-
Patent Agency Ranking
公开(公告)号：CN116452593B
公开(公告)日：2023-09-05
申请号：CN202310718872.0
申请日：2023-06-16
Applicant: 武汉大学中南医院
Abstract: 本发明公开了一种血管性认知障碍的AI评估模型的构建方法、装置及系统。首先进行数据采集，并构建数据集；然后进行预处理；并划分出训练集和验证集；接着对预处理后的脑血管病患者临床症候文本数据进行特征筛选；然后构建VCI评估模型，该模型包括辅助诊断和预测两类模型，分别提取多模态脑MRI数据中的sMRI特征和rs‑fMRI特征，随后采用多模态图学习网络对sMRI特征、rs‑fMRI特征以及临床症候文本特征进行融合，并根据融合后的特征得到分类结果；通过对模型进行训练和验证，得到最优的VCI评估模型。本发明解决了现有技术中对于VCI的临床诊断与预测较为主观、难于定量、准确率不高和效率较低的技术问题。
-
公开(公告)号：CN116452592B
公开(公告)日：2023-09-05
申请号：CN202310718870.1
申请日：2023-06-16
Applicant: 武汉大学中南医院
Abstract: 本发明公开了一种脑血管病AI认知功能评测模型的构建方法、装置及其系统。首先进行数据采集，并构建数据集；然后进行数据预处理；并划分出训练集和验证集；接着对预处理后的脑血管病患者临床症候文本数据进行特征筛选；然后构建脑血管病AI认知功能评测模型，分别提取多模态脑MRI数据中的sMRI特征和rs‑fMRI特征并进行特征降维，随后将sMRI特征、rs‑fMRI特征和临床症候文本特征进行融合，并将融合后的特征输入LightGBM模型，通过对模型进行训练和验证，得到最优的脑血管病AI认知功能评测模型。本发明解决了现有神经心理量表评测技术中对于脑血管病患者认知功能评估较为主观、准确性不高和效率低下的技术问题。
-
公开(公告)号：CN116452592A
公开(公告)日：2023-07-18
申请号：CN202310718870.1
申请日：2023-06-16
Applicant: 武汉大学中南医院
Abstract: 本发明公开了一种脑血管病AI认知功能评测模型的构建方法、装置及其系统。首先进行数据采集，并构建数据集；然后进行数据预处理；并划分出训练集和验证集；接着对预处理后的脑血管病患者临床症候文本数据进行特征筛选；然后构建脑血管病AI认知功能评测模型，分别提取多模态脑MRI数据中的sMRI特征和rs‑fMRI特征并进行特征降维，随后将sMRI特征、rs‑fMRI特征和临床症候文本特征进行融合，并将融合后的特征输入LightGBM模型，通过对模型进行训练和验证，得到最优的脑血管病AI认知功能评测模型。本发明解决了现有神经心理量表评测技术中对于脑血管病患者认知功能评估较为主观、准确性不高和效率低下的技术问题。
-
公开(公告)号：CN119722576A
公开(公告)日：2025-03-28
申请号：CN202411621075.1
申请日：2024-11-14
Applicant: 武汉大学
IPC: G06T7/00 , G06V10/42 , G06V10/44 , G06V10/764 , G06V10/82 , G06N3/045 , G06N3/0455 , G06N3/0464 , G06N3/084 , G06N3/09 , G16H50/20 , G16H50/70
Abstract: 本发明公开了一种基于三维Transformer的核磁影像阿兹海默症诊断方法和系统。首先采集数据进行诊断数据集构建，对数据进行预处理；构建并训练基于Transformer的阿兹海默症诊断网络模型，所述的基于Transformer的阿兹海默症诊断网络模型包括体素注意力模块、斑块注意力模块、全局‑局部特征提取模块、辅助分类模块、Transformer编码模块以及整体分类模块；将待诊断的阿兹海默症结构影像进行预处理后，利用训练好的阿兹海默症深度诊断模型进行诊断分类。本发明有益于快速准确地进行阿兹海默症识别，提高相关疾病识别准确率与效率，有益于早期预防与多维介入，为阿兹海默症患者创造便利，减轻公共医疗系统负担。
-
公开(公告)号：CN116452593A
公开(公告)日：2023-07-18
申请号：CN202310718872.0
申请日：2023-06-16
Applicant: 武汉大学中南医院
Abstract: 本发明公开了一种血管性认知障碍的AI评估模型的构建方法、装置及系统。首先进行数据采集，并构建数据集；然后进行预处理；并划分出训练集和验证集；接着对预处理后的脑血管病患者临床症候文本数据进行特征筛选；然后构建VCI评估模型，该模型包括辅助诊断和预测两类模型，分别提取多模态脑MRI数据中的sMRI特征和rs‑fMRI特征，随后采用多模态图学习网络对sMRI特征、rs‑fMRI特征以及临床症候文本特征进行融合，并根据融合后的特征得到分类结果；通过对模型进行训练和验证，得到最优的VCI评估模型。本发明解决了现有技术中对于VCI的临床诊断与预测较为主观、难于定量、准确率不高和效率较低的技术问题。
-
-
-
-
Search Results
5
records
(took 0.014 seconds)
