CT图像肺结节计算机辅助检测与诊断技术研究综述

肺结节计算机辅助诊断(Computer-aided diagnosis,CAD)能够从CT图像中检测、分割和诊断肺结节,提高早期肺癌的生存率,因而具有重要临床意义。由于肺结节的形态根据其类型、尺寸、位置、内部结构及恶性与否等动态变化,导致肺结节检测和诊断已经成为一个重大的挑战问题。本文对比分析了CAD系统中肺实质分割、肺结节检测、肺结节分割以及肺结节良恶性判断等4个步骤所运用的关键技术及挑战,并指出开发有效CAD系统需要进一步优化不同类型结节诊断算法灵敏度、降低结节检测误报数量、提高诊断自动化水平,同时需要集成影像存储与通信系统(Picture archiving and communication systems,PACS)以及电子病历系统(Electronic medical record systems,EMRS),以便在日常临床实践中应用。

基于RBF神经网络的粮食生产预测研究

提高中国粮食生产量的预测精度与效率是人们关注的一个重要问题.对RBF神经网络的结构、特性和训练算法作了简要的概述.根据粮食产量与其影响因素之间存在的映射关系,应用RBF神经网络建立了多因素非线性时间序列预测模型,并进行了仿真试验.结果表明,用RBF神经网络进行粮食生产预测得到了十分满意的结果.

基于PCA的RBF神经网络预测方法研究

主成分分析(PCA)法可以提取样本集的主成分,实现样本的最优压缩,从而降低样本的维数。针对用RBF神经网络进行多因素时间序列预测时样本特征指标过多的问题,提出用统计理论的PCA方法对数据进行预处理,再选出几个主成分作为神经网络的输入节点.仿真实验表明,基于PCA的RBF神经网络模型在拟合预测中与一般的RBF神经网络模型相比有较好效果,简化了网络结构,改善了预测精度.

基于GRA-PCA的RBF神经网络预测方法应用研究

多因素时间序列预测是时间序列数据挖掘的一个重要分支,被广泛地应用于各种领域。文中利用灰色关联分析(GRA)和主成分分析(PCA)对RBF网络的输入空间进行降维重构,选取与输出变量关联度相对大的影响因素,并消除各因素之间相关性,解决了RBF网络在多因素时间序列预测模型设计中的影响因素约简问题。通过粮食产量实例仿真,验证了模型的有效性。

BP神经网络在医院多因素时间序列预测中的应用

利用三层BP神经网络对非线性系统的函数所具有的以任意精度逼近的良好特性 ,突破传统上基于统计学方法进行预测的限制 ,设计了一种体现时序的多因素动态时间序列神经网络预测模型 ,并将模型运用于某医院年收治病人数的预报。通过仿真实验结果表明 ,应用BP网络预测方法不仅可行 ,而且有更好的预测精度。

基于粗糙集和RBF神经网络的分类模型研究

分类是数据挖掘中一个重要的研究领域。针对原始决策表中往往存在大量冗余信息,从而影响决策分类综合性能这一问题,提出了一种基于粗糙集和RBF神经网络的分类模型。该模型在保持训练样本分类质量的情况下,运用属性约简方法对决策表进行约简,得到维数较小的训练样本空间。通过这样确定RBF神经网络输入层变量,优化了网络结构。实例结果表明了该方法的有效性和实用性。

利用Delphi开发基于Web Services的应用系统

通过实例说明了利用Delphi开发基于WebServices的应用系统的实现方法。

基于对称不确定性和SVM递归特征消除的信息基因选择方法

基因表达谱中存在大量与肿瘤分类无关的基因,严重降低肿瘤诊断的准确率.基因表达谱还存在高维小样本、噪声大等问题,增加肿瘤诊断的难度.为了获取基因数量较少且分类能力较强的信息基因子集,文中提出基于对称不确定性(SU)和支持向量机递归特征消除(SVM-RFE)的信息基因选择方法.首先利用SU评估基因和类标签之间的相关性,根据SU定义近似马尔科夫毯,快速消除大量无关和冗余基因.然后利用SVM-RFE进一步剔除冗余基因,获取有效的信息基因子集.实验表明,文中方法可以在选取维数较少或相等的信息基因子集情况下获取较高的肿瘤分类性能.

基于粗糙集的医疗数据挖掘研究与应用

医疗数据挖掘能够对现有病历数据库中数据进行自动分析并且提供有价值的医学知识。针对临床病历数据库中存在大量重复样本和冗余属性,从而影响医疗诊断的精度和速度这一问题,建立了基于信息论的粗糙集理论模型和SQL语言之间的关系,提出了基于SQL语言的条件信息熵属性约简算法,利用数据库查询语言实现了数据清洗、求核和属性约简等过程。实验结果表明该算法实现简单,运行效率高,为粗糙集理论更广泛地应用于具体的医疗数据挖掘提供了一种方法。

开发多媒体课件 促进高校教育

教育要面向世界,面向未来,教育手段必须实现现代化。制作多媒体课件,利用计算机辅助教学,是促进高校教育必要的教学手段。

正确认识计算机病毒

本文列举了人们对计算机病毒存在的种种错误认识，并予以纠正，从而使人们正确认识计算机病毒，并采取有效措施最大程度降低计算机被病毒感染的几率。

水平划分多决策表下基于相对粒度的隐私保护属性约简算法

为了解决分布式环境中多个参与方在不共享各自隐私数据的情况下完成全局属性约简计算的问题,提出了一种水平划分多决策表下基于相对粒度的隐私保护属性约简算法。该算法基于相对粒度约简理论实现了分布式环境下全局属性约简的求解,利用半可信第三方与安全多方基础协议,设计了安全多方计算相对粒度协议,使各参与方在不共享其隐私信息的前提下达到集中式属性约简的效果。分析结果表明,该算法是有效可行的。

决策表分解及其最小属性约简研究

现有的很多属性约简算法都是由构造决策表的差别矩阵出发,将矩阵中非空元素的合取范式转化为极小析取范式。为提高对大规模数据的决策表进行约简的效率,文中指出基于U/{a}划分的最小约简算法存在的缺陷,给出以划分粒度为启发式信息,利用单个条件属性把论域划分成多个等价类,将计算整个全域上的属性约简问题转化为计算在相应划分的子区域上属性约简问题,提出了一种基于决策表分解的最小属性约简算法。理论分析和实例表明该约简算法是有效的。

基于ASP.NET和Web Service技术的应用程序开发

文章介绍了WebServices的核心技术与体系结构,并结合实例说明利用ASP.NET实现Web数据库应用程序方法。

基于改进关系积的最小属性约简算法

属性约简是粗糙集理论的核心内容之一。针对现有关系积理论不能求解不一致决策表中最小属性约简的缺陷,提出一种基于知识联合划分的改进关系积和关系积约简概念,分析了关系积约简、正区域和负区域之间的性质,提出一种基于改进关系积的最小属性约筒算法。理论分析和实例计算结果表明,该算法具有可行性,能求取一致或不一致决策表中所有最小属性约简。

基于RBF神经网络的冠心病识别模型

RBF神经网络是前馈神经网络研究中的一个热点.对 RBF神经网络的网络结构、基本原理和学习算法进行了介绍.针对BP神经网络自身的缺陷,提出以RBF神经网络为识别模型,采用最近邻聚类学习算法,建立一种冠心病模式识别诊断系统.仿真实验表明,该模型可快速完成对冠心病样本的学习与拟合,具有预测识别率高的优点,可作为该病诊断的一种有效的辅助手段.

基于对称不确定性和邻域粗糙集的肿瘤分类信息基因选择

基因表达谱中信息基因选择是有效建立肿瘤分类模型的关键问题。肿瘤基因表达谱具有高维小样本、噪声大且存在大量无关和冗余基因等特点。为了获得基因数量尽可能少而分类能力尽可能强的一组信息基因,提出一种基于对称不确定性和邻域粗糙集的肿瘤分类信息基因选择SUNRS方法。首先利用对称不确定性指标评估信息基因的重要度,以剔除大量无关和冗余基因,获取信息基因的候选子集;然后利用邻域粗糙集约简算法对信息基因候选子集进行寻优,获得信息基因的目标子集。实验结果表明,SUNRS方法能够用较少的信息基因获得更高的分类精度,从而既能改善算法的泛化性能,又能提高时间效率。

分布式防火墙系统在校园网中的应用

针对校园网安全问题,指出了边界防火墙的缺点,阐述了分布式防火墙系统的概念和基本原理。并且给出了分布式防火墙在校园网上的一个具体的应用。

NOVELL网络反病毒探讨

计算机病毒对所有计算机系统的完整性构成威胁，特别是对网络的威胁更为突出，本文就ＮＯＶＥＬＬ同网络介绍了计算机网络病毒及对网络的危害，分析了ＮＯＶＥＬＬ网络反病毒策略。

垂直划分多决策表下基于条件信息熵的隐私保护属性约简

针对垂直划分多决策表,利用半可信第三方和交换加密体制,设计了一个安全多方计算交集基数协议。利用该协议设计了安全多方计算信息熵和安全多方计算条件信息熵的解决方案,提出了一种基于条件信息熵的隐私保护属性约简算法。该算法基于粗糙集信息观的约简理论实现了分布式环境下全局属性约简的求解,使各参与方在不共享其隐私信息的前提下达到集中式属性约简的效果。分析结果表明该算法是有效可行的。