基于两阶段分析的多尺度颈动脉斑块检测方法

目的实现从超声图像中准确检测出多种尺度大小的颈动脉斑块。方法本文提出一种基于深度卷积神经网络的两阶段颈动脉斑块检测方法—SM-YOLO。依次运用中值滤波、直方图均衡化、Gamma变换等算法对数据集进行预处理,提高图像质量。模型的第1阶段基于YOLOX_l目标检测网络构建候选斑块集,添加多尺度图像训练和多尺度图像预测策略,以适应不同形状大小的颈动脉斑块。在第2阶段中,提取并融合方向梯度直方图特征(HOG)和局部二值模式特征(LBP),结合支持向量机分类器(SVM)对候选斑块集进行筛选得到最终的检测结果。将本文构建的模型与多个领先的目标检测模型(YOLOX_l、SSD、EfficientDet、YOLOV5_l、Faster R-CNN)进行定量和可视化结果对比。结果SM-YOLO在测试集上的召回率为89.44%,精确率为90.96%,F1-Score为90.19%,AP为92.70%,各项性能指标和可视化效果均优于其他几种模型。同时其检测时间比Faster R-CNN模型少3倍,基本满足实时检测的要求。结论本文的颈动脉斑块检测方法具有较好的性能,对于在超声图像中准确识别颈动脉斑块具有一定的临床应用价值。

基于深度学习的心电信号生成技术研究

随着人工智能技术的快速发展,运用心电图自动诊断模型辅助临床诊断成为一大研究热点,但仍存在着心电医疗数据难以获取、样本不平衡、数据隐私限制与泄露等问题。而大型免费医疗数据集的出现以及深度生成模型的发展,使得生成高质量的心电数据成为解决上述问题的有效方法。本文介绍了三种深度生成模型,分别为变分自编码器、生成对抗网络和去噪概率扩散模型,对其原理与特点进行了归纳和总结,然后将深度生成模型在心电信号生成领域中的应用进行了系统的分析研究,最后讨论了人工智能技术在心电信号生成领域的发展前景与趋势。

充氮气调储粮实仓应用试验总结

为适应储粮方式多样化“高质量、高效益、低损耗、低污染、低成本”的发展,要降低磷化氢药剂的使用量,福建省储备粮管理有限公司漳平直属库对储粮进行智能管理,所有仓廒覆盖充氮气调管道,并于2017年4月对充氮气调储粮进行了设备试机和实仓应用试验。

粮食入库后不同通风方式探索

新粮入仓后,需要进行通风均温,以减少温差。机械通风是最常用、最有效和最重要的储粮通风降温技术,是保证粮食安全储存和保持粮食品质的重要措施。漳平直属库地处亚热带地区,近年来冬季最低气温保持在弋以上。因此,在冬季用何种方式通风效率最高、水分损耗又低,成为储粮的关键环节。为此,我库开展了实验,对新入库的三个仓分别采取了自然通风、轴流机通风、离心机通风,以寻求最合理的通风方式。

人工智能预测心房颤动研究

探讨人工智能分析心电图预测心房颤动发作风险的有效性。人工智能应用于心房颤动的预测方法有基于早发性心房复合体的检测方法、基于P波形态学的分析方法、基于心率变异性(HRV)的分析方法和基于深度学习进行分析的方法。结果显示,基于HRV分析方法的房颤预测准确率达98.21%,基于深度学习进行房颤预测的准确率达93.56%。应继续优化基于HRV特征的分析方法以及将一些新技术引入房颤预测领域,以期达到更好的预测效果。