现了更精准的药物推荐，同时设计了DDI损失函数提高了药物推荐的安全性。
-
公开(公告)号：CN114999565B
公开(公告)日：2024-07-26
申请号：CN202210418625.4
申请日：2022-04-20
Applicant: 大连海事大学
IPC: G16B15/30 , G16B40/00 , G06F18/25 , G06N3/042 , G06N3/0464 , G06N3/0442 , G06N3/08
Abstract: 本发明一种基于表示学习和图神经网络的药物靶标亲和力预测方法，涉及生物医学和自然语言技术交叉领域。本发明将输入的药物和蛋白质数据转换为两种不同的形式，即二维矩阵结构和三维图结构，从而可以利用不同结构信息，充分提取信息，更好地对结果进行预测；使用注意力层融合四种信息，通过分析每一部分的权重，了解不同部分的重要性，提升预测性能。本发明解决了当前药物靶标亲和力预测任务中大多数只关注输入数据的部分结构信息的问题，并且使用注意力机制进行融合，更好地解释每一部分数据信息的重要性，从而大大提升药物靶标亲和力预测的性能。
-
公开(公告)号：CN118350383A
公开(公告)日：2024-07-16
申请号：CN202410640684.5
申请日：2024-05-22
Applicant: 大连海事大学
IPC: G06F40/35 , G06N3/0464 , G06N3/042 , G06N3/0455 , G06N3/08 , G06F40/284
Abstract: 本发明公开了基于问答文本依赖和图卷积网络的方面级情感分析方法及系统，涉及自然语言处理技术领域。首先，通过引入三种不同的依赖图来丰富依赖信息。接下来，使用预训练语言模型BERT分别且同时的对问题文本和答案文本进行编码，得到问答对各自的隐藏状态向量。然后，构建了三种分别对应于依赖图类型的GCN，依赖图与对应的隐藏状态向量一同作为GCN的输入，以更好的聚合问答对的特征。最后，使用一种基于检索的注意力机制，通过为每个单词分配权重，充分将GCN的输出和与方面相关的重要特征融合起来，并通过softmax层得到最终情感极性的概率分布以实现情感预测。本发明解决了基于问答的方面级情感分析领域句法关系、文本输入和噪声过大的问题。
-
-
-
-
-
-
-
-
-
Search Results
39
records
(took 0.022 seconds)
