加权Fisher卷积神经网络乳腺癌检测模型

乳腺癌是女性发病率最高的癌症,已经严重威胁到女性生命健康。随着医院影像数据量的爆炸式增长和计算机图像分类技术的不断涌现,基于人工智能技术的医学图像分类也逐渐应用于大型医院的科研、临床应用中。将这种手段运用于乳腺癌影像检测中,对其辅助诊断和病理研究有着重要的意义。该文提出一个新的代价函数加权Fisher准则并将其应用于乳腺癌检测的卷积神经网络模型中,其目的在于保证图像输出值和样本标签之间的残差最小的同时,使得同类样本距离越近越好,异类样本距离越远越好,从而加强模型对乳腺癌的分类能力。在公开数据集和医院提取的真实数据上的实验表明,加权Fisher准则能有效提升卷积神经网络的收敛时间和识别率,同时基于改进的LetNet-5相较改进的AlexNet有更优的效果。将加权Fisher的LetNet-5卷积神经网络模型用于乳腺癌辅助诊断,具备一定的临床价值和应用前景。

实时嵌入式应用的锂电池新型SOH估计方法

提出了一种既考虑容量退化、又考虑内阻增长的SOH估计方法,用嵌入式系统中可以直接测量且计算不那么复杂的健康指标来表示。估计结果表明,该方法提高了估计精度47.59%以上,平均减少了29.20%的推理时间。在一个实际的嵌入式系统上使用多个数据集进行了所有测试,以验证所提方法的准确性和有效性。

应用需求驱动的数字病案资源管理体系构建

病案作为记录患者在医疗机构完整诊疗过程的结果文档,使用需求与日俱增,导致安全存储和充分利用的矛盾日益突出。本文分析医院内外各应用场景中对病案资源的需求特点及存在问题,结合国家、医院对病案管理和患者隐私保护等要求,提出针对不同类型病案的处理方式和数据集成框架,通过设计不同的资源调阅方式,结合数字水印、加密等安全技术和权限管理,建立一套安全、高效的病案资源管理框架,更好满足各个应用场景的特殊要求。该架构有效解决了医疗机构内部、患者及第三方机构在使用病案资源时所面临的核心问题,提高了资源使用效率,并完善了对患者数据的隐私保护机制,为病案管理者和各类使用者提供了更加高效、合规、安全的资源使用方式。