基于深度学习模型的腰椎X线关键参数识别的应用

目的将人工智能技术引入腰椎X线的指标自动测算过程。方法首先构建基于U-net+Attention的全卷积神经网络,并评估其对于腰椎数字化摄影影像中椎间隙高度指数、腰椎活动角和节段活动度这三个指标自动测量的准确性和有效性。回顾性收集2008年至2016年于陆军军医大学第二附属医院行站立位腰椎DR摄影的1500例的1527张站立态下的侧位脊柱图像数据。将此数据按8∶1∶1的比例划分为训练集、验证集及测试集。通过labelme标注工具对每节椎体的主体结构进行标注。使用平均准确率(ACC)、交并比(IOU)和Dice系数来评价模型的具体分割性能。结果构建的网络平均IOU能达到0.940;平均Dice系数为0.980。与U-net和Deeplab-v3分割网络模型相比,该模型数据测算准确有效。椎间隙高度指数的误差均值为±2.4 mm;腰椎活动角的误差均值在±3.1°;节段活动度的误差均值在±5.8°,均符合计算中的正常误差水平。结论基于人工智能能构建的网络模型实现了对腰椎X线关键参数的自动精准测算,有助于临床医师综合多参数定量分析和评估PETD手术复发风险的高低。

深度强化学习在智能制造中的应用展望综述

深度强化学习作为机器学习发展的最新成果,已经在很多应用领域崭露头角。关于深度强化学习的算法研究和应用研究,产生了很多经典的算法和典型应用领域。深度强化学习应用在智能制造中,能在复杂环境中实现高水平控制。对深度强化学习的研究进行概述,对深度强化学习基本原理进行介绍,包括深度学习和强化学习。介绍深度强化学习算法应用的理论方法,在此基础对深度强化学习的算法进行了分类介绍,分别介绍了基于值函数和基于策略梯度的强化学习算法,列举了这两类算法的主要发展成果,以及其他相关研究成果。对深度强化学习在智能制造的典型应用进行分类分析。对深度强化学习存在的问题和未来发展方向进行了讨论。

基于卷积神经网络的红外光谱建模分析综述

红外光谱技术存在着数据预处理复杂、预测精度不高,且难以处理大量非线性数据的问题,适于用卷积神经网络进行处理。本文首先分析了卷积神经网络应用在红外光谱上的优点,并对卷积神经网络结构组成进行简单的概述。然后针对卷积神经网络在光谱分析建模中的输入数据维度问题进行详细阐述;针对模型设计中卷积核参数的影响、多任务处理模型以及训练过程中的优化方法进行综述。最后分析了该研究的优点与不足,并展望了未来的发展趋势。