-
公开(公告)号：CN118279240B
公开(公告)日：2024-11-19
申请号：CN202410233736.7
申请日：2024-03-01
Applicant: 江南大学
IPC: G06T7/00 , G06V10/80 , G06V10/82 , G06V10/25 , G06V10/44 , G06V10/42 , G06V10/774 , G06N3/0464 , G06N3/0455
Abstract: 本发明公开了基于全局上下文感知双流深度学习的类器官自动标注方法，包括，结合荧光蛋白染色图像，利用labelme标注输入的明场图像中的类器官；基于全局上下文感知双流深度学习构建类器官标注模型并训练标注完成的数据，得到训练完成的网络模型；利用训练好的全局上下文感知双流深度学习网络模型标注未标注的明场图像，得到类器官标注掩膜，完成类器官的自动精确标注。本发明可以高通量地标注显微图像中的类器官，解决了类器官人工标注主观性大、速度慢、精度低的问题。
-
公开(公告)号：CN118969088A
公开(公告)日：2024-11-15
申请号：CN202411141336.X
申请日：2024-08-20
Applicant: 江南大学
IPC: G16B30/00 , G16B40/20 , G16B40/00 , G06N3/0895 , G06N3/096
Abstract: 本发明公开了一种基于多任务预训练和迁移学习的靶向多肽设计方法，属于多肽设计领域。所述方法包括：获取大规模多肽序列数据和蛋白质‑多肽配对数据，对蛋白质序列和多肽序列进行编码；基于多任务自回归预训练构建所述多肽生成式预训练模型，对编码后的大规模多肽序列数据进行自监督多任务训练；通过交互感知注意力引导多肽序列的迁移式生成，得到训练好的靶向多肽设计模型；利用训练好的靶向多肽设计模型对蛋白质序列进行多肽序列生成。本发明有效地利用了蛋白质序列‑多肽序列互作关系，解决了靶向多肽设计精度不高的问题；利用多任务预测模块，充分学习多任务之间的协同互作关系，进一步提高所述靶向多肽设计模型的鲁棒性和泛化能力。
-
公开(公告)号：CN114187472A
公开(公告)日：2022-03-15
申请号：CN202111478418.X
申请日：2021-12-06
Applicant: 江南大学
Abstract: 本发明公开了一种基于模型驱动元学习的乳腺癌分子亚型预测方法，包括，通过乳腺癌数据库获取动态增强磁共振图像和动态增强磁共振图像的标签；将动态增强磁共振图像进行处理得到动态增强磁共振体积数据，将动态增强磁共振体积数据与动态增强磁共振图像的标签匹配得到有标签的动态增强磁共振体积数据；将有标签的动态增强磁共振体积数据分为支持集和查询集，利用支持集和查询集构建时空循环注意力分类器；利用改进的元学习策略优化时空循环注意力分类器，通过时空循环注意力分类器进行分子亚型预测。本发明能够在小量数据样本的情况下准确的实现乳腺癌的分子亚型预测。
-
公开(公告)号：CN118887310A
公开(公告)日：2024-11-01
申请号：CN202410985862.8
申请日：2024-07-23
Applicant: 江南大学
Abstract: 本发明公开了一种基于多尺度循环扩散模型的类器官显微图像重构方法，属于计算机视觉、深度学习技术领域。本发明提出了多尺度循环类器官显微扩散重构方法来重构高质量的类器官显微图像，具体来说，此方法将生成扩散模型与传统的迭代算法相结合，从参数高斯过程的噪声输入中有效地提取特征。随后，通过加入循环隐藏连接，模型捕捉表征的能力得到增强，从而加快了训练过程的收敛速度。同时，本发明使用多尺度图像作为输入，使模型能够获取更全面、更丰富的图像信息，从而增强了特征捕捉能力和模型的鲁棒性。
-
公开(公告)号：CN114240965B
公开(公告)日：2025-04-25
申请号：CN202111521503.X
申请日：2021-12-13
Applicant: 江南大学
IPC: G06T7/11
Abstract: 本发明公开了一种图注意力模型驱动的小样本学习肿瘤分割方法，其中，将数据划分为支持集和查询集，将支持集和查询集输入编码器进行编码，获取支持特征和查询特征；根据支持特征获取肿瘤感兴趣区域的特征A，并对特征A进行反池化，使支持特征与查询特征有相同的分辨率；将反池化后的支持特征与查询特征按通道叠加，将叠加后的特征放入图注意力模块，通过图注意力模块学习特征切片之间的空间信息；将经过图注意力模块的输出放入解码器，并结合跳跃连接的方式获得分割结果；本发明基于图注意力模型，提升了小样本情况下对肿瘤图片数据分割的准确性。
-
Patent Agency Ranking
公开(公告)号：CN118736212A
公开(公告)日：2024-10-01
申请号：CN202410712816.0
申请日：2024-06-04
Applicant: 江南大学
Abstract: 本发明公开了一种提供了基于局部‑全局图神经网络的类器官ATP预测方法，属于AI制药、计算机视觉、深度学习技术领域。所述方法获取待检测类器官的明场图像和非成像信息；利用局部关注图卷积神经网络对候选类器官进行节点信息局部关注特征提取；利用自注意力池化融合机制局部图文共表达特征；利用全局主题图卷积神经网络对局部图文共表达特征和局部类器官图嵌入得到所述待检测类器官明场图像的全局主题特征，最终得到ATP预测值，解决当前类器官ATP测量低通量和无法重复的问题，应用范围广，实验结果证明，本发明的ATP预测方法可实现快速、精准、无损、高通量的类器官ATP活性预测。
-
公开(公告)号：CN114240965A
公开(公告)日：2022-03-25
申请号：CN202111521503.X
申请日：2021-12-13
Applicant: 江南大学
IPC: G06T7/11
Abstract: 本发明公开了一种图注意力模型驱动的小样本学习肿瘤分割方法，其中，将数据划分为支持集和查询集，将支持集和查询集输入编码器进行编码，获取支持特征和查询特征；根据支持特征获取肿瘤感兴趣区域的特征A，并对特征A进行反池化，使支持特征与查询特征有相同的分辨率；将反池化后的支持特征与查询特征按通道叠加，将叠加后的特征放入图注意力模块，通过图注意力模块学习特征切片之间的空间信息；将经过图注意力模块的输出放入解码器，并结合跳跃连接的方式获得分割结果；本发明基于图注意力模型，提升了小样本情况下对肿瘤图片数据分割的准确性。
-
公开(公告)号：CN118299032B
公开(公告)日：2024-11-19
申请号：CN202410372922.9
申请日：2024-03-29
Applicant: 江南大学
IPC: G16H50/20 , G06F18/241 , G06F18/25 , G06V10/44 , G06F40/216 , G06N3/0442
Abstract: 本发明公开了乳腺癌早期筛查模型的构建方法及筛查辅助系统，属于医学图像处理和小样本学习领域。本发明设计临床报告驱动的可解释性机制，该机制同时从乳腺超声图像和乳腺超声放射学报告中学习形态学、放射学报告信息，然后将从放射学报告中获得的临床信息作为图像的可解释信息，结合多任务协作策略使得该小样本学习方法可以在少量成对超声图像和乳腺超声放射学报告有效、精准地实现乳腺癌的早期筛查，且通过使用一种跨模态相互学习的方法，可以使用乳腺超声临床放射学报告中的临床信息来解释和强化乳腺超声图像的信息，进而提高方法的可靠性和透明度，使结果更容易被临床医生理解和接受，促进了人工智能在临床实践的应用。
-
公开(公告)号：CN118299032A
公开(公告)日：2024-07-05
申请号：CN202410372922.9
申请日：2024-03-29
Applicant: 江南大学
IPC: G16H50/20 , G06F18/241 , G06F18/25 , G06V10/44 , G06F40/216 , G06N3/0442
Abstract: 本发明公开了乳腺癌早期筛查模型的构建方法及筛查辅助系统，属于医学图像处理和小样本学习领域。本发明设计临床报告驱动的可解释性机制，该机制同时从乳腺超声图像和乳腺超声放射学报告中学习形态学、放射学报告信息，然后将从放射学报告中获得的临床信息作为图像的可解释信息，结合多任务协作策略使得该小样本学习方法可以在少量成对超声图像和乳腺超声放射学报告有效、精准地实现乳腺癌的早期筛查，且通过使用一种跨模态相互学习的方法，可以使用乳腺超声临床放射学报告中的临床信息来解释和强化乳腺超声图像的信息，进而提高方法的可靠性和透明度，使结果更容易被临床医生理解和接受，促进了人工智能在临床实践的应用。
-
公开(公告)号：CN118279240A
公开(公告)日：2024-07-02
申请号：CN202410233736.7
申请日：2024-03-01
Applicant: 江南大学
IPC: G06T7/00 , G06V10/80 , G06V10/82 , G06V10/25 , G06V10/44 , G06V10/42 , G06V10/774 , G06N3/0464 , G06N3/0455
Abstract: 本发明公开了基于全局上下文感知双流深度学习的类器官自动标注方法，包括，结合荧光蛋白染色图像，利用labelme标注输入的明场图像中的类器官；基于全局上下文感知双流深度学习构建类器官标注模型并训练标注完成的数据，得到训练完成的网络模型；利用训练好的全局上下文感知双流深度学习网络模型标注未标注的明场图像，得到类器官标注掩膜，完成类器官的自动精确标注。本发明可以高通量地标注显微图像中的类器官，解决了类器官人工标注主观性大、速度慢、精度低的问题。
-
-
-
-
-
-
-
-
-
Search Results
10
records
(took 0.014 seconds)
