基于多尺度残差融合网络的高光谱图像融合算法

针对高光谱图像空间分辨率低的问题,提出了一种基于多尺度残差融合网络的高光谱图像融合算法。该算法采用多尺度特征提取机制和多级尺度融合机制,将同一目标的低分辨率高光谱图像(LR-HSI)与高分辨率多光谱图像(HR-MSI)融合,得到高分辨率高光谱图像(HR-HSI)。实验证明,论文所提出的方法在CAVE和Harvard这两个数据集上峰值信噪比分别达到了39.8504和42.9646,光谱角映射分别达到了0.0685和0.1585,比其他几种方法均有一定的提升。该算法避免了传统融合方法人为制定融合规则的缺点,在极大程度上降低光谱失真的同时提升高光谱图像的空间分辨率,具有很好的应用前景。

基于多元极值优化的多光谱温度测量方法

多光谱测温依据黑体辐射定律,通过辐射光强、多组波长即能推测出温度值,克服了比色测温要求光谱单一和比色光谱相近的约束,在工程实际中得到了广泛的应用。在多光谱温度反演的过程中,光谱发射率的求解及多光谱数据处理是精确测温的关键。目前,光谱发射率的求解大多以光谱发射率假设模型为主要的方法,当假设模型与实际情况接近时,反演的温度与光谱发射率精度很高,当二者不相符时,反演的结果与实际情况相差甚大,对于复杂材料和燃烧过程中材料性能动态变化情况下的测温,以光谱发射率假设模型的方法存在盲目性;近年来,基于神经网络的深度学习的方法应用于多光谱测温,避免了光谱发射率假设模型,可建立温度与多光谱的非线性统计规律关系,但需要海量数据与超强算力支撑,且建模过程复杂。针对上述问题,提出了一种基于多元极值优化的多光谱温度测量方法(MEVO),该方法利用不同温度下多光谱信号之间的关联性,通过分析在多光谱温度反演过程中各通道测量温度之间的联系,基于多光谱辐射测温原理以及温度反演过程中各通道数据之间的信息关联,建立多元温差关联函数,通过关联函数的寻优,建立高精度测温模型。该方法将建模过程简化为多元温差函数的寻优问题,避免了光谱发射率与其他物理量的关系假设,降低了深度学习方法对数据样本量的要求,简化了多光谱温度测量的过程。为了验证该方法的可行性与可靠性,利用一套简单的8通道多谱测温装置进行实验验证,实验中认定黑体炉发射的温度是标准值,在1923.15~2273.15 K温区内对468~603 nm波段的光谱数据进行标定,实现了基于多元极值优化的多光谱温度测量,其测温精度在0.5%左右,温度反演时间在2.5 s以内。与二次测量法(SMM)、神经网络方法相比反演精度有所提高;反演速度与SMM法相比有大幅度提升。

免疫治疗联合靶向治疗在晚期肝癌方面的临床研究进展

肝癌是我国最常见的恶性肿瘤之一,其发病原因复杂,早期症状不明显,进展迅速,预后差,严重威胁居民生命安全。免疫治疗和靶向治疗是近年来治疗晚期和转移性肝癌的重要手段。随着FDA批准索拉菲尼(sorafenib)等酪氨酸激酶抑制剂(tyrosine kinase inhibitor, TKI)、程序性死亡受体1 (programmed cell death protein 1, PD-1)和细胞毒T淋巴细胞相关抗原4 (cytotoxic T lymphocyte-associated antigen-4, CTLA-4)免疫检查点抑制剂等用于肝癌治疗,单药治疗和联合治疗的研究都获得较大的进展,为晚期肝癌患者生存率提高带来新的转机。但当前对免疫治疗的作用机制、耐药机制尚不清晰,联合治疗的临床研究也在进行中。本文就免疫治疗及相关联合治疗在晚期肝癌方面的临床研究进展进行综述,力求把握当前肝癌治疗的发展动向,为免疫治疗进一步发展提供参考。