定制化与通用模型在宫颈癌危及器官勾画准确性中的比较

目的:对比分析定制化自动勾画模型和商品化通用勾画模型在宫颈癌危及器官勾画中的差异,探讨定制化模型的可行性。方法:回顾性选取270例宫颈癌患者,由资深临床医生勾画其膀胱、直肠、小肠、骨盆骨髓、股骨头及肾脏等器官。随机选取病例构建定制化勾画模型,其中202例作为训练集,30例作为验证集,38例作为测试集。在测试集上,使用定制化模型和通用模型进行勾画预测。对比测试集在两种模型下的结果与手动勾画的结果,评估定制化模型的性能。结果:从DSC值上分析,定制化模型/通用模型与手动勾画相近,均表现出良好的勾画效果(DSC值:0.7~0.9)。然而,在质心偏差和95%豪斯多夫距离这两个关键指标上,定制化模型优于通用模型。结论:与通用模型相比,定制化模型能更准确地勾画宫颈癌危及器官的结构。定制化模型根据特定数据集优化,为临床决策提供精准支持,展现其在宫颈癌治疗中的广阔应用前景。

基于条件信息熵的区间集决策信息表不确定性度量

该文研究区间集决策信息表中基于信息熵的不确定性度量。针对区间集决策信息表,该文提出一个δ-区间相似关系来描述对象之间的关系。将Pawlak粗糙集模型的近似精度和近似粗糙度等不确定性度量概念,扩展到区间集决策信息表中。通过分析扩展的δ-区间近似粗糙度和δ-区间近似精度,可以发现这两种度量对粒度结构的变化并不敏感。结合条件信息熵,该文提出了一种δ-区间决策条件熵来度量区间集决策信息表的不确定性。对δ-区间近似粗糙度,δ-区间近似精度和δ-区间决策条件熵相关性质进行了分析和证明。通过实例验证了δ-区间决策条件熵能够有效、准确地度量区间集决策信息表的不确定性。

轻量化MSP-CenterNet目标检测方法

针对目标检测算法参数多、计算量大以及上下文信息融合度较差的问题,本文提出一种基于CenterNet的融合上下文的轻量化MSP-CenterNet模型。首先,MobileNetV3轻量化网络作为骨干网络,实现参数量和模型的缩减;其次,用SPP模块增加网络的感受野;最后,结合简化版PANet,将上下文信息更好的融合,从而提升网络的检测精度。在PASCAL VOC数据集上进行测试,MSP-CenterNet模型的mAP为80.2%,速度为42FPS,模型大小为38.7MB。相比CenterNet在准确率仅低3.2个百分点的情况下,检测速度FPS提升约40%,模型缩减约2/3,更具有适用性。