-
公开(公告)号：CN118551123B
公开(公告)日：2024-11-01
申请号：CN202411009568.X
申请日：2024-07-26
Applicant: 广东技术师范大学
IPC: G06F16/9536 , G06N20/00 , G06N5/022 , G06F16/435 , G06F16/48
Abstract: 本发明提供一种融合大语言模型和知识图谱的电影个性化推荐方法及系统，方法包括：采集包含有电影详细信息的数据集并进行预处理；基于预处理后的数据集构建知识图谱；基于知识图谱构建提示词对大语言模型进行微调，同时结合传统推荐算法构建融合评分模型；对融合评分模型进行训练，利用训练好的融合评分模型进行评分预测和个性化推荐；本发明通过构建知识图谱，充分利用了电影的丰富元数据，提高了推荐系统的准确性和个性化程度；另外，本发明还将大模型与传统的协同过滤方法相结合，构建出融合模型，集传统协同过滤方法与大语言模型各自之长，从而实现更加精准和更具有鲁棒性的评分预测，为用户提供更准确、更符合个性化需求的电影推荐。
-
公开(公告)号：CN118551123A
公开(公告)日：2024-08-27
申请号：CN202411009568.X
申请日：2024-07-26
Applicant: 广东技术师范大学
IPC: G06F16/9536 , G06N20/00 , G06N5/022 , G06F16/435 , G06F16/48
Abstract: 本发明提供一种融合大语言模型和知识图谱的电影个性化推荐方法及系统，方法包括：采集包含有电影详细信息的数据集并进行预处理；基于预处理后的数据集构建知识图谱；基于知识图谱构建提示词对大语言模型进行微调，同时结合传统推荐算法构建融合评分模型；对融合评分模型进行训练，利用训练好的融合评分模型进行评分预测和个性化推荐；本发明通过构建知识图谱，充分利用了电影的丰富元数据，提高了推荐系统的准确性和个性化程度；另外，本发明还将大模型与传统的协同过滤方法相结合，构建出融合模型，集传统协同过滤方法与大语言模型各自之长，从而实现更加精准和更具有鲁棒性的评分预测，为用户提供更准确、更符合个性化需求的电影推荐。
-
公开(公告)号：CN115222688B
公开(公告)日：2023-01-10
申请号：CN202210814372.2
申请日：2022-07-12
Applicant: 广东技术师范大学
IPC: G06T7/00 , G06V10/25 , G06V10/764 , G06V10/774 , G06V10/82 , G06N3/04
Abstract: 本发明提出了一种基于图网络时间序列的医学影像分类方法，包括：获取fMRI图像样本；基于k‑s验证方法构造能放映大脑分区之间功能连接动态变化的图网络时间序列，对fMRI图像样本进行处理，得到每个fMRI图像样本对应的图网络时间序列；构建图卷积神经网络‑时域卷积神经网络模型并进行训练和验证，最后利用图卷积神经网络‑时域卷积神经网络模型实现对医学影像的分类。本发明提出的医学影像分类方法，实现了对脑功能网络连接动态变化规律的放映；提出一个图卷积神经网络‑时域卷积神经网络模型，有利于图特征的提取和对图网络时间序列中变化规律的学习，有效提升了模型的分类能力。
-
公开(公告)号：CN119762844A
公开(公告)日：2025-04-04
申请号：CN202411753257.4
申请日：2024-12-02
Applicant: 广东技术师范大学
IPC: G06V10/764 , G06V10/82 , G06N3/0455 , G06V10/80 , G16H50/20 , G16H30/40 , G06N3/0464
Abstract: 本发明提供一种基于多视角混合注意力网络的阿尔茨海默症分类方法，包括：获取sMRI数据集并进行预处理；建立阿尔茨海默症分类模型，包括依次连接的：特征提取骨干网络、Transformer编码器和MMSE分数辅助分类器；将预处理后的sMRI数据集输入阿尔茨海默症分类模型中进行迭代训练；获取待分类的受试者sMRI影像数据并输入到训练好的阿尔茨海默症分类模型中进行分类；本发明使用全影像级的方法，通过将两种优势互补的深度学习网络框架结合，同时使用多视角、注意力机制和多尺度特征融合等策略，引入MMSE临床检查分数作为辅助监督信息，能够有效提高阿尔茨海默症计算机辅助诊断和分类的可靠性。
-
公开(公告)号：CN117152173A
公开(公告)日：2023-12-01
申请号：CN202311143680.8
申请日：2023-09-05
Applicant: 广东技术师范大学
IPC: G06T7/11 , G06N3/045 , G06N3/0455 , G06N3/0464 , G06N3/08 , G06V10/80 , G06V10/82 , G06T5/00
Abstract: 本发明提供一种基于DUNetR模型的冠状动脉分割方法和系统，包括：获取三维的冠状动脉CTA图像数据集并进行预处理；建立由Transformer网络和UNet网络并行结合的DUNetR模型，将预处理后的冠状动脉CTA图像数据集输入DUNetR模型进行训练，将待分割的冠状动脉CTA图像并输入训练后的DUNetR模型中进行分割，获取初步分割结果；利用图像形态学算法对初步分割结果进行平滑处理，获得最终的分割结果，完成冠状动脉的分割；本发明构建Transformer和UNet双网络并行结合的DUNetR模型，使用注意力机制和全卷积神经网络在CTA上进行全局加局部的细致分割，能够显著提高分割精度。
-
Patent Agency Ranking
公开(公告)号：CN116563646B
公开(公告)日：2023-10-13
申请号：CN202310773717.9
申请日：2023-06-28
Applicant: 广东技术师范大学
IPC: G06V10/764 , G06N3/126 , G06T7/00 , G06V10/774
Abstract: 本发明涉及数据分类处理技术领域，公开了一种基于离散化数据的大脑影像分类方法，包括：将原始大脑影像数据集划分为原始训练集、原始验证集和原始测试集；构建包括数据集离散化前后的信息损失、分类错误率和离散数据复杂程度的多目标函数，对多目标函数的最优解进行搜索，得到离散化方案；根据离散化方案分别对原始训练集、原始验证集和原始测试集进行离散化；对离散训练集和离散验证集进行特征选择，利用特征选择结果，对离散训练集和离散测试集进行特征精简，得到精简离散训练集和精简离散测试集；利用精简离散训练集训练一个分类器对精简离散测试集进行分类，得到大脑影像数据分类结果。本发明能够提高大脑影像分类任务的分类准确率和效率。
-
公开(公告)号：CN119810138A
公开(公告)日：2025-04-11
申请号：CN202411750756.8
申请日：2024-12-02
Applicant: 广东技术师范大学
IPC: G06T7/155 , G06N3/0455 , G06N3/0464 , G06V10/774 , G06V10/82 , G06V10/26 , G06V10/80
Abstract: 本发明提供一种基于MUNet的冠状动脉血管图像分割方法和系统，方法包括：获取冠状动脉血管图像数据集并进行预处理；基于自注意力与多视角特征注意力构建MUNet神经网络模型；利用预处理后的冠状动脉血管图像数据集训练MUNet神经网络模型；获取待分割的冠状动脉血管图像并输入训练好的MUNet神经网络模型中进行分割，获取初步分割结果；利用图像形态学算法对初步分割结果进行平滑处理，获得最终的分割结果；本发明可以更加有效地提取冠状动脉血管图像的全局信息和局部信息，实现更加准确的冠状动脉血管图像分割，在显著提高分割精度的同时还提高了模型的泛化能力，为后续的诊断治疗提供了更为可靠的参考。
-
公开(公告)号：CN119027370A
公开(公告)日：2024-11-26
申请号：CN202410983426.7
申请日：2024-07-22
Applicant: 广东技术师范大学
IPC: G06T7/00 , G06V10/764 , G06V10/82 , G06N3/045 , G06N3/0464 , G06N3/08
Abstract: 本发明涉及神经影像技术领域，公开了一种基于多尺度信息融合的静息态磁共振功能成像的大脑疾病预测方法，包括：获取静息态磁共振功能成像并进行预处理；根据预处理后的静息态磁共振功能成像获取输入集合；将输入集合输入到图像处理模型，获得处理结果，图像处理模型包括多个依次连接的Fuse‑Former层、聚合层、线性层和softmax激活函数，其中，多个依次连接的Fuse‑Former层用于根据输入集合获得全局分类标记和局部分类标记；聚合层用于对全局分类标记和局部分类标记进行聚合处理，获得聚合后标记；线性层用于对聚合后标记进行特征转换处理，获得输出向量；softmax激活函数根据输出向量获得图像处理结果，根据图像处理结果获得疾病预测结果。本发明能够提高疾病预测准确率。
-
公开(公告)号：CN116563646A
公开(公告)日：2023-08-08
申请号：CN202310773717.9
申请日：2023-06-28
Applicant: 广东技术师范大学
IPC: G06V10/764 , G06N3/126 , G06T7/00 , G06V10/774
Abstract: 本发明涉及数据分类处理技术领域，公开了一种基于离散化数据的大脑影像分类方法，包括：将原始大脑影像数据集划分为原始训练集、原始验证集和原始测试集；构建包括数据集离散化前后的信息损失、分类错误率和离散数据复杂程度的多目标函数，对多目标函数的最优解进行搜索，得到离散化方案；根据离散化方案分别对原始训练集、原始验证集和原始测试集进行离散化；对离散训练集和离散验证集进行特征选择，利用特征选择结果，对离散训练集和离散测试集进行特征精简，得到精简离散训练集和精简离散测试集；利用精简离散训练集训练一个分类器对精简离散测试集进行分类，得到大脑影像数据分类结果。本发明能够提高大脑影像分类任务的分类准确率和效率。
-
公开(公告)号：CN115222688A
公开(公告)日：2022-10-21
申请号：CN202210814372.2
申请日：2022-07-12
Applicant: 广东技术师范大学
IPC: G06T7/00 , G06V10/25 , G06V10/764 , G06V10/774 , G06V10/82 , G06N3/04
Abstract: 本发明提出了一种基于图网络时间序列的医学影像分类方法，包括：获取fMRI图像样本；基于k‑s验证方法构造能放映大脑分区之间功能连接动态变化的图网络时间序列，对fMRI图像样本进行处理，得到每个fMRI图像样本对应的图网络时间序列；构建图卷积神经网络‑时域卷积神经网络模型并进行训练和验证，最后利用图卷积神经网络‑时域卷积神经网络模型实现对医学影像的分类。本发明提出的医学影像分类方法，实现了对脑功能网络连接动态变化规律的放映；提出一个图卷积神经网络‑时域卷积神经网络模型，有利于图特征的提取和对图网络时间序列中变化规律的学习，有效提升了模型的分类能力。
-
-
-
-
-
-
-
-
-
Search Results
12
records
(took 0.023 seconds)
