基于深度学习的肝囊型包虫病超声图像中小病灶检测方法研究

肝包虫病是一种呈全球性分布的人畜共患性疾病。超声作为该病的首选诊断方法,虽能及时发现大病灶位置并进行评价,但对早期小病灶的检测能力不佳。本文基于经预处理的高质量肝囊型包虫病超声图像小病灶数据集,提出了一种基于YOLOv7的检测肝囊型包虫病5类分型超声图像中小病灶的方法,以实现肝包虫病的自动检测,提高临床诊断效率。首先,用硬件感知神经网络EfficientRep替换原特征提取主干,实现在保证精度和速度不受影响的前提下,提高对硬件设备的适配度;其次,用更优的WIoU(Wise-IoU)替换CIoU(Complete Intersection over Union),改善了YOLOv7网络的评价指标CIoU在作为损失函数时,梯度计算效果差,导致检测精度下降的问题;最后,在主干的最后第4层加入CBAM注意力,进一步提高了模型检测精度。本文在自建的肝囊型包虫病超声图像小病灶数据集上进行了训练,结果显示,改进后的模型平均精度均值为88.1%,相较原始的模型性能得到了提升,并超过了对比的其余主流检测方法。说明本模型能更高效地检测并分类肝囊型包虫病超声图像中小病灶的位置和类别,应用于临床上能节约医师资源、缩短报告时长、提高诊断效率。

基于改进YOLOv7的肝囊型包虫病超声图像小病灶检测

目的:提出一种基于YOLOv7用于检测肝囊型包虫病超声图像小病灶的方法。方法:首先用轻量级特征提取主干网络GhostNet替换原特征提取主干,降低模型总参数量;其次为改善YOLOv7网络的评价指标CIoU在作为损失函数时,检测精度较低的问题,用更优的ECIoU替换CIoU,进一步提高模型检测精度。结果:在自建的肝囊型包虫病超声图像小病灶数据集上进行训练,结果显示改进后的模型大小为59.4 G,mAP@0.5检测精度为88.1%,相比原始的模型性能得到提升,并超过其余主流检测方法。结论:本文模型能更高效地检测并分类肝囊型包虫病超声图像中的病灶位置和类别。

基于形成性评价的本科生期末成绩影响因素研究

文章探讨形成性评价在计算机与信息技术基础课程研究中的应用,通过构建多重线性回归模型分析形成性评价各观察指标与学生期末成绩的线性关系并探讨不同专业对期末成绩的影响,有助于任课教师依据学生表现对学生期末成绩进行预估,从而调整教学方案,降低班级挂科率,具有较好的实用价值。结果表明,本次研究在形成性评价的基础上,对学生到课率、课件观看率、习题作答率、习题得分率、课堂提问、期中考试、记分作业、小测验得分率8个指标进行多重线性回归分析,其中对期末成绩造成积极影响的因素有课件观看率、习题作答率、习题得分率、小测验得分率,具有消极影响的有学生到课率,无影响的因素有课堂提问、期中考试成绩、记分作业。得出基于形成性评价的教学与传统的教学模式相比,既可提升教学效果,又能提高学生的自主学习能力。

基于YOLOv5l的囊型肝包虫病病灶检测研究

针对临床医生在诊断肝包虫病时需要通过个人经验判断囊型肝包虫病分型,研究基于目标检测算法的肝包虫病灶自动检测与分类模型,实现对肝包虫病超声影像的自动识别与分类。使用YOLOv5l模型作为囊型肝包虫病病灶目标检测的模型,利用本地肝包虫病超声影像数据集对网络模型进行训练。基于YOLOv5l模型与随机梯度下降算法(SGD)优化算法的肝包虫病病灶自动检测分类模型可以很好地对5种类型的病灶进行有效的检测,平均精度均值(mAP)为88.1%,经过测试,该模型的测试速度可达40 f/s。实验结果表明,基于YOLOv5l与SGD算法的肝包虫病病灶自动检测分类模型能够较好地识别病灶的具体位置,可以很好地辅助医生诊断肝包虫病。

Faster RCNN模型和SCP方法在肝包虫病病灶位置估计中的研究

临床医生凭借经验判断肝包虫病在肝脏区域常发病位置具有一定的主观性,因此,本研究将Faster RCNN目标检测模型应用于肝包虫病的检测,并与SCP方法结合对肝包虫病在肝脏区域的发病位置进行估计。本研究首先使用基于ResNet101网络的目标检测模型检测肝包虫病病灶,然后使用基于SCP方法建立的极坐标系统计肝包虫病在肝脏区域常发位置。实验结果表明基于ResNet101网络的目标检测模型能够有效提取目标的特征,检测准确率达到了89.6%,基于SCP方法统计出的肝包虫病常发病位置主要在肝脏的Ⅳ区、Ⅵ/Ⅶ区。本研究通过目标检测模型检测肝包虫病病灶,可以辅助医生诊断疾病,减少漏检、错检的发生。对于统计出的肝包虫病在肝脏区域的常发病位置,能够辅助医生早期发现疾病,做到早发现、早诊断、早治疗。