肾细胞癌与乏脂肪肾血管平滑肌脂肪瘤的鉴别分类模型:基于随机投影的多分类器分层融合框架

目的研究基于随机投影的多分类器分层融合的分类模型对良性肾小肿块乏脂肪肾血管平滑肌脂肪瘤(<4 cm)(AMLwvf)和恶性肾小肿块肾细胞癌(RCC)的鉴别能力。方法回顾性收集163例经病理证实存在肾小肿块的患者,其中118例为肾细胞癌,45例为乏脂肪肾血管平滑肌脂肪瘤,对平扫CT图像中病灶面积最大的代表性切片进行目标感兴趣区域(ROI)勾画,利用放射组学特征构建一个层次型的融合框架。在投影域水平上对同质分类器进行融合,然后在分类器水平上对融合结果进行进一步融合,最终得到基于随机投影的多分类器分层融合的AMLwvf和RCC鉴别分类模型。采用五折交叉验证方法和特异性(SPE)、灵敏度(SEN)、准确率(ACC)、ROC曲线下面积(AUC)评价AMLwvf与RCC鉴别分类模型的性能。将本研究所提模型与使用单一基分类器算法以及几种传统的集成模型对AMLwvf和RCC的鉴别分类能力进行定量比较,验证本研究所提鉴别模型的可行性和有效性。结果投影数设置为10时,本文提出的分层融合鉴别模型在所有指标上获得最好的结果。基于投影数为10的前提,五折交叉验证结果显示本研究所提出的基于多分类器分层融合的AMLwvf和RCC鉴别分类模型的SPE、SEN、ACC、AUC分别为:0.853、0.693、0.809、0.870。结论基于随机投影的多分类器集成分类系统构建的AMLwvf和RCC鉴别模型可以很好地对AMLwvf和RCC进行鉴别分类。同时与基于单一分类器算法以及其他多分类器集成系统构建的AMLwvf和RCC的鉴别模型相比,本文所提出鉴别模型在AMLwvf和RCC的鉴别分类任务中具有较大优势。

基于红外图像识别技术的道路与桥梁故障诊断

针对传统道路与桥梁故障诊断方法识别效率低、数据误差大等问题,提出了一种基于红外线图像识别的智能监控系统,并采用装有红外对射光栅的故障监控机进行监测,实现图像识别、数据管理和应用为一体化。该系统包含分层图像融合框架,采用逐层深度学习技术挖掘图像的细节信息,提取图像的关键信息进行词典学习。根据形态相似性,将源图像分为平滑、随机和主方向的面片。分别采用基于Max-L1和L2-范数的加权平均融合规则对三个图像块组的高频分量和低频分量进行融合。将融合后的低频分量和高频分量进行组合,得到最终的融合结果。对比实验验证了所提出的图像融合方案的实用性和可靠性,在相同的图像分割参数下,本模型计算得到的故障监测率为94.14%。