-
公开(公告)号：CN115965082A
公开(公告)日：2023-04-14
申请号：CN202310132869.0
申请日：2023-02-09
申请人： 北京脑科学与类脑研究中心 , 西安交通大学
IPC分类号： G06N5/01 , G06N3/08 , G06F18/214 , G06F18/21 , G06F18/2431 , G06N3/0442 , G06N3/0464 , G06N3/09
摘要： 本发明公开了一种基于深度学习和集束搜索的系统发育树构建方法及系统，预定义演化场景，每个场景的演化参数参考真实世界的生物序列属性进行设定，并根据预设的参数模拟系统发育树及对应的多序列比对数据制作训练集、验证集和测试集；构建以卷积神经网络和长短期记忆神经网络为核心的深度学习分类器，使用训练集和验证集对深度学习分类器进行训练和验证，使用测试集测试深度学习分类器的准确性；基于训练好的深度学习分类器及滑动窗口方法对四序列数据的所有子四序列树进行分类预测；结合改进的逐步添加方法和四序列树分类预测结果对多序列数据进行系统发育树重构，得到完整重建结果，实现对不同物种数量与不同序列长度条件下进行系统发育树构建。
-
公开(公告)号：CN117197454A
公开(公告)日：2023-12-08
申请号：CN202311063338.7
申请日：2023-08-22
申请人： 西安交通大学
IPC分类号： G06V10/26 , G06V10/80 , G06V10/776 , G06V10/77 , G06T7/12 , G06V10/82 , G06V10/764 , G06N3/0464 , G06N3/0455 , G06N3/084
摘要： 本发明公开了一种肝脏及肝肿瘤数据分割方法及系统，基于Unet网络模型，提出了长距离注意力机制和多特征融合模块，并利用网络的层级结构设计出了跨层注意力机制；将跨层注意力机制和多特征融合模块嵌入到Unet网络当中，结合残差结构，构建ResCLA‑MNet分割网络模型；使用LiTS肝脏及肝肿瘤公开CT数据集进行训练、验证，并测试网络模型的分割性能；利用3DircaDb‑01肝脏及肝肿瘤CT数据集测试ResCLA‑MNet网络模型的泛化性能，以保证网络具有一定的数据迁移适用性；收集医院腹部肝脏及肝肿瘤CT数据集，利用训练完成的网络模型在数据集上进行实践，验证网络的应用效果。本发明在Unet的基础上，借鉴Unet网络架构，结合注意力机制和多特征融合的优势，提高了网络模型对肝脏及肝肿瘤的分割准确率。
-
公开(公告)号：CN116959560A
公开(公告)日：2023-10-27
申请号：CN202310257362.8
申请日：2023-03-16
申请人： 西安交通大学
IPC分类号： G16B20/20 , G16B30/10 , G16B40/20 , G06N3/045 , G06N3/0464 , G06N3/0442 , G06N3/09
摘要： 本发明公开了一种基于第三代测序的基因组短变异深度学习检测方法及系统，通过对第三代测序平台所产生的基因组序列的图像编码方式进行设定，并根据真实变异集及对应的序列比对数据建立训练集、验证集和测试集；构建卷积神经网络和双向长短期记忆神经网络集成的深度学习多任务分类器，使用训练集和验证集对深度学习分类器进行训练和验证，使用测试集测试深度学习分类器的准确性；基于训练好的深度学习分类器对由序列比对或真实变异集生成的堆积图像进行分类预测；根据堆积图像的分类预测结果对序列比对数据进行变异位点检测，得到完整的候选变异信息，实现基因组SNP和INDEL短变异的自动检测。
-
公开(公告)号：CN113269737A
公开(公告)日：2021-08-17
申请号：CN202110536793.9
申请日：2021-05-17
申请人： 西安交通大学
摘要： 本发明公开了一种眼底视网膜动静脉血管直径计算方法及系统，对彩色眼底视网膜图像进行预处理；构建基于迭代式半监督学习的眼底视网膜动静脉语义分割模型，对预处理后的图像进行动静脉分割，得到动静脉分割模型；对SUSTech‑SYSU数据集和ORIGA数据集中的视网膜图像进行预处理，构建基于YOLO v3的眼底视盘检测定位模型；基于动静脉分割模型和眼底视盘检测定位模型计算动静脉血管垂线与血管之间相交的像素数，得到动静脉血管直径，采用动静脉直径比计算得到血管直径。本发明不仅可以实现准确的视网膜动静脉血管分割和视盘检测定位，而且能够有效、准确、自动化的实现眼底视网膜血管直径的计算。
-
公开(公告)号：CN114999566B
公开(公告)日：2024-04-19
申请号：CN202210582908.2
申请日：2022-05-26
申请人： 西安交通大学
IPC分类号： G16B15/30 , G16B40/00 , G16B30/00 , G16B50/00 , G06N3/045 , G06N3/08 , G06N20/20 , G06V10/764 , G06V10/774 , G06V10/82 , G06N3/0464
摘要： 本发明公开了一种基于词向量表征和注意力机制的药物重定位方法及系统。基于自行构建的涵盖常见小分子药物和人体靶蛋白DrugBank数据集，对抗分布拆分得到训练验证数据集。基于Bert模型完成药物SMILES字符串和靶蛋白氨基酸序列的动态词向量表征，基于注意力池化的卷积策略完成端到端的特征工程，分别在三组反转标签对抗分布的DrugBank数据集上训练三个BertDTI交互作用预测模型，通过Bagging集成学习得到BertDTI集成模型。对待研究的目标靶蛋白配对无标签药物，得到模型应用数据集；利用BertDTI集成模型对应用数据集进行测试，为每种目标靶蛋白筛选潜在交互作用候选药物，实现模型的应用价值。本发明结合词向量表征和注意力机制，提升了药物‑靶蛋白交互作用预测的分类准确率。
-
公开(公告)号：CN113658150B
公开(公告)日：2022-12-09
申请号：CN202110970922.5
申请日：2021-08-23
申请人： 西安交通大学 , 河北燕达陆道培医院有限公司
摘要： 本发明公开了一种基于深度学习的染色体自动分割和分类方法，包括以下步骤：获取染色体图像并使用Attention U‑Net模型过滤细胞杂质；分割染色体并裁剪出各个染色体区域图像；对获取的染色体区域提取特征并训练支持向量机、随机森林、逻辑回归分类器，采用投票法进行模型集成，进而识别重叠\粘连染色体或单条染色体；对判别为重叠\粘连染色体分别设计单独的分割模块，针对重叠染色体，利用先分离再拼接的办法分割，针对粘连染色体，利用凸缺陷点检测的方法进行分割；将标注好类型的染色体训练数据分别输入到24分类模型ResNet20、ResNet32、ResNet44模型中进行训练，然后用堆叠法进行模型集成，输出最终的染色体分类结果以及染色体核型分析图，以便进行染色体异常识别。
-
公开(公告)号：CN113177927A
公开(公告)日：2021-07-27
申请号：CN202110536794.3
申请日：2021-05-17
申请人： 西安交通大学
摘要： 本发明公开了一种基于多特征和多分类器的骨髓细胞分类识别方法及系统，基于3个迁移学习分类器对骨髓细胞进行训练测试；分别提取骨髓细胞图像数据集的纹理特征LBP，形状特征HOG和颜色特征HSV并进行融合得到特征融合图像，利用Keras模型融合算法对3个迁移分类器进行融合，得到融合分类器，并利用在单个分类器中取得最好测试准确率的特征融合图像对融合分类器进行训练，得到测试准确率最好的多特征多分类器融合模型；对骨髓细胞图像中的骨髓细胞进行定位分割，得到模型应用数据集；并利用测试效果最好的多特征多分类器融合模型对该数据集进行测试，得到最终的模型应用效果。本发明结合不同特征和不同分类器的优势，提高了骨髓细胞的测试分类准确率。
-
公开(公告)号：CN118334328A
公开(公告)日：2024-07-12
申请号：CN202410230732.3
申请日：2024-02-29
申请人： 西安交通大学
IPC分类号： G06V10/26 , G06V10/774 , G06V10/776 , G06V10/82 , G06V10/80 , G06V20/69 , G06T5/40 , G06T5/90 , G06N3/045 , G06N3/0464 , G06N3/0495 , G06N3/08
摘要： 本发明公开了一种无染色上皮型细胞图像的实例分割方法及系统，设计了Yolov8‑BiFPN‑Neck模块替代Yolov8‑seg的Neck模块，实现了轻量化，并将Swin‑transformer引入Yolov8‑seg的Backdone模块中，构建了Yolov8‑YLBNSwin实例分割网络模型，在实现轻量化的情况下可提高模型性能；使用LIVECell细胞数据集中的5种上皮型细胞数据集进行训练、验证、测试，并使用可解释性模型Grad‑CAM可视化模型最后一层提取的特征，指导模型进一步提升分割性能，并使用LIVECell细胞数据集中的3种成纤维型细胞测试模型的泛化性能。本发明在Yolov8‑seg的基础上，借鉴BiFPN的特征融合思想和ParNet并行子结构的方式，引入Swin‑transformer结构，并借助可解释性模型Grad‑CAM，提高了模型对上皮型细胞的分割能力。
-
公开(公告)号：CN118115991A
公开(公告)日：2024-05-31
申请号：CN202410287235.7
申请日：2024-03-13
申请人： 西安交通大学
IPC分类号： G06V20/69 , G06V10/44 , G06V10/774 , G06V10/776 , G06V10/82 , G06N3/0455 , G06N3/0464 , G06N3/08
摘要： 本发明公开了一种无标记成纤维型细胞数量与铺满率计算方法及系统，搭建深度网络模型ViTSeg，学习细胞图像到其向量流场图像和语义分割掩膜图像的映射，然后利用向量流场对语义分割掩膜图进行梯度流追踪，得到细胞图像的实例分割结果，进而统计出图像中的细胞数量与铺满率；利用Vision Transformer作为编码器，基于边缘检测算子对细胞实例掩膜内外边界进行强调，以指导模型保留成纤维型细胞的形状特点，对于不同成纤维型细胞图像中细胞实例大小差异显著特点，利用ViTSeg网络编码器部分得到尺寸向量，基于岭回归构建细胞平均尺寸预测模型，进一步改善成纤维型细胞图像的分割效果。本发明达到无标记成纤维型细胞图像自动分割的先进水平，提升细胞数量与铺满率计算的准确性。
-
公开(公告)号：CN113177927B
公开(公告)日：2022-12-09
申请号：CN202110536794.3
申请日：2021-05-17
申请人： 西安交通大学
摘要： 本发明公开了一种基于多特征和多分类器的骨髓细胞分类识别方法及系统，基于3个迁移学习分类器对骨髓细胞进行训练测试；分别提取骨髓细胞图像数据集的纹理特征LBP，形状特征HOG和颜色特征HSV并进行融合得到特征融合图像，利用Keras模型融合算法对3个迁移分类器进行融合，得到融合分类器，并利用在单个分类器中取得最好测试准确率的特征融合图像对融合分类器进行训练，得到测试准确率最好的多特征多分类器融合模型；对骨髓细胞图像中的骨髓细胞进行定位分割，得到模型应用数据集；并利用测试效果最好的多特征多分类器融合模型对该数据集进行测试，得到最终的模型应用效果。本发明结合不同特征和不同分类器的优势，提高了骨髓细胞的测试分类准确率。
-
-
-
-
-
-
-
-
-
搜索结果
14 条记录 (耗时 0.044 秒)
