【每周精选】广东工业大学专利成果转让

专利摘要：本发明公开了一种基于双层级不确定性引导网络的不完全多模态脑肿瘤分割方法，实现脑肿瘤精准定位。该方法包括以下步骤：步骤一，对脑肿瘤图像进行预处理与数据增强，通过构造随机模态缺失情况及设置不同缺失比例，构建数据集；步骤二，构建不确定性引导跨域增强模块，在模态内层面显式量化不确定性，并协同空间域与频率域抑制局部噪声，得到增强单模态特征；步骤三，构建不确定性引导置信度校准融合模块，在模态间层面利用不确定性差异动态调节融合权重，得到融合特征；步骤四，根据训练好的MRI脑肿瘤分割模型进行MRI脑肿瘤分割。本发明通过从模态内与模态间双重层级建模并抑制不确定性，显著提升了模型在临床复杂缺失场景下的鲁棒性与分割精度。

专利摘要：本发明公开了一种基于多区域感知注意力的脑肿瘤分割方法，旨在通过充分学习脑肿瘤组织区域之间内在关系，实现脑肿瘤子区域精准定位。该方法包括以下步骤：步骤一，对脑肿瘤MR图像进行预处理与数据增强，得到脑肿瘤数据集；步骤二，构建多模态特征交互增强模块，对脑肿瘤MRI不同模态（T1、T1CE、T2、FLAIR）分别进行特征提取并融合，得到全局特征；步骤三，构建多区域感知注意力模块，提取多区域之间的特征表示，得到局部多区域特征；步骤四，构建多区域协同融合模块，对局部多区域特征和全局特征进行融合，得到融合特征；步骤五，根据训练好的MRI脑胶质瘤分割模型，进行MRI脑胶质瘤分割。本发明通过从MRI中有效提取并融合脑肿瘤多区域内在关系，实现了对脑肿瘤MRI的精准分割。

专利摘要：本发明涉及一种基于目标一致多分辨融合的肺结节分割方法和装置。该方法包括：步骤一，采集肺部CT影像数据并采用目标一致的多分辨率输入策略（Object‑Consistent Muti‑Resolution Input Strategy，OCMIS），生成高分辨率和低分辨率数据；步骤二，通过小结节细粒度增强编码器（Small Nodule Fine‑Grained Enhanced Encoder，SNFGEE）和多粒度增强编码器（Multi‑Granularity Enhanced Encoder，MGEE），分别对高、低分辨率数据进行特征提取，得到小结节的高、低分辨率特征；步骤三，通过多分辨率无损特征融合模块（Muti‑Resolution Lossless Feature Fusion，MLFF）对高、低分辨率特征进行融合，生成融合特征；步骤四，将融合特征输入解码器，生成分割结果。本发明能够实现对复杂形态的肺结节的精准分割。本发明作为一种基于目标一致多分辨融合的肺结节分割方法和装置，可广泛应用于医学图像分割领域。

专利摘要：本发明属于生物医学技术领域，具体为一种基于多视图堆叠跳级图卷积网络的药物重定位方法。其包括具体步骤如下：获取药物疾病关联数据，分别构成药物和疾病的邻接矩阵A、关联图G、药物和疾病的相似度矩阵Sr、Sd，并使用多层图卷积编码器块，将药物和疾病的相似度矩阵编码成高阶特征表示；构建双层级子图自注意力网络，结合节点层级和子图层级的特征，与图拓扑结构进行结构级融合。本发明在使用高阶节点信息时，能够提取到高阶节点的上下文信息，缓解了局部信息和全局信息的不一致性。本发明能够更全面利用深层信息，解决了网络在多层后无法区分药物疾病节点，从而导致模型预测能力下降的问题。

专利摘要：本发明提供基于加权核规范正则化算法的lncRNA‑疾病关联预测方法。其包括以下步骤：步骤一，获取lncRNA‑疾病邻接矩阵LD；步骤二，计算lncRNA表达相似性LSexp、lncRNA功能相似性LSfun、lncRNA高斯相似性LSgau、lncRNA线性邻域相似性LSlin、疾病语义相似性DSsem、疾病高斯相似性DSgau、疾病线性邻域相似性DSlin；步骤三，采用k‑近邻中心核对齐算法，将lncRNA和疾病的相似性分别整合到同一空间；步骤四，利用lncRNA‑疾病关联矩阵、lncRNA和疾病的最优相似性核矩阵，构建一个异构矩阵，作为矩阵补全的目标矩阵；步骤五，将异构矩阵输入加权核规范正则化模型中进行补全，最终得到预测的lncRNA‑疾病的关联。本发明利用k‑近邻中心核对齐算法对相似性信息进行整合，用于辅助预测，构建加权核规范正则化模型，对异构矩阵进行补全，实现更加准确的lncRNA‑疾病关联预测。