-
公开(公告)号：CN114118258B
公开(公告)日：2024-11-19
申请号：CN202111398932.2
申请日：2021-11-19
Applicant: 武汉大学
IPC: G06V10/764 , G16H30/20 , G06V10/80
Abstract: 本发明提供了一种基于背景指导注意力机制的病理切片特征融合方法，该方法包括：S1：使用预训练的深度神经网络提取病理图像切片的特征，并使用线性变换将其转换为d维的特征；S2：根据d维的正态分布随机生成一个d维的初始背景向量；S3：从步骤2生成的初始背景向量出发，经过一个循环模块，得到该病理图像的背景向量；S4：利用步骤3得到的背景向量，计算每个切片特征的注意力权重；S5：将特征按它们的注意力权重加权求和，得到融合后的病理图像特征。本发明使用基于背景指导的注意力机制，构建了充分反映病理图像中切片所处环境信息的背景向量，可以在更短的时间内使用更小的内存计算切片的权重，得到质量更高的融合特征。
-
公开(公告)号：CN114496105B
公开(公告)日：2024-08-23
申请号：CN202210080029.X
申请日：2022-01-24
Applicant: 武汉大学
Abstract: 本发明提供了一种基于多语义网络的单步逆合成方法及系统，在进行单步逆合成预测的时，输入目标产物分子的ECFP4特征和SMILES词单热特征，经过多语义网络之后，以反应模板的形式输出该目标产物分子上可能发生的前k条反应。根据输出的反应模板，结合目标产物分子的SMILES字符串，最终计算得到目标产物分子所对应的反应物的SMILES字符串，实现单步逆合成预测。本发明是单步逆合成领域中第一个使用多语义融合网络来进行单步逆合成预测的，是基于模板的单步逆合成方法，预测结果具有较强的可解释性。网络除了对融合语义特征学习之外，还分别对ECFP4语义特征和SMILES词单热语义特征学习，从而增强了融合语义特征对分子的表达能力，进而提高了网络的预测结果精度。
-
公开(公告)号：CN118471444A
公开(公告)日：2024-08-09
申请号：CN202410693993.9
申请日：2024-05-31
Applicant: 武汉大学
Abstract: 本公开提供一种用于对病理图像进行染色归一化的方法、装置以及设备；其中，方法包括：获取需要进行染色归一化的待处理病理图像；其中，待处理病理图像具有第一类颜色表征；将待处理病理图像输入预训练染色归一化模型，得到由预训练染色归一化模型输出的匹配待处理病理图像的目标病理图像；其中，目标病理图像具有第二类颜色表征，第二类颜色表征与第一类颜色表征存在差异；预训练染色归一化模型为利用包含不同颜色表征的样本病理图像训练得到；预训练染色归一化模型包括生成对抗网络。利用本公开的方法，可以提高模型捕捉病理图像局部特征的能力以及增强模型的结构保持能力。
-
公开(公告)号：CN116486401A
公开(公告)日：2023-07-25
申请号：CN202310405303.0
申请日：2023-04-14
Applicant: 武汉大学
IPC: G06V20/69 , G06V10/25 , G06V10/80 , G06V10/82 , G06T7/00 , G06N3/045 , G06N3/0464 , G06N3/047 , G06N3/048 , G06N3/08
Abstract: 本发明公开了一种基于多尺度特征聚合的肉芽肿圆形表示定位方法及系统，首先采集组织病理图像；然后通过检测网络的Patch Embedding模块进行初步的特征编码和提取；接着通过检测网络的多个多尺度注意力特征提取阶段，得到多尺度聚合特征输出；进一步通过检测网络的特征融合模块FPN，对每个特征提取阶段的输出特征进行至上而下的不同尺度特征融合；最后通过检测网络的三个检测头，对组织病理图像中的肉芽肿进行定位和检测；本发明使用基于多尺度特征聚合的Transformer结构来进行图像特征的提取，以实现对多种不同尺度特征的有效学习，从而达到对大目标小目标均能有效检测的效果。
-
公开(公告)号：CN116051905A
公开(公告)日：2023-05-02
申请号：CN202310131752.0
申请日：2023-02-16
Applicant: 武汉大学
IPC: G06V10/764 , G06V10/774 , G06V10/80 , G06V10/82 , G06N3/045 , G06N3/0464 , G06N3/084
Abstract: 本发明公开了一种基于超声和红外热图多模态图像的甲状腺结节图像分类方法。本发明基于超声和红外热图像，结合多模态学习方法，提供了一个自适应多模态混合模型，该模型由模态内混合编码器，自适应跨模态编码器，分类头三部分组成。模态内混合编码器在提取局部特征的同时能够对全局特征进行建模；自适应跨模态编码器能够根据不同的案例制定个性化的模态权重，同时进行模态间特征的信息交互与融合；分类头对得到的融合特征进行分类。该方法基于受检者的超声和红外热图像，使用AmmH模型自动对受检者甲状腺结节图像进行分类，为医生提供客观、准确的分类结果，以实现辅助诊断。
-
Patent Agency Ranking
公开(公告)号：CN115831365A
公开(公告)日：2023-03-21
申请号：CN202211629832.0
申请日：2022-12-19
Applicant: 武汉大学
Abstract: 本发明提供了基于筛选器和病理图像的乳腺癌分子亚型预测模型的构建方法、装置、预测方法，其中的乳腺癌分子亚型预测模型的构建方法首先利用在空间转录组数据上构建块的筛选器，然后利用筛选器筛选出有价值的块用于乳腺癌分子亚型预测模型的构建。筛选器的构建包括将空间转录组数据中的组织病理图像切成很多块；然后提取对应的ESR1、ESR2、PGR和ERBB2的基因表达信息，形成标签；接着构建训练模型得到筛选器。分子亚型预测模型的构建包括：将WSI切块标准化后，利用筛选器筛选出含ESR1、ESR2、PGR和ERBB2至少一种基因表达的块，然后将这些块放入一个卷积神经网络模型中进行训练得到最终的乳腺癌分子亚型预测模型。
-
公开(公告)号：CN115762663A
公开(公告)日：2023-03-07
申请号：CN202211432147.9
申请日：2022-11-16
Applicant: 武汉大学
Abstract: 本发明公开了一种基于通量平衡分析的代谢网络关键因子挖掘方法。该方法不需要复杂的领域知识，通过输入代谢网络以及目标化合物，可以直接挖掘对目标化合物影响最大的多个反应，用于快速辅助生物学家优化的代谢网络。本发明首先对已有代谢网络进行建模，并且确定需要生产的目标产物，并依据FBA对代谢网络中可以产生目标产物的反应进行分析，进而使用基于遗传算法的最大通量变化计算方法来计算每个反应对目标代谢物通量对影响，并依次确定对通量影响最大的top‑k个代谢反应作为关键因子。本发明为代谢途径设计和优化提供了候选的关键因子。
-
公开(公告)号：CN114118258A
公开(公告)日：2022-03-01
申请号：CN202111398932.2
申请日：2021-11-19
Applicant: 武汉大学
IPC: G06K9/62 , G16H30/20 , G06V10/764 , G06V10/80
Abstract: 本发明提供了一种基于背景指导注意力机制的病理切片特征融合方法，该方法包括：S1：使用预训练的深度神经网络提取病理图像切片的特征，并使用线性变换将其转换为d维的特征；S2：根据d维的正态分布随机生成一个d维的初始背景向量；S3：从步骤2生成的初始背景向量出发，经过一个循环模块，得到该病理图像的背景向量；S4：利用步骤3得到的背景向量，计算每个切片特征的注意力权重；S5：将特征按它们的注意力权重加权求和，得到融合后的病理图像特征。本发明使用基于背景指导的注意力机制，构建了充分反映病理图像中切片所处环境信息的背景向量，可以在更短的时间内使用更小的内存计算切片的权重，得到质量更高的融合特征。
-
公开(公告)号：CN113628699A
公开(公告)日：2021-11-09
申请号：CN202110756061.0
申请日：2021-07-05
Applicant: 武汉大学
Abstract: 本发明提供的基于改进的蒙特卡罗强化学习方法的逆合成问题求解方法及装置，方法包括：步骤1.将待求解逆合成的目标化合物作为根节点，选择改进的UCT函数值最高的作为最佳子节点；步骤2.执行扩展动作产生新的子节点；步骤3.若迭代产生的所有产物都出现在代谢空间代谢物底盘菌株上，即得到了最终结果，将根据奖励政策返还奖励或罚款；否则，从可用的变换中随机采样反应规则，应用于当前化合物；计算子节点的策略产物和代谢物底盘菌株或可买到的化学产物的集合的Tanimoto得分；剔除排序靠后的反应规则；步骤4.将当前节点获得的Tanimoto得分返回给其父节点；步骤5.循环直到终止，得到逆合成求解结果。
-
公开(公告)号：CN112599187A
公开(公告)日：2021-04-02
申请号：CN202011510053.X
申请日：2020-12-18
Applicant: 武汉大学
Abstract: 本发明公开了一种基于双流神经网络预测药物与靶标蛋白结合分数的方法，包括：S1、根据药物的SMILES序列生成药物的指纹向量；S2、根据靶标蛋白的氨基酸序列生成靶标蛋白的指纹向量；S3、将蛋白指纹和药物指纹输入非卷积神经网络，将蛋白序列与药物序列输入卷积神经网络；S4、利用attention机制融合两种神经网络提取的特征；S5、将融合的特征输入多层感知机，得到最终的双流神经网络，进而得到药物与靶标蛋白结合分数。本发明通过融合两种类别神经网络的方法，来提取单一神经网络难以提取完全的特征，再通过多层感知机预测药物与靶标蛋白结合分数，提升模型在药物与靶标蛋白结合分数预测上的准确率。
-
-
-
-
-
-
-
-
-
Search Results
75
records
(took 0.027 seconds)
