一种融合个性化细胞关系和背景信息的宫颈细胞分类方法

宫颈细胞分类在宫颈癌辅助诊断中发挥着重要的作用。然而,现有的宫颈细胞分类方法未充分考虑细胞关系和背景信息,也没有模拟病理医生的诊断方式,导致分类性能较低。因此,该文提出了一种融合细胞关系和背景信息的宫颈细胞分类方法,由基于细胞关系的图注意力分支(GAB-CCR)和背景信息注意力分支(BAB-WSI)组成。GAB-CCR采用细胞特征间的余弦相似度,首先构建相似和差异细胞关系图,并利用GATv2增强模型对细胞关系建模。BAB-WSI使用多头注意力模块捕捉涂片背景上的关键信息并反映不同区域的重要性。最后,将增强后的细胞特征和背景特征融合,提升了网络的分类性能。实验表明,相比于基线模型Swin Transformer-L,所提方法在准确率、敏感度、特异性和F1-Score分别提高了15.9%,30.32%,8.11%和31.62%。

语义增强图像-文本预训练模型的零样本三维模型分类

目前,基于对比学习的图像-文本预训练模型(CLIP)在零样本3维模型分类任务上表现出了巨大潜力,然而3维模型和文本之间存在巨大的模态鸿沟,影响了分类准确率的进一步提高。针对以上问题,该文提出一种语义增强CLIP的零样本3维模型分类方法。该方法首先将3维模型表示成多视图;然后为了增强零样本学习对未知类别的识别能力,通过视觉语言生成模型获得每张视图及其类别的语义描述性文本,并将其作为视图和类别提示文本之间的语义桥梁,语义描述性文本采用图像字幕和视觉问答两种方式获取;最后微调语义编码器将语义描述性文本具化为类别的语义描述,其拥有丰富的语义信息和较好的可解释性,有效减小了视图和类别提示文本的语义鸿沟。实验表明,该文方法在ModelNet10和ModelNet40数据集上的分类性能优于现有的零样本分类方法。

昆都仑泄洪冲沙洞结构静动力三维有限元配筋计算

昆都仑水库是一座以防洪、供水为主的综合利用的中型水库。为改善水库泄洪条件,新建泄洪冲沙洞并布置于库区右岸山体内。首先,构建了泄洪冲沙洞三维有限元模型,模拟了各结构的精细构造部位;然后,采用三维线性有限单元法对泄洪冲沙洞开展静动力工况下变形、应力分析计算,基于有限元内力法进行内力计算并提出相应配筋方案;最后,进行结构限裂复核验算。选取的配筋计算方案实用可靠,为工程设计提供指导、验证复核作用并成功付诸实施。

针对宫颈异常细胞检测的 SER-DC YOLO

由于宫颈细胞样本的液基薄层细胞学检测(thin prep cytologic test,TCT)图像内容复杂,背景颜色丰富多样,而且不同女性的宫颈细胞具有一定程度的天然差异,这给宫颈异常细胞的检测带来了很大的困难。为解决这一难题,提出了一种名为基于特征压缩与激发和可变形卷积(SE-ResNet-deformable convolution you only look once,SER-DC YOLO)的目标检测网络。该网络在YOLOv5的Backbone中融合注意力机制,添加了SE-ResNet模块,然后改进了SPP层的网络结构,并且使用可变形卷积来替换普通卷积,最后修改了边界框的损失计算函数,将广义交并比(generalized intersection over union,GIoU)改为α-IOU Loss。实验表明,该网络与YOLOv5网络相比,在宫颈图片数据集上召回率提高了19.94%,精度提高了3.52%,平均精度均值提高了7.19%。相关代码链接:https://github.com/sleepLion99/SER-DC_YOLO。

姿态非对齐的三维模型分类

目前的三维模型分类方法均是对初始姿态已经对齐的数据集进行分类,但是在实际应用中,三维模型的姿态是未知的,非对齐的三维模型将导致分类准确率急剧下降.本文提出了一种新的三维模型分类方法,适用于模型姿态对齐和非对齐两种情况.该方法采用图卷积神经网络(Graph Convolutional neural Network,GCN)学习视图间的空间关系,将预先设置好的相机位置作为图结构中的顶点,并通过时序特征提取网络以及注意力网络进一步提升GCN的运算效果,从而完成三维模型的分类.实验表明,该方法在ModelNet10和ModelNet40数据集上进行实验,在三维模型姿态对齐的情况下,分类准确率分别高达99.3%和97.4%,远高于现有方法.在三维模型姿态非对齐的情况下,也有较高的分类准确率.

基于视点对齐的跨域三维模型检索

以草图为输入的三维模型检索便于用户表达搜索需求,已成为一个研究热点。但草图只是三维模型一个视点下的粗略描述,具有很高的抽象性。而且草图和三维模型之间存在巨大的域间差异,这导致目前的草图检索系统准确率低。为解决这一问题,提出了一个新的基于草图的三维模型检索方法。该方法根据草图的视点对三维模型投影产生一组二维视图,形成一对多且视点对齐的草图视图训练数据对。然后采用Canny算子提取视图的多层次伪草图,减小视图和草图的域差异,并采用样本选择和数据增强缓解训练数据不均衡的问题。接下来用伪草图和草图训练三元组网络(triplet network),将伪草图和草图映射到公共特征嵌入空间。最后用Triplet提取特征和建立索引,实现草图检索。实验结果表明:在大型公共数据集SHREC’13和SHREC’14的检索精度分别是70.0%和63.6%,有效提高了检索准确率。

融合递归特征金字塔的病原微生物检测

针对病原微生物的检测研究较少且目标尺寸相差较大、背景复杂问题,提出了一种融合递归特征金字塔的病原微生物多尺度检测方法。考虑到有些病原微生物的特征与正常细胞有一定的相似性,在YOLOv5特征提取阶段引入混合注意力模块CBAM,可以增强病原微生物的显著度,降低了病原微生物的误诊率。由于尺寸较小的病原微生物在下采样过程会丢失重要特征,在特征融合阶段使用递归特征金字塔RFP和增加小目标的检测层,可以对小目标的特征进行二次提取,丰富语义信息,提高了小目标的检出率,并在二次特征提取模块中使用深度可分离卷积DSConv替换普通卷积Conv,降低了模型的参数量,提升了性能。实验表明,本文算法在病原微生物数据集上的mAP达到了74.9%,相比基线网络YOLOv5提升了4.9%,小目标滴虫的mAP也提高了6.2%。同时在PascalVOC2007、PascalVOC2012和CDetector公开数据集上比基线网络YOLOv5分别提升了1.9%、3.1%和8%。

基于判别器反馈的零样本图像分类方法

零样本学习(zero-shot learning, ZSL)致力于在训练期间缺乏不可见类数据的情况下,仍能达到对不可见类别分类的目的。目前在生成式方法中,基于联合生成模型VAEGAN的零样本学习是一个研究热点。在此基础上,提出了一个基于判别器反馈VAEGAN(discriminator feedback VAEGAN,DF-VAEGAN)的零样本图像分类方法。该方法在判别器部分引入了一个反馈模块,在训练阶段可以提升模型整体的性能,在特征生成阶段可以结合生成器共同提升特征生成质量,最终通过高质量的合成特征训练分类器,提高分类准确率。本文还通过解码器重建属性特征,并使用循环一致性损失确保生成特征具备语义一致性。传统ZSL和广义零样本(generalized zero-shot learning, GZSL)图像分类实验展示了本文方法在5个经典数据集上均优于现有方法,在零样本图像分类任务中有效增强了特征合成质量和减少了类别间歧义的目标。

肋骨骨折治疗的研究现状与进展

肋骨骨折是最常见的胸部外伤疾病之一,它会导致胸廓塌陷、气胸、血胸及呼吸衰竭等多种并发症,严重威胁人们的健康。目前对于肋骨骨折的治疗尚无确切定论,手术治疗和保守治疗均有各自优势。文章综述肋骨骨折的临床治疗进展,为临床诊疗提供一定的依据。

长尾分布下的宫颈细胞分割与分类框架

目前利用深度学习识别宫颈异常细胞有两个难题:(1)宫颈细胞种类多样且宫颈细胞图像因人而异;(2)宫颈细胞呈现长尾分布,影响宫颈细胞的分类精度。本文提出了一种基于深度学习的宫颈细胞分割与分类框架。本框架首先进行细胞核分割,使用U-Net作为基础模型进行减层,加入AG模块,并使用ACBlock模块代替传统标准卷积块;然后使用ResNeSt对分割数据进行粗分类,将根据医生经验提取的人工特征和ResNeSt网络提取的机器特征进行融合进行细分类,利用主动学习迭代地扩充宫颈细胞类别,并在BBN模型中融合ACBlock模块处理长尾数据;最后根据TBS诊断标准和医生的诊断经验提炼出异常细胞的诊断指标,筛选异常细胞。实验表明,本文的分割算法较原方法提升了3.52%,加入所有特征的分类算法提升了1.2%。针对阳性病人,癌细胞诊断准确率达到91%。

细胞病理图像质量评价方法

智能病理辅助诊断系统可以辅助医生诊断宫颈癌,筛除低质量的样本图像能够有效减少智能病理辅助诊断系统的漏诊和误诊,提高诊断的效率和准确率。目前智能辅助诊断领域没有完整的细胞病理图像质量评价的方法,因此提出一种细胞病理图像质量评价方法。利用病理诊断知识和医生经验,归纳总结出图像质量评价指标,包括图像有效视野、栅格样成像、清晰度、染色标准、鳞状上皮细胞数量、细胞团面积和脏污面积占比等。首先针对图像有效视野和栅格样成像利用图像分割和图像纹理特征提取的方法进行评价;再采用引入通道注意力的ResNet-34模型对清晰度进行评价;然后对图像进行颜色反卷积处理,获得染色剂通道灰度值,用于判断细胞的染色是否标准;再通过目标检测模型Yolov5s,对鳞状上皮细胞、细胞团和脏污进行检测;最后利用回归模型为细胞图像质量评分,并将结果应用到智能辅助诊断项目中。实验表明,方法规范了细胞病理图像质量评价的流程,避免由于主观评价带来的差异,提高了病理诊断效率和准确率。

母猪初配月龄、胎次、配种月份及情期数与胎产仔数的关系

对佛山市一家大型猪场 30 0头长大母猪各胎产仔数的统计 ,及其与初配月龄、胎次、配种月份和配种情期的相关分析表明 ,胎次和配种情期数对长大母猪窝产仔数的影响较大 ,初配月龄和配种月份对窝产仔数的影响较小。

奶牛乳房炎与主要气象指标的关系

统计分析了广州市两家大型奶牛场成年荷斯坦奶牛临床型乳房炎的发病情况 ,并结合广州地区的气候特点 ,初步研究了温度和湿度与临床型乳房炎的关系。结果表明 ,气温较高的 5～ 1 0月份是乳房炎的高发期 ,发病率在 7%以上 ;气温较低的 1 2 ,1 ,2 ,3月份发病率较低 ,乳房炎的发生每年呈现相似的规律性。气温与临床型乳房炎的相关系数为 0 .8665 ,而空气湿度与其只有 0 .0 0 1

丘陵山区复垦农田地力提升的途径及效果分析

浙江省淳安县富文乡因杭黄高铁建设的需要,辖区近13.33 hm^(2)农田因砂石堆场占后进行了复耕,通过耕作和管护措施,3个示范点的土壤理化特性得到了有效改善,耕地地力水平得以提升,综合地力指数比实施前提高了0.182,耕地质量提升了一个等级。

土石坝渗流的神经网络监控模型

通过对土石坝渗流的成因分析 ,应用人工神经网络原理 ,并结合某土石坝的实测资料建立了渗流监控模型 ,给出了模型的输入输出因子和模型结构 .该模型具有再学习能力 ,在应用过程中 ,可以用新的观测资料对模型不断地进行学习训练 ,以提高模型的精度 .

南亚热带区肢蹄病对荷斯坦奶牛在群寿命的影响

对广州市几家大型奶牛场2114头淘汰荷斯坦母牛的记录资料进行统计分析,结果表明:影响荷斯坦奶牛在群寿命的主要因素是肢蹄病,由于肢蹄病而被淘汰的母牛数占31.8%,比繁殖障碍导致的淘汰母牛数高15.5个百分点.荷斯坦奶牛平均在群寿命为5.4岁,淘汰牛的年龄大多集中在3～7岁,3岁时最高;一年内7～9月份为淘汰牛的高峰期.

稻渔综合种养高产高效技术应用研究

近年来广西钦州市致力于发展农业,其中稻渔综合种养是重要的农业生产方式,具有提升产量和质量的作用,适合在当前农业发展中推广应用。本文以广州钦州市稻渔综合种养高产高效技术为研究对象,研究中结合该地区稻渔综合种养经验及相关规范,总结种养高产高效技术,具体包括准备技术、栽培种养、施肥技术以及病虫害管理等,具体种植时应结合实际情况,在规范种植要点上实施适当调整,以确保稻渔综合种养具有高产高效的作用。

基于稀疏编码的鲁棒说话人识别

目前的说话人识别系统在噪声环境下性能将急剧下降,为了解决这一问题,提出了一种新的基于稀疏编码的说话人识别方法。该方法用一个通用背景字典(Universal background dictionary,UBD)刻画说话人语音的共性,并为每个说话人和环境噪声训练相应的字典来刻画说话人和环境的特殊变化。这些字典被拼接成一个大字典,然后将待测试语音稀疏分解在这个大字典上以实现说话人识别。为了提高说话人字典的区分能力,通过从说话人字典中移除与通用背景字典原子相似的原子来优化说话人字典。为了跟踪变化的噪声,采用混噪语音在线更新噪声字典。在各种噪声条件下的实验表明,所提出的方法在噪声环境下具有较强的鲁棒性。

规模化猪场规划的调查分析

通过对广东省云浮市某畜牧公司猪场的场址、地势地形、土质及水源、平面布局等的调查分析,探究它们的合理与否以及对猪生产的影响。结果显示,该猪场位置选择是合适的,符合畜牧场场址选择的要求;但所处位置地势坡度偏大,地形不够平坦开阔,较狭长,猪场的面积偏小,造成猪场的建筑物较拥挤,从而影响了通风、防疫、防火、采光和饲养管理;土质属粘土类,不是理想的建场土壤;水量充足;从坡向来讲,生产区不应在高处,生活区在低处;没有设隔离猪舍,对控制疫病的传播是不利的;猪舍的间距过小(2.5m);场内净道和污道区分不够明确。

语音识别中带宽失配的补偿研究

目前的语音识别系统在训练环境与测试环境匹配的情况下具有很高的识别率,而当环境失配时,其性能将急剧下降.作者研究发现,带宽失配,即训练语料和测试语料带宽不一致,也是引起环境失配的主要原因之一.当测试语音带宽比训练语音带宽窄时,丢失的频段不可逆,且其影响在倒谱域或对数频谱域上是时变的,因而无法用目前的信道补偿方法补偿.文章在分析丢失频段对梅尔频率倒谱系数影响的基础上,提出了用频谱折叠方法对窄带测试语音进行补偿.在此基础上给出了语音带宽检测算法和带宽补偿统一框架.在AN4和TIMIT/NTIMIT数据库上的实验表明,该框架能有效增强语音识别系统在带宽失配情况下的鲁棒性.