基于生态网络分析的南京主城区重要生态斑块识别

在城市化程度较高,用地极为紧张的大都市,识别重要的生态斑块对其进行保留和修复不仅对控制大城市的城市过度扩张、提升城市品质、优化人居环境具有重要意义,也具有较强可操作性。以南京市主城区为例,在GIS技术的支撑下,(1)将景观阻力分析和网络分析相结合,定量表征研究区的潜在生态廊道,构建生态网络,寻找生态节点;(2)对城市中生态斑块的特殊服务功能进行分析,筛选出具备河流生态防护、隔离工业污染和居民休闲功能的生态斑块;(3)对生态斑块的规模进行分析,提取面积较大的斑块。综合分析后识别出7个重要的节点斑块,建议对其进行立法保护和修复,划定为永久绿地或永久生态空间,并对其建设方向提出意见。

基于支持向量机的动脉硬化斑块识别

利用灰度共生矩阵提取斑块特征,选取能量、熵、惯性矩和相关4种有效特征值组成特征向量;结合粒子群算法构造支持向量机分类器,并对基于高斯径向基核函数的支持向量机分类参数进行优化。实验结果表明本文方法所消耗的时间相对较少,对常见的4种斑块的平均识别正确率达到92%,验证了方法的有效性。

基于深度学习的冠状动脉IVOCT图像中易损斑块识别算法研究进展

介绍了冠状动脉血管内光学相干断层成像(intravascular optical coherence tomography,IVOCT)图像中易损斑块的智能识别算法的研究现状,分析了传统机器学习算法在易损斑块识别领域的不足及深度学习算法的优势。从斑块分类、检测、分割3个方面阐述了基于深度学习的斑块识别网络的结构特征及针对性的结构改进方法,指出了现有基于深度学习的识别算法的局限性,提出了提升识别精度、理解易损斑块破裂机理是该领域的未来发展方向。

OCT影像下纤维斑块的自动识别算法

急性冠状动脉综合征(ACS)是冠心病(CAD)中最为凶险的,而导致ACS的主要原因是冠状动脉粥样硬化斑块易发斑块破裂,因此早期识别斑块十分重要。为此提出了一个针对冠脉OCT图像的基于局部特征的纤维化斑块自动识别的算法。首先我们对OCT图像进行预处理,提取纤维和非纤维的局部特征作为训练样本,然后利用卷积神经网络(CNN)的学习方法进行训练、测试,通过对待测OCT图像的测试,纤维斑块平均识别率达到91.36%。经有经验的医师检验,实验方法可以对纤维斑块的自动识别有很高的识别率。

基于血管内超声弹性成像的动脉斑块识别

血管内超声成像技术是冠脉检查新的"金标准",超声弹性成像技术与血管内超声成像相结合,在斑块分类和检测斑块易损程度上具有重要的应用价值。本文通过建立模拟血管分层结构的仿真模型,利用血管壁在心动周期内的收缩/舒张,得到不同血压值下的血管壁组织位移分布,从而获得组织应变。通过对不同压力间隔的血管壁弹性图进行分组对比获得了在一个心动周期内成像效果最佳的血压差组合;在最佳压力差条件下,通过仿真复合不同生物力学特性的斑块模型,验证了该方法能有效地识别不同杨氏模量的斑块特性。上述研究工作不仅具有较强的理论参考价值,在临床应用中也具有重要的指导意义和应用前景。

基于深度残差网络的冠状动脉CT血管造影图像斑块的识别算法研究

目的:研究探讨基于深度残差网络(ResNet)的冠状动脉CT血管造影(CTA)图像斑块的识别算法。方法:结合深度学习在图像识别中的优势,提出一种基于深度ResNet的冠状动脉斑块识别算法。选择三种不同深度的ResNet,卷积层数分别为18层、50层和152层,对来自100例患者的6000幅曲面重建(CPR)图像进行识别,最终选择出最适合冠状动脉斑块分析的ResNet深度,并用最佳网络深度辅助两名放射科诊断医师进行诊断,分析在实际临床应用中对斑块识别带来的影响。结果:不同网络深度的ResNet神经网络均能对冠状动脉斑块进行识别,其中ResNet-50的灵敏度最高为50.70%,ResNet-152的准确率和特异度最高,分别为86.28%和96.71%。选择ResNet-50网络辅助两名放射科诊断医师诊断准确率分别提升了10.91%和12.35%。结论:经过训练的ResNet神经网络可以有效对冠状动脉斑块进行识别,在适宜网络深度的ResNet的辅助下可以有效缩短放射科诊断医师的诊断时间,并且在保证特异性的同时提高诊断的准确性和灵敏度。

血管内光学相干层析成像技术在冠状动脉粥样硬化斑块检测方面的应用

血管内光学相干层析成像(IVOCT)技术近年来在冠状动脉粥样硬化斑块检测方面发展非常迅速,可实现血管内病变组织高分辨率、无辐射、实时在体成像,在临床诊断方面发挥了重要的作用。本文简要介绍了IVOCT的成像原理、生物组织光学特征参数以及色散系数的计算方法,并对动脉粥样硬化斑块的机器学习算法进行了概述,为构建斑块的智能识别系统提供了研究思路。

基于迁移学习和卷积神经网络多网络颈动脉图像分类检测研究

颈动脉超声检查是用于诊断斑块主要且方便的手段,从超声图像中准确获取关于斑块信息对于进一步临床诊断至关重要。由于超声仪器存在噪声的干扰以及人工技术操作差异,使得显示的切面图像不清晰、不标准,从而容易导致斑块的误检漏检。本研究提出一种基于迁移学习和CNN的深度学习算法多网络组合实现对颈动脉斑块更准确识别的研究。首先选取颈动脉清晰和模糊的共计2591张纵切面超声图像通过ResNet网络进行管腔质量分类控制;进行管腔分类后,选取清晰的软斑和硬斑信息的纵切面图像共计1114张,通过基于迁移学习的RetinaNet网络对其进行颈动脉管腔和斑块的分类检测并使用Faster R-CNN和SSD网络进行对比实验。对于管腔分类网络,测试集分类准确率达到93%;对于管腔和斑块分类检测网络,使用113张测试集图像得到管腔检测的平均精度在交并比(IOU)值为0.5时达到1,在IOU值为0.75时达到0.988,平均召回率达到0.869,均高于Faster R-CNN和SSD网络;得到硬斑和软斑检测的平均精度在IOU=0.5时分别达到0.899和0.855,平均召回率分别达到0.609和0.578。在进行颈动脉斑块分类识别前,进行颈动脉管腔图像的质量分类控制,能够有效避免图像不清晰带来的斑块误检,提高斑块检测的正确性,并对后续进行颈动脉三维重建具有重要意义。

CLUE-S模型在生态景观空间规划仿真中的应用

生态景观是城市建设中不可或缺的一部分,如果规划不合理会导致土地面积利用率不高。为此提出基于CLUE-S模型的生态景观空间规划优化方法。通过土地利用转移网络分析景观土地转移方向,并通过景观土地动态度分析模型描述景观土地在规划过程中的变化速度。分析生态景观空间内各个景观规划要素对应的属性及其属性的空间相关特征,从斑块识别和廊道规划角度出发规划生态景观空间,运用CLUE-S模型模拟空间土地布局,求解空间规划中土地的面积,实现对生态景观空间规划结果的优化。实验结果表明,所提方法的Kappa指数高,说明其规划结果和实际景观之间具有一致性,上述方法的规划效果较好。

国土空间背景下的江孜县生态廊道构建方法探讨

生态系统打造美丽江孜已成为新时代的要求。文章以水源地和生态服务极重要区内的图斑作为生态源,以高程、坡度等7个阻力因子构建阻力面,再通过Arcgis构建生态廊道;其次,通过识别出的生态退化斑块与双评价结合,分出需要近期、中期、远期进行整治的斑块;再把近、中、远期需整治斑块与生态廊道叠加分析,识别出需要近、中、远期进行整治的生态廊道的重要区段。综上所述,通过生态廊道的提取,为生态廊道重要区段的分期保护提供参考意见及保护措施。