基于LesionMix数据增强和熵最小化损失的半监督肺癌CT影像分割

目的基于LesionMix数据增强和熵最小化损失建立一种半监督肺癌CT影像分割方法——熵最小化病灶增强(EMLM)。方法首先,提出LesionMix数据增强方法,即通过对少量有标注的CT影像进行病灶信息提取并重复利用,来提升标注数据的利用效率。其次,提出两阶段半监督训练策略,第一阶段通过LesionMix数据增强方法使模型快速学习到少量标注数据的病灶特征,第二阶段使用熵最小化损失函数使其拟合真实数据分布情况,提高模型分割效果。最后,在LIDC-IDRI数据集上,通过对比实验和消融实验评估EMLM方法的分割性能。结果对比实验结果显示,在30%和10%标注比例的情况下,EMLM方法的戴斯相似度系数(DSC)均高于当前6种最佳半监督分割方法(URPC模型、UAMT模型、RD模型、MT模型、AEM模型、CPS模型),在50%标注比例的情况下,EMLM方法的DSC高于MT模型、RD模型、CPS模型、UAMT模型(P<0.05)。消融实验结果显示,使用Baseline模型同时配合EMLM方法时的DSC大于仅使用Baseline模型或者使用Baseline模型单独配合熵最小化损失(P<0.05),与使用Baseline模型单独配合LesionMix数据增强方法差异无统计学意义(P>0.05)。结论对于肺癌病灶分割,EMLM方法可以有效降低对标注数据的依赖并实现良好的分割效果。LesionMix数据增强方法与熵最小化损失实现了对肺癌病灶的重复利用,提高了标注的利用效率,同时可以更好地拟合真实数据分布情况而获得更佳的分割结果,从而有效提升了模型对肺癌病灶的分割能力。

Q对称熵损失下Weibull分布尺度参数的Bayes估计

在Q对称熵损失函数下,对参数的先验分布选取伽玛分布,研究Weibull分布尺度参数的Bayes估计问题。利用随机模拟,验证Weibull分布在Q对称熵损失函数下参数Bayes估计的合理性,在重复模拟下比较极大似然估计和两个Bayes估计的均方误差。结果显示,参数的Bayes估计效果更为理想,最后实例表明参数估计效果与随机模拟结论一致。

对称熵损失下指数分布的参数估计

研究指数分布的刻度参数在对称熵损失下的最小风险同变估计及Bayes估计，并讨论（cT＋d）－1形式估计的可容许性与不可容许性．

熵损失下Poisson分布参数倒数的估计

研究在熵损失函数下 ,Poisson分布参数倒数的估计 ,得出在熵损失下 ,[c T( X ) +d] -1 形式的一类估计的可容许性和不可容许性 。

熵损失函数下几何分布可靠度的Bayes估计

本文在几何分布的先验分布为幂分布时研究了其在熵损失函数下,可靠度的多层Bayes估计及其容许性,给出了可靠度的多层Bayes估计的计算公式.通过实例验证,在熵损失函数下计算出的几何分布可靠度的多层Bayes估计是稳健的,并进一步表明在熵损失函数下计算出的几何分布可靠度的多层Bayes估计值比其在平方损失函数下算出的结果精度更高.

对称熵损失下两个指数总体均值的序约束估计

在对称熵损失下,讨论了样本容量相等时,两个指数总体均值iλ(i=1,2)的约束极大似然估计^iλ的风险,其中约束为λ1≤λ2.证明了^λ1与^λ2具有比经典极大似然估计X-1与X-2更小的风险,并给出了当λ2/λ1→∞和n→∞时,^λi对Xi-(i=1,2)渐近功效e(^λi,X-i)的值.

熵损失函数下定时截尾情形参数的Bayes估计

给出了在熵损失函数下，指数分布参数的Ｂａｙｅｓ估计．在给出先验分布的条件下，得到了Ｂａｙｅｓ估计的精确形式．

熵损失函数下刻度参数估计的不变性和本质完全类

讨论在熵损失函数下，刻度参数的可容许估计的不变性及Bayes估计的不变性，证明在熵损失函数下，刻度参数所有依赖于充分统计量T的非随机化判决构成一个本质完全类．

在熵损失函数下定数截尾情形的参数估计──指数分布情形

本文研究了在熵损失函数下，定数截尾时指数分布的参数估计，得出在熵损失函数下的最小风险同变（ＭＲＥ）估计的精确形式．证明了（ｃＴ＋ｄ）^(－１)形式的一类估计的可容许性和不可容许性．

熵损失下心理状态数的统计推断

通过引进信息论中的熵距离作为损失函数 ,讨论了心理状态数的 Bayes估计及其可容许性问题 ,并给出随机模拟结果和检验操作者心理状态的检验方法 .

p,q-对称熵损失函数下指数分布的参数估计

用参数估计方法,研究指数分布的刻度参数在p,q-对称熵损失函数下的最小风险同变估计(MRE)、Bayes估计和M inimax估计,并讨论了具有[cT+d]-1形式的估计量当0≤c<c*,d>0;c=c*,d>0时是可容许的,当c<0或d<0;0<c≠c*且d=0;c>c*且d>0时是不可容许的.

q对称熵损失函数下指数分布的参数估计

提出对称熵损失函数的一般形式(λ/δ)q+(δ/λ)q-2(q>0),即q对称熵损失.讨论指数分布的尺度参数在此损失函数下的最小风险同变估计、Bayes估计和最小最大估计,给出了更具一般性的结论,并研究了(cT+d)-1形式估计的可容许性和不可容许性.

q-对称熵损失函数下Gamma分布的尺度参数的估计

本文在对称熵损失函数的基础上定义了q-对称熵损失函数,并用参数估计的方法研究了在q-对称熵损失函数下Gamma分布的尺度参数的最小风险同变估计(MRE)、贝叶斯(Bayes)估计、最小最大(Mininax)估计等。我们还对这些估计量的可容许性和不可容许性进行了讨论,最后分别对指数分布和Gamma分布在两种损失函数下的估计结果进行了数值比较。

q对称熵损失函数下正态总体刻度参数的估计

用参数估计的方法,研究均值为0的正态分布中刻度参数在q对称熵损失函数下的最小风险同变估计、Bayes估计和M inimax估计,并讨论了[cT+d]1/2形式的估计量当0≤c<c*,d>0;c=c*,d≥0时是可容许的,当0<c≠c*,d=0;c>c*,d>0时是不可容许的.

熵损失下无失效数据的Bayes估计

讨论了在熵损失下定时截尾数据的Bayes估计问题,将无失效数据看作逐次定时截尾试验的结果,进而得到无失效数据的Bayes估计,利用相关定理证明该估计是容许的。通过数值例子,进一步说明所得估计的合理性。

熵损失函数下指数分布产品寿命绩效指标的Bayes统计推断

寿命绩效指标为衡量产品质量的一项重要指标,其统计推断研究具有重要的意义。针对产品寿命服从指数分布情形的寿命绩效指标的统计推断问题,在熵损失函数下导出了寿命绩效指标的Bayes估计,并在此基础上提出了一套新的检验程序用于产品质量。最后通过实际应用例子说明了方法的有效性和可行性。

基于对称熵损失和记录值样本的指数分布模型参数的估计

文章在对称熵损失函数下,基于记录值样本,得到了指数分布参数的最小风险同变估计、Bayes估计和经验Bayes估计,并讨论了一类cXU(n)+d形式估计的可容许性和不可容许性,其中XU(n)为第n个上记录值。

对称熵损失函数下两参数Lomax分布形状参数的Bayes估计

在对称熵损失函数下,文章讨论了两参数Lomax分布形状参数的Bayes估计,经验Bayes估计,并讨论了一类(cT+d)-1形式估计的可容许性和不可容许性。

熵损失函数下巴斯卡分布参数的Bayes估计

研究在熵损失函数下 ,巴斯卡分布可靠度的 Bayes估计及其可容许性 ,并且给出 Bayes置信下限以及多层

熵损失下一类广义指数分布刻度参数的经验Bayes估计（英文）

本文在熵损失函数下获得一类广义指数分布刻度参数的贝叶斯估计,并构造了相应的经验贝叶斯估计.在适当的条件下证明所提出的经验贝叶斯估计的渐近最优性并获得了其收敛速度.最后,给出一个有关本文主要结果的例子.