基于自反馈阈值学习的半监督皮肤癌诊断模型

为解决监督学习皮肤癌诊断模型的训练需要大量数据标注,且医学专家标注工作成本高、耗时长、易疲劳等问题,提出了一种基于自反馈阈值学习(Self-Feedback Threshold Learning,SFTL)的半监督皮肤癌诊断方法.在标注数据预训练的ResNet网络基础上,引入全局和局部类别间伪标签自反馈阈值学习机制动态筛选ResNet预测概率大于自反馈阈值的无标记样本,引入无监督阈值学习损失和分类交叉熵损失进行模型训练,在标记样本稀缺的情况下深入挖掘无标记数据的鉴别诊断信息,显著降低模型在无标记皮肤病变图像中的误判率.选取公开数据集HAM10000的皮肤病变图像展开实验验证,在仅需50%标记数据下实现了0.8229的准确率和0.7651的F1分数,证明所提出的SFTL模型在半监督场景下可有效解决皮肤癌诊断任务,相比其他同类方法具有更好的分类性能.

线阵CCD对钢丝的杨氏弹性模量的测量

随着光电产业技术在不断的发展与进步,对微小形变量的测量方法越来越多样化,自CCD产生以来,它的很多优点使得它在测量上得到了很好的应用,使得测量精确度得到很大的提高,操作上更加方便快捷.本文研究线阵CCD对杨氏模量的测量,设计思路是：利用线阵CCD及激光器、结合计算机等相关处理软件,对传统方法测量杨氏模量进行改进,将所得数据进行分析,总结出CCD在微小形变测量中的优点.

基于增强图卷积神经网络的病毒形态识别方法研究

背景透射电子显微镜(TEM)是检测病毒的重要手段,传统TEM检测常依靠专家手工观察,操作步骤繁琐,且已有机器学习方法易受到背景、噪声的影响,导致病毒检测方法准确率差、效率低且耗时长。目的探讨增强图卷积神经网络(EGCN)对TEM图像中的病毒形态自动识别问题,以提高TEM病毒检测的效率。方法EGCN模型利用卷积神经网络(CNN)提取像素间的局部特征信息,并结合样本特征之间的最近邻关系利用图卷积网络(GCN)进行图特征学习。在模型优化中联合优化群体超分类损失和分类交叉熵损失以提高EGCN模型对病毒类别信息特征的提取能力,较CNN对TEM病毒图像特征具备更强的特征提取能力。结果通过不同方法在15类TEM病毒图像数据集上开展实验,EGCN达到3.40%的top-1错误率、1.88%的top-2错误率、96.65%的精确度和96.60%的召回率,并通过一系列对比实验表明EGCN模型可以有效避免TEM图像中背景、噪声等的影响,提高对病毒识别的准确率。结论EGCN可以有效解决病毒形态识别任务,为病毒的诊断提供重要的参考价值。

基于ACE2作为阻断SARS-CoV-2感染及治疗COVID-19心血管并发症新靶点的研究进展

血管紧张素转换酶2(ACE2)是肾素-血管紧张素系统的关键调节因子,其通过调节血管张力、体液和电解质平衡在心血管稳态中发挥重要作用,有望作为一种非药物性干预靶点应用于临床。ACE2亦是严重急性呼吸综合征冠状病毒2进入宿主细胞的受体,参与了冠状病毒的细胞入侵过程,对病毒所致心血管并发症的发生发展具有重要影响,深入研究ACE2在冠状病毒致病过程中所发挥的作用及机制对于新型冠状肺炎及远期并发症的防治具有重要意义。