一种新型编解码结构的结肠息肉分割算法研究

应用人工智能进行结肠息肉检测对医疗辅助系统十分重要,然而目前的分割模型存在准确率低、对部分样本细节难以识别的问题。因此,提出一种基于编解码结构的息肉分割模型。该模型采用跳跃轴向注意力解决梯度问题,利用适应联系训练弥补池化中信息丢失问题,使用双通道门控将低分辨率预测图细化为高分辨率显著图。在数据集CVC-ClinicDB与Kvasir-SEG上对该模型进行验证,从mIoU(平均交并比系数)、Dice(Dice相似系数)、Precision(准确率)和Accuracy(正确率)四个指标上与同类深度学习分割算法进行对比,结果为该模型在CVCClinicDB上,mIoU为0.903,Dice为0.947,Precision为0.933,Accuracy为0.933,在Kvasir-SEG上,mIoU为0.763,Dice为0.868,Precision为0.857,Accuracy为0.867,均优于同类深度学习分割算法,验证了该模型对样本细节部分具有更好的分割效果。

芯片毛细管电泳荧光检测器灵敏度的研究

本文采用倒置荧光显微镜,以汞灯为激发光源,自行设计组装了芯片毛细管电泳荧光检测系统。以荧光素异硫氰酸酯(FITC)为检测对象,对双通道门控光子计数器、CH151型光子计数探测器、电荷耦合器件(CCD)三种荧光检测器的灵敏度进行了比较研究。根据芯片毛细管电泳图谱分析,FITC在双通道门控光子计数器、CH151型光子计数探测器、CCD三种检测器中的检出限(S/N=3)分别为7.0×10-10mol/L,1.2×10-9mol/L,3.2×10-8mol/L。进一步采用CH151型光子计数探测器和CCD两种较常用检测器,对FITC和荧光素、曙红和荧光素两组荧光试剂的分离及检测进行了研究。结果表明,使用CH151型光子计数探测器作为检测器,灵敏度高,基线稳定,信噪比高。

基于多级别特征感知网络的中文命名实体识别

当前中文命名实体识别方法仅采用字级别或词级别特征方法进行识别,不能兼顾字和词级别的优点,难以获取足够的字形或者词义信息。针对此问题,该文提出一种基于多级别特征感知网络的中文命名实体识别方法。首先提出一种双通道门控卷积神经网络,通过感知字级别特征,在减少了未登录词的同时,也表示了字的字形信息。同时,为了获取词语的词义信息,该文在词级别的特征中嵌入对应位置信息。为了赋予实体更多的权重,该文利用自注意力机制感知带有位置信息的词级别特征。进一步,将上述得到的字级别和词级别信息融合,全面表示句子的语义信息。由于采用字词结合的方法容易产生冗余信息,该文设计一种门控机制的Highway网络,来过滤冗余信息,减少冗余信息对命名实体识别的影响,再结合条件随机场学习到句子中的约束条件实现中文命名实体的识别。实验结果表明,该文所提出的方法总体上优于目前主流的中文命名实体识别方法。