-
公开(公告)号：CN115186769B
公开(公告)日：2022-11-25
申请号：CN202211088612.1
申请日：2022-09-07
摘要： 本发明提供了一种基于NLP的突变基因分类方法，属于自然语言处理技术领域。包括以下步骤：对文本特征进行挖掘，将原始基因文本、突变基因文本以及文献文本组合成输入样本，提取文本的数值特征，并对每个样本赋予分类标签；将样本的特征输入数据矩阵通过PCA降维和白化，并分为测试集和训练集；搭建DWNN模型，确定机器学习模型的拓扑结构；确定机器学习模型的超参数；得到最终的机器学习模型；将测试集输入机器学习模型，得到最终的分类结果。本发明提高了突变基因分类的效率和精度，降低了分类成本。
-
公开(公告)号：CN118229981B
公开(公告)日：2024-07-23
申请号：CN202410641655.0
申请日：2024-05-23
摘要： 本发明提供了一种结合卷积网络和Transformer的CT图像肿瘤分割方法、装置和介质，属于图像处理技术领域。所述方法包括：采集原始数据集，对数据集预处理后划分为训练集、验证集和测试集；建立CT图像肿瘤分割网络，包括卷积网络和Transformer网络构成的基础编码模块、注意力特征融合模块、空间金字塔池化模块、注意力门模块；使用训练集数据训练CT图像肿瘤分割网络，优化模型参数；将训练完成的CT图像肿瘤分割网络部署，采集待分割CT图像，预处理后输入CT图像肿瘤分割网络获取分割结果。本发明实现了比现有方案更精准的肝脏肿瘤分割，为临床诊断和治疗方案制定提供了有力的技术支持。
-
公开(公告)号：CN117078692B
公开(公告)日：2024-02-06
申请号：CN202311321509.1
申请日：2023-10-13
摘要： 本发明涉及图像处理的技术领域，公开了一种基于自适应特征融合的医疗超声图像分割方法及系统，其获取超声图像；将超声图像进行样本增值以及标记变换得到超声图像数据组；基于ResNet‑101网络以及多个深度卷积构建自适应集成神经网络模型；基于Pytorch框架对自适应集成神经网络模型中进行训练；将超声图像数组输入ResNet‑101网络得到浅层特征和深层特征，所述深层特征经过多个深度卷积处理合并输出多尺度深层特征，利用残差跳跃结构将多尺度深层特征融合并输出融合特征，利用softmax函数将融合特征转换成预测类别结果。本发明具有提高了分割效率、细节识别能力、边缘精细度与场(56)对比文件吴宣言;缑新科;朱子重;魏域林;王凯.深层聚合残差密集网络的超声图像左心室分割.中国图象图形学报.2020,(第09期),正文.徐胜军;欧阳朴衍;郭学源;Khan TahaMuthar.基于多尺度特征融合模型的遥感图像建筑物分割.计算机测量与控制.2020,(第07期),正文.
-
公开(公告)号：CN115186769A
公开(公告)日：2022-10-14
申请号：CN202211088612.1
申请日：2022-09-07
摘要： 本发明提供了一种基于NLP的突变基因分类方法，属于自然语言处理技术领域。包括以下步骤：对文本特征进行挖掘，将原始基因文本、突变基因文本以及文献文本组合成输入样本，提取文本的数值特征，并对每个样本赋予分类标签；将样本的特征输入数据矩阵通过PCA降维和白化，并分为测试集和训练集；搭建DWNN模型，确定机器学习模型的拓扑结构；确定机器学习模型的超参数；得到最终的机器学习模型；将测试集输入机器学习模型，得到最终的分类结果。本发明提高了突变基因分类的效率和精度，降低了分类成本。
-
公开(公告)号：CN118229981A
公开(公告)日：2024-06-21
申请号：CN202410641655.0
申请日：2024-05-23
摘要： 本发明提供了一种结合卷积网络和Transformer的CT图像肿瘤分割方法、装置和介质，属于图像处理技术领域。所述方法包括：采集原始数据集，对数据集预处理后划分为训练集、验证集和测试集；建立CT图像肿瘤分割网络，包括卷积网络和Transformer网络构成的基础编码模块、注意力特征融合模块、空间金字塔池化模块、注意力门模块；使用训练集数据训练CT图像肿瘤分割网络，优化模型参数；将训练完成的CT图像肿瘤分割网络部署，采集待分割CT图像，预处理后输入CT图像肿瘤分割网络获取分割结果。本发明实现了比现有方案更精准的肝脏肿瘤分割，为临床诊断和治疗方案制定提供了有力的技术支持。
-
公开(公告)号：CN118070131A
公开(公告)日：2024-05-24
申请号：CN202410494012.8
申请日：2024-04-24
IPC分类号： G06F18/241 , G06F18/2113 , G06N3/006
摘要： 本发明涉及机器学习特征生成技术领域，尤其是涉及一种面向机器学习的自动高效数据特征生成方法及系统。方法包括对获取的原始表格特征分别进行单目运算和双目运算，得到候选特征；构建基础模型对原始表格特征进行预测，得到预测值；基于候选特征和预测值构建特征评估模型，利用特征评估模型对预测值和候选特征进行联合评估，本发明利用单变量运算和双变量组合运算，可以自动高效产生大量候选特征，挖掘数据的潜在特征。通过构建含所有原始特征的基准模型，然后重用基准模型的预测结果与候选特征作为新特征输入评估模型，这样可以大幅减少特征数量，降低计算量。
-
公开(公告)号：CN116978553B
公开(公告)日：2024-02-06
申请号：CN202311081300.2
申请日：2023-08-25
摘要： 本发明涉及技术领域，尤其是涉及一种基于多维因素的非计划性拔管风险预测方法及系统。一种基于多维因素的非计划性拔管风险预测方法，包括获取临床数据和监控视频资料；对获取的临床数据进行预处理；将监控视频资料按照正常”、“拔管前期”、“拔管中”、“拔管完成”四类划分时间点，并按时间点对临床数据进行标注，得到候选多维度变量数据；对候选多维度变量数据进行多维变量筛选，得到多维度变量数据；基于深度神经网络模型与机器学习模型相结合构建非计划性拔管动作阶段识别模型；选取了可靠的多维度变量，避免了人工选择变量的主观性，同时更全面地捕捉有利于ICU插管患者非计划性拔管风险预测的特征，提升预测精度。
-
公开(公告)号：CN116935069B
公开(公告)日：2023-11-21
申请号：CN202311187641.8
申请日：2023-09-15
IPC分类号： G06V10/44 , G06V10/774 , G06N3/0464 , G06N3/048
-
公开(公告)号：CN116978553A
公开(公告)日：2023-10-31
申请号：CN202311081300.2
申请日：2023-08-25
摘要： 本发明涉及技术领域，尤其是涉及一种基于多维因素的非计划性拔管风险预测方法及系统。一种基于多维因素的非计划性拔管风险预测方法，包括获取临床数据和监控视频资料；对获取的临床数据进行预处理；将监控视频资料按照“正常”、“拔管前期”、“拔管中”、“拔管完成”四类划分时间点，并按时间点对临床数据进行标注，得到候选多维度变量数据；对候选多维度变量数据进行多维变量筛选，得到多维度变量数据；基于深度神经网络模型与机器学习模型相结合构建非计划性拔管动作阶段识别模型；选取了可靠的多维度变量，避免了人工选择变量的主观性，同时更全面地捕捉有利于ICU插管患者非计划性拔管风险预测的特征，提升预测精度。
-
公开(公告)号：CN115512780B
公开(公告)日：2023-04-07
申请号：CN202211469759.5
申请日：2022-11-23
IPC分类号： G16C10/00 , G16C20/70 , G06N3/0464 , G06N3/126
摘要： 本发明提供的一种PaCO2实时预警模型建立方法及系统，涉及医疗检测领域；其中，方法包括：确定与PaCO2数值变化相关的若干特征；根据PaCO2时间戳，预设预警期和特征观测窗口，获取样本数据；构建带超参数的卷积深度和宽度神经网络模型，记为CDWNN；根据获取的样本数据，采用遗传算法确定CDWNN的拓扑结构和超参数，获得优化CDWNN；根据优化CDWNN预测PaCO2数值；根据预测值进行归因分析和决策干预。本发明利用ICU中常见的呼吸和生命体征指标即可完成PaCO2的实时预测，应用简单且高效。
-
-
-
-
-
-
-
-
-
搜索结果
15 条记录 (耗时 0.052 秒)
