基于多实例学习的消化道病理辅助筛查模型研究

目的:构建基于多实例学习的消化道病理辅助筛查模型,帮助病理医生在消化道远程会诊场景下快速准确地进行诊断。方法:从郑州大学第一附属医院国家远程医疗中心的远程病理诊断平台收集从2018年至2023年的病理切片图像,经关键词筛选得到6228张消化道切片图像,经数据清洗最终得到5658张切片图像用于模型的训练与测试。该模型由多个基于深度学习的算法模块构成,包括前景提取、图像块分类和切片分类。模型使用消化道阳性切片679张和阴性切片1304张进行训练,在2353张阳性切片和295张阴性切片上进行测试。该模型输入为消化道数字病理切片,输出为该数字切片为阳性切片的概率值。选取具有基层医院医生诊断的切片1027张作为独立数据集比较本文模型和基层医生的分类性能。结果:本模型切片分类的特异度、敏感度和ROC曲线下面积(AUC)分别为0.902、0.955和0.978。选取1027张切片进行人机结果对比,结果显示,本模型的敏感度为0.96,特异度0.95;与基层医院医生诊断结果相比,敏感度提升6.7%,特异度提升26.7%。结论:基于多实例学习的消化道病理辅助筛查模型准确性较高,可提升基层医疗机构医生诊断水平,为临床诊疗提供有效的决策支持。

基于改进Soft-NMS的多实例行人检测算法

在行人检测任务中,最主要的是能够快速且精准识别图像或视频中的行人。由于在密集的场景中行人之间存在相互遮挡,导致目前行人检测算法普遍存在漏检和误检问题。为了解决上述问题,文章提出了一种基于改进Soft-NMS算法的多实例行人检测方法。为了减小由于行人之间重叠导致检测器无法做出准确预测,引入多实例检测方法来使检测器做出相对准确的预测。并且在Soft-NMS算法的基础上进行改进,提出了Set-Soft-NMS算法来减少行人检测中的漏检和误检问题。使用公开的行人检测数据集上对文章所提出的方法进行实验,结果表明该文提出方法的性能要优于其他主流的行人检测算法。

基于多实例学习及阈值伪标签提取的CT影像颅内出血分割

颅内出血由颅内血管破裂引起,出血体积对治疗决策和预后分析具有重要的临床意义,而基于CT影像的血肿分割是体积测量的基础。全监督方法依赖于人工勾画的标签,十分耗时和繁琐,现有弱监督分割方法的鲁棒性差,容易受伪影干扰。为此,本研究提出了基于多实例学习的弱监督颅内出血分割网络MIL-ICH,由双分支结构组成。首先,由多实例学习解码器生成热图定位出血区域;然后,在热图基础上使用CT值阈值和像素自适应优化模块提取并优化伪标签,训练分割解码器;最后,两个分支同时训练,提高训练效率并且利用多分支协同作用进一步提升分割性能。在来自RSNA颅内出血数据集的200例CT扫描上的测试结果表明,MIL-ICH网络的Dice相似性系数和体积相似度分别达到了0.822和0.896,本网络测量的出血量与实际出血量的相关性优于临床常用的多田公式估测法。所提出的方法能够提高颅内出血弱监督分割性能,有助于为临床提供出血体积测量和预后评价的依据。

基于眼心关联的先天性心脏病围手术期转归多实例预测

目的:构建先天性心脏病(先心病)围手术期转归多实例预测模型,提高先心病预后评估的精确性。方法:基于先心病患者眼底彩照图像,引入多实例学习算法,结合长短注意力Transformer结构处理多图像实例特征序列,构建基于眼心关联的先心病围手术期转归多实例预测模型。结果:该模型有效规避了深度学习模型限制输入图像尺寸所导致的细节丢失问题,在测试集中对围手术期复合不良结局预测的准确率为0.78,AUC为0.82,优于CANet、DLI、ResNet50、InceptionV3等目前常用模型;处理每张图片耗时0.104 s,与上述模型相当。结论:基于眼心关联的先心病围手术期转归预测模型可以有效提升模型的图像细节捕捉能力,提高先心病预后评估的效能,同时拓展了人工智能模型的临床适用范围。

活动多实例工作流中数据流的建模与调度

根据数据流模型的特点定义了数据流元模型,创建了能够准确描述活动间细粒度接口数据交互的数据流二步建模法,并为其提供了一种图形表示;扩展传统工作流引擎,提出了活动多实例工作流中数据流的调度策略,以及根据数据一致性验证准则实现了数据准备、数据提交等关键调度算法,进而提出的虚拟活动实例概念解决了活动实例数据多版本的管理问题.最后通过应用实例对文中的理论进行了验证.

工作流活动多实例的调度控制

支持多实例的工作流管理系统为工作流过程处理带来极大的灵活性,活动多实例要解决的主要问题之一是多实例的调度控制.在分析了多实例的分配和汇聚等问题之后,针对过程中活动间不同活动语义的上下文,对活动多实例的活动属性进行了统一的形式描述,提出了活动多实例控制体 Shell,用于控制活动多实例的分配和提交.Shell可以根据不同的活动语义,处理多实例的同步并控制整个过程的运行.Shell的提出解决了工作流执行中一个活动多个执行实例的同步执行问题.

基于HOG与多实例在线学习的目标跟踪算法

为实现在局部遮挡、光线变化等复杂背景下的目标跟踪,提出一种基于梯度方向直方图(HOG)与多实例在线学习的目标跟踪算法。利用已标定目标图像的HOG特征空间,结合局部二值模式(LBP)描述方法获取特征向量,构建初始随机蕨检测算子,采用随机多尺度采样方法跟踪每一帧的目标位置和尺寸,并基于多实例在线学习框架,通过检测到的目标样本以及附近的背景样本在线更新检测算子。将该算法与Online Boosting Tracker,MILTracker等在线学习目标跟踪算法在多个标准视频序列中进行比较,实验结果表明,该算法在局部遮挡和光照变化的环境下具有较好的跟踪稳定性,但在抗目标旋转方面有待优化。

支持多实例模式的动态工作流研究

为了解决多实例模式给工作流的建模和实现带来的动态语义和数据共享冲突问题,在对多实例模式进行深入分析的基础上,讨论了一种具有动态性的建模方法。这种基于XPDL的过程定义方案支持各种多实例活动并且具有较强的动态性,能与不同的实现引擎兼容。同时,提出了一种活动多实例动态组装的活动执行部件设计方案,其中活动实例管理器的设计解决了动态执行多实例活动和数据共享问题。该方案在工作流引擎Shark中得到实现,改进后的Shark表明这种建模方法和引擎设计思想较好地解决了多实例的建模和实现问题,也提高了流程的动态性。

多实例云计算资源市场下超额预订决策方法

针对现有云供应商数据中心负载率低、云用户需求不确定及多样性的问题,为提高云供应商平均利润,建立了不确定需求下的多实例类型云服务超额预订模型。该模型结合实际云计算资源市场下超额预订对于云供应商负载均衡及云服务等级协议(SLA)的影响,给出超额预订的多重约束条件,提出了各实例类型数量最优分配策略。实验结果表明,采用该模型在预约未使用概率为0.25时,云供应商利润较高,数据中心负载率达到78%,最终确定了各实例类型的最优分配数量。

客户云需求波动下的多实例组合决策研究

在云服务购买决策研究中,存在忽略用户需求波动以及潜在风险的问题。为此,引入风险成本,构建客户云需求波动环境下的多实例组合购买决策模型,通过案例阐述最优决策取得的条件及原因,并对最优决策与客户未来需求的波动形式、波动幅度、有效工作时间和风险敏感因子的关系分别进行具体分析。分析结果表明,与现有研究相比,该方法能保证用户资源需求的情况下,使总成本最小。

多实例工作流模式的π演算形式化

多实例工作流模式是一类重要的工作流模式。π演算是一种移动进程代数,可用于对并发和动态变化的系统进行建模。对π演算进行了研究,提出了以π演算作为工作流形式化的基础,利用π演算对多实例工作流模式进行了详细的描述。

基于在线多实例学习的跟踪研究

介绍一种基于在线多实例学习的目标跟踪方法,在线多实例学习在目标跟踪中的应用是采用基于多实例学习的自适应表观模型,解决了训练样本中存在的模糊歧义问题,探讨了处理训练正包中正样本和负样本的问题,指出了今后多实例学习目标跟踪的研究方向.

基于分组技术的工作流活动多实例的调度研究

在分析静态和动态活动多实例模型的基础上,提出了一种机制———实例池和多实例分组技术,并且提出相应的算法,解决了静态和动态多实例的调度问题。该机制可以处理静态和动态多实例的生成、初始化、运行和调度以及销毁。

多实例的多级安全关系数据库数据模型研究

现有的基于多实例的多级安全数据模型中 ,存在着语义的二义性问题和更新操作的元组增生问题 ,增加了系统实现和用户操作的复杂度 ,也存在着潜在的安全隐患 .本文系统地结合多实例和伪元组的概念 ,以形式简单、易于实现并避免引入隐通道为原则 ,对上述模型进行了改进 ,提出了一个新的“同级读、同级写”

基于HOG及在线多实例学习的目标跟踪算法

传统的基于色彩直方图或空间色彩直方图的跟踪算法在跟踪目标出现尺度变化的复杂条件下,因无法显著区分颜色相近的目标和背景,不能得到准确跟踪结果。提出基于HOG及在线多实例学习的目标跟踪算法。此算法采用HOG特征值提取方式,结合在线多实例学习技术,对目标远离场景、平移、旋转、遮挡等情况进行跟踪。实验结果表明,该算法能够对各种复杂情况下的动态目标进行有效跟踪,具有良好的鲁棒性和准确性。

基于多实例的图书采购辅助决策模型

针对图书采购工作中待选图书受欢迎程度的预测问题,设计了一种基于多图书实例预测的方案,并给出了参照图书集模型的表示法,以及待选图书与参照图书集之间相似度的计算公式,在此基础上,提出了结合图书重要性和资金约束因素的图书采购多目标辅助决策模型。

ESM层多实例的研究与设计

为了保证同时建立多个EPS承载,LTE系统运用多实例的ESM实体进行EPS承载的管理。分析了ESM实体两种类型的状态,提出了一种新的融合的状态转移方案。对LTE协议栈架构和多实例的研究基础上增加了SMC实体进行多实例的管理。通过对PDN连接引起默认和专用承载建立的流程进行一致性测试,实现了预期的目标,验证了本方案的合理性。

采用在线多实例学习的超像素跟踪

采用矩形框表示目标会引入背景干扰,导致跟踪性能下降,故利用多实例学习的特点对背景干扰建模,提出了一种采用在线多实例学习的超像素跟踪算法。在训练阶段,以超像素作为实例,根据位置将这些超像素分为具有明确标签的多个实例包,进而将跟踪转换为多实例学习问题。然后,在所提算法中实现了在线多实例学习,通过求实例包的似然函数最大化,从弱分类器池中选择K个最优的弱分类器组合为强分类器,在下一帧的检测阶段,利用学习的强分类器生成目标置信图。最后,采用粒子滤波方法从置信图中估计目标状态,在2.6 GHz主频的笔记本电脑上,所提算法的跟踪速率可达15 frame/s。在多个视频序列上的对比实验表明,该算法对复杂背景、目标高速运动、遮挡等具有更好的鲁棒性和精度,且跟踪精度和成功率的典型值分别达到了91%和90%,比原始超像素跟踪算法分别高出了21%和26%。

基于网络划分的多实例工作流模式解决方案

为了实现工作流中多实例模式的创建和运行控制,从网络划分的角度提出了一种解决方案。以中国专利201010114083.9中提出的RTWD网工作流模型为基础,讨论了该方案实现方法。在该方法中,包含多实例的子工作流程首先被划分成一个子网,然后基于子网进行多实例的参数定义和运行控制。基于该方法讨论了串行、同步并行、异步并行等多实例模式的运行控制。由于划分出的子网与工作流模型定义保持一致,因而可用原工作流引擎进行调度,简化了多实例工作流模式的实现。

面向数据挖掘的云资源多实例组合购买决策研究

将项目管理中的关键路径法引入到云资源布局优化策略中,针对非实时性任务通过多种云计算资源的组合,可以进一步降低资源使用成本。提出了两种组合策略,第一种是结合云计算的多种定价服务模型,利用低成本的现货竞价实例和具有稳定性的按需运行实例进行组合来降低成本;第二种是结合云计算资源的多种配置实例处理性能,通过对不同配置等级的实例进行组合,在保证完成时间的基础上使用低配置实例,降低云计算成本。实验表明该策略最高节约成本可达到40%以上。