CT影像组学模型对肾上腺腺瘤亚型鉴别的价值

目的探讨基于多期相CT影像组学模型鉴别肾上腺腺瘤亚型的临床价值。方法回顾性收集经术后病理证实为肾上腺腺瘤的病人195例,均于术前行肾上腺CT平扫及增强检查。将病人按8∶2比例随机分成训练集(156例)和验证集(39例)。根据激素分泌水平将病人分为功能性肾上腺腺瘤组(70例)和无功能性肾上腺腺瘤组(125例)。基于病人CT平扫及增强影像提取1521个影像组学特征,通过随机森林算法筛选保留8个最优影像组学特征,采用支持向量机(SVM)算法并经5折交叉验证,分别构建平扫期、动脉期、静脉期、延迟期及各期融合的影像组学模型。2组间临床和CT影像特征的比较采用t检验、Mann-Whitney U检验、卡方检验。绘制受试者操作特征(ROC)曲线,计算ROC曲线下面积(AUC)、准确度、敏感度、特异度以评估模型效能。结果功能性肾上腺腺瘤组的血钾低于无功能性肾上腺腺瘤组,而高血压病人占比高于无功能性肾上腺腺瘤组(均P<0.05)。验证集中,平扫期影像组学模型的诊断效能(AUC=0.813)、准确度(0.759)、特异度(0.814)均最高。结论基于CT不同期相的影像组学特征结合SVM构建的影像组学模型可无创性鉴别肾上腺腺瘤亚型,具有一定的临床价值,有助于临床决策。

基于改进的Faster R-CNN的息肉目标检测和分类方法

为了解决结肠镜下腺瘤性息肉和增生性息肉不易分型的问题,提出一种基于改进的Faster R-CNN的目标检测及息肉分类模型.在数据预处理阶段,对原有的2426张息肉图像(1582张腺瘤性息肉图像,844张增生性息肉图像)通过2种方式进行图像增强,并且通过改进的特征提取、边界框回归以及非极大值抑制的网络,用602张图像(386张腺瘤性图像,216张增生性息肉图像)进行测试.通过实验证明,在交并比(IoU)取0.5时,获得了86.8%的平均精度均值,相较于改进之前提升了2.3%.实验结果验证了该模型的潜在临床应用价值.

肾透明细胞癌数字病理图像细胞核ISUP分级预测

针对全切片数字病理图像中的肾透明细胞癌进行精准的细胞核分级并改善肾癌的治疗和预后,提出了一种基于多尺度通道信息拼接与融合残差网络的ccRCC病理图像国际泌尿病理学会核分级方法。通过多尺度通道信息拼接将不同阶段的语义信息进行融合,从而在不损失深度信息的同时提取更多的浅层特征,实现更准确的分类效果。实验收集了90例病人的肾组织病理切片,对WSI图像进行裁切和增强后,按照4:1的比例分成训练集和测试集。在训练集上对CSFNet卷积神经网络模型参数进行迭代优化,并在测试集上验证模型性能。实验结果表明,提出的CSFNet模型鉴别ISUPⅠ级、ISUPⅡ级、ISUPⅢ级和正常病理图像的宏平均AUC与微平均AUC分别为0.9758和0.9794,准确率为88.00%,精确率为88.36%,召回率为86.67%,F1分数为87.32%,且优于其他主流的分类网络模型,因此,本文所提出的肾透明细胞癌病理图像ISUP细胞核分级模型有良好的诊断效能,具有潜在的临床应用价值。

基于MSSA+IESN+MFFN组合算法的齿轮箱早期故障智能诊断

齿轮箱故障诊断存在变速工况、样本数量偏少以及会形成强噪声情况,提出了一种通过多尺度特征融合网络(MFFN)实现故障诊断技术。对初始时域信号拓展形成多特征域,建立造多维堆栈稀疏自编码器(MSSA)对不同特征域进行故障采集,通过粒子群算法优化回声状态网络(IESN)进行信号处理。研究结果表明:样本充足条件下,MFFN模型诊断时,定速工况为99.15%,变速工况为98.46%,达到了更高准确率并降低了标准差。在样本不足条件下,深度特征融合网络(DEFN)和MFFN对于样本数量减少表现出了优异鲁棒性,MFFN达到了更优的性能。在噪声干扰场景下,采用MFFN依然能够达到85%的准确率。该算法具备更优抗干扰性能,采用多维特征提取能够更好地适应处于强噪声干扰环境。该研究为实现传动系统的稳定运行提供了理论参考。

YOLOF-CBAM:一种新的结直肠息肉实时分类与检测方法

针对目前常见的计算机辅助检测系统对结肠镜图像中息肉的分类与检测准确性和实时性不足的问题,提出了一种以YOLOv4为基本框架,结合空间注意力机制与改进特征融合层的YOLOF-CBAM模型,可对白光和窄带成像双模态内镜图像中的增生性息肉与腺瘤性息肉进行实时分类与检测。为了使息肉的特征提取更准确,在YOLOv4的主干网中增加CBAM模块,使网络特征提取层关注到更加重要的空间以及通道信息,抑制不必要特征向下传递;在此基础上,通过对特征融合层PANet进行剪枝操作优化网络结构,以此减少网络参数量,进一步提高模型的检测速度。为了对改进后的模型进行训练和测试,从河北大学附属医院收集了2988张包含了白光和NBI的内镜图像,并按照9∶1的划分比例划分为训练集和测试集。实验结果表明,YOLOF-CBAM在测试集上的mAP值为86.44%,识别增生性息肉和腺瘤性息肉的召回率分别为89.62%和85.64%,精确率分别为91.35%和85.19%,且实时分类速度达到47 FPS,证明所提出的模型具有潜在的临床应用价值。

改进EfficientNet网络的COVID-19 X光分类

针对新冠感染蔓延速度快、新冠医学图像的人工诊断耗时长、压力大、医疗资源不平衡等诸多问题,在轻量级网络EfficientNet-B0的基础上引入新的注意力模块ECBAM,提出一种EfficientNet-ECBAM网络。首先用此模块替换EfficientNet-B0网络结构中SE模块能够改善其因降维操作导致部分细节丢失的问题。其次,因为ECBAM模块能在通道和空间2个维度进行特征提取,亦能改善SE模块提取图片特征信息不充分的问题。在选用的COVID-19胸部X光数据集上进行的实验得出,基于EfficientNet-B0网络改进后的EfficientNet-ECBAM网络的准确率比经典卷积神经分类网络VGG16、ResNet-50分别提升了3.76个百分点和2.13个百分点,特异性及敏感性等指标也均有提升,模型参数量也分别降低了97.3%、85.6%,比轻量级网络SqueezeNet、MobileNet V1的准确率分别提升了2.97个百分点和2.44个百分点。在消融实验中,改进的ECBAM模块的各项指标也优于其他注意力模块。实验结果表明,本文提出的EfficientNet-ECBAM网络模型具有分类性能好、参数量低、计算量小的优势,利于部署在经济欠发达地区的医疗机构。

飞秒脉冲激光产生及捕获微气泡的实验研究

采用高速光学摄像及高频超声成像技术对飞秒脉冲激光在介质水中发生光学诱导击穿的过程进行实验研究.结果表明,光学诱导击穿产生后,在高能激光自聚焦的焦点处产生一系列微气泡,最后只有一个微气泡可以被激光束稳定地捕获,并且这个微气泡可以在超声作用下进行非接触式三维操控.进一步分析了沿激光束产生和捕获的微气泡的时空特性以及激光束捕获微气泡的力学特性.实验结果为应用微气泡进行分子水平的靶向性治疗提供了全新的技术手段.

模糊决策树匹配算子的推理能力对比研究

模糊决策树推理是机器学习领域中的一种解决分类问题的有效算法,模糊推理方法的选择在很大程度上影响推理的性能和效果.对Min-Ambiguity,Fuzzy ID3和加权模糊决策树3种推理机制进行了对比研究,选择了推理过程中4种常用的算子(∨,∧)、(∨,×)、(+,∧)和(+,×)进行了对比分析,并在理论分析和实验验证的基础上提出了优先选择乘法算子(+,×)和(∨,×)的建议.

整合驻保高校教育资源服务“低碳保定”建设的对策研究

近年来,保定低碳经济的发展为保定市高等教育资源整合提供了良好的发展机遇,驻保高校应通过有效整合和联动发展为"低碳保定"提供技术和人才支撑。

模糊决策树中四种匹配算法的对比研究

模糊决策树推理是基于模糊表示的示例学习的一种重要方法,模糊推理方法的选择在很大程度上影响推理的性能和效果。本文介绍了四种基于不同模糊算子的模糊推理方法,并通过实验对这些方法的训练精度和测试精度进行了评判和排序。

一个基于SOAP消息的Web服务综合安全模型

在通用Web服务模型的基础上,提出一种基于SOAP(简单对象访问协议)消息的Web服务综合安全模型.其中增加两个功能模块:Web服务安全平台,用来生成管理密钥对、数字证书和Web服务双方的身份认证;SOAP消息安全代理包,用来保障Web服务消息的安全性.利用现有的工具包对模型进行了实现,并在一个具体的系统平台上对其进行了安全性测试,结果表明对SOAP消息加密成功,同时实现了证书、密钥的发放和管理.保证了Web服务在一个安全的环境中运行.

基于sECANet通道注意力机制的肾透明细胞癌病理图像ISUP分级预测

为了对肾透明细胞癌(ccRCC)进行准确核分级以改善肾癌的治疗和预后,该文提出一种新的通道注意力模块sECANet,通过计算特征图中当前通道与临近通道以及当前通道与远距离通道之间的信息交互来获取更多有用的特征。实验中收集了90例患者的肾组织病理图像,进行裁切和增强后采用五折交叉验证法对改进后的网络在Patch级别进行验证。实验结果表明,该文所提出的模型在Patch级别上鉴别ISUP分级的准确率为78.48±3.17%,精确率为79.95±4.37%,召回率为78.43±2.44%,F1分数为78.51±3.04%。进一步地,对每个病例所有Patch的预测结果采用多数投票法得到Image级别的分类结果,所有病例的准确率为88.89%,精确率为89.88%,召回率为87.65%,F1分数为88.51%。因此,sECANet在Patch级别和Image级别上均优于其他注意力机制和基本网络模型ResNet50。据此,该文所构建的病理图像ccRCC ISUP分级模型有良好的诊断效能,可以为患者的治疗和预后提供一定的参考。

一种基于GA_Faster R-CNN的掌指骨骨折计算机辅助诊断系统

为解决临床掌指骨骨折诊断中难检测、易漏诊的问题,对如何更加准确地检测和定位X线图像中掌指骨骨折区域进行实验研究.开发了一种基于深度学习的计算机辅助诊断系统,改进了Faster R-CNN网络模型中的锚框、特征映射和损失函数,在节约算力的同时大大提高了网络性能.建立了包含5195张手部的X线图像的数据集,其中随机抽取4675张作为训练集,520张作为测试集.实验表明,提出的新模型在测试集上的平均精度达到了69.3%,与Faster R-CNN相比能够更加精准地识别出掌指骨骨折区域,验证了该模型具有潜在的临床应用价值.

基于多尺度上下文信息融合的条件生成对抗神经网络用于低剂量PET图像去噪

PET成像在信号采集过程中存在辐射暴露风险,在保证成像质量的前提下需要尽可能降低示踪剂的使用剂量。这将导致PET图像伪影及信噪比低等问题。本文提出一种基于多尺度上下文信息融合的条件生成对抗网络,用于优化PET图像重建,以提高PET图像的图像质量。通过对作为生成器的编码器-解码器网络的跳过连接进行重新设计,提出一种基于多尺度上下文信息融合的跳过连接,使解码器能够在解码过程中获取来自编码器更加丰富的语义特征。采用使生成器网络学习低剂量PET图像的噪声分布的策略,降低了网络的学习难度。在低剂量PET数据集上对所提出的网络进行评估,峰值信噪比为29.948±4.062,结构相似性系数为0.926±0.030,标准均方根误差为0.395±0.211。相比于传统去噪算法Non-Local Mean和Block-Matching 3D以及2种深度学习方法RED-CNN和以U-Net为生成器的条件生成对抗网络,本文所提出的网络均取得了更加优越的性能表现。

一种基于改进YOLOv5s网络的结直肠腺瘤实时检测方法

为解决现有的基于深度学习的结直肠息肉检测算法计算复杂或检测精度较低,不能在速度和精度方面同时满足实时检测的问题,提出了一种基于单阶段目标检测网络YOLO(you only look once)v5s的结直肠腺瘤实时检测方法.在YOLOv5s的主干网中融入通道注意力机制,并以BCEWithLogitsLoss代替其原有的交叉熵损失函数BCELogits,以此提升网络性能.选取2074张腺瘤图片和包含19700帧的20段腺瘤视频,按照3∶1的比例构建结直肠腺瘤训练集和测试集.测试结果表明,结直肠腺瘤检测的平均精度为93.6%,检测速度为93帧/s,验证了该系统可以在肠镜的退镜过程中实时检测腺瘤性息肉,且具有较好的检测性能.

超低功耗手持式检波器测试仪

设计了手持式检波器测试仪,选取超低功耗的16位单片机MSP430系列为主控MCU,模拟部分硬件采用最新设计思路的低压供电,软件采用低功耗的智能处理策略,以实现超长待机。

基于软件Agent面向Web services的工作平台

本文提出了基于软件Agent面向Web services的工作平台,在此平台中软件Agent独立与用户交互,查询满足用户需求的Web services,并将Web services组合成满足用户需要的业务。软件Agent在业务运行时触发Web services,并监视其执行过程,控制平台的一切行为。

基于μC/OS-Ⅱ的手持式检波器测试仪的低功耗实现

手持式检波器测试仪选取超低功耗的16位单片机MSP430为主控MCU,选择μC/OS-Ⅱ作为系统地实时操作系统,采用低功耗的智能处理策略,实现多任务处理、超长待机,便于野外长时间作业。

不同注意任务类型及难度对猕猴微眼动的影响

微眼动是视觉注视过程中幅度最大、速度最快的眼动,可以消除由于神经系统适应性而产生的视觉衰退现象,在视觉信息处理过程中发挥着重要作用.基于微眼动与视觉感知功能的相关性,设计实验研究猕猴完成显性、隐性注意任务以及不同难度显性注意任务时,视觉注视情况下微眼动的差异.通过对不同难度显性注意任务下微眼动的参数进行比较,发现随着任务难度的增加,微眼动的幅度、速率和频率都被抑制.另一方面,对比不同类型的视觉感知任务(显性注意和隐性注意),发现在相似的实验范式下,隐性注意对微眼动的频率有明显的抑制作用,但幅度和频率没有得到一致的结果,这表明视觉注意任务类型的不同或将导致猕猴完成任务的策略不同.这些工作将为今后进一步研究微眼动产生的神经机制以及视觉注意过程中眼动的作用机制奠定良好的基础.

基于残差混合域注意力网络的PET超分辨率重建方法

正电子发射断层扫描(PET)设备的成像结果常受到扫描时间、示踪剂剂量等因素的制约,导致图像质量下降,影响医生的诊断结果。目前借助人工智能(AI)技术提升PET成像质量是研究的热点,针对现有方法训练参数多,浅层信息丢失,纹理细节损失等问题,提出了一种基于残差混合域注意力网络的PET超分辨率重建方法。该方法设计了一个轻量级的卷积网络,在其中加入残差学习结构并融入混合域注意力块,在增强神经网络的交互性的同时,提高了对高频信息区域的关注度,能够快速重建图像的高频细节。数据集包括网络中的开源数据和从医院获取的临床数据,由此建立PET图像超分辨率数据集,进行训练和测试。实验结果表明,该算法与对比网络在测试结果上有明显提升,当比例因子为4时,与CARN相比,PSNR和SSIM的平均值分别提高了0.09 dB和0.0009,此外参数数量减少了50.26%,有效提升了模型的重建效率。