胃肠肿瘤早期诊断联合检测标志物研究进展

胃肠肿瘤(Gastrointestinal tumor)是临床一类性质优良或恶性的消化系统病变,数据显示近年来胃肠肿瘤发病率持续上升,引起广泛关注;由于胃肠肿瘤具有明确良性、恶性之分,故早期实施准确的诊断意义重大,是后续针对性治疗开展的基础。鉴于此,文章就近两年所发表的胃肠肿瘤早期诊断联合检测标志物文献结合我院实际诊疗开展情况做如下总结,为后续临床研究者深入探究提供理论基础。

DOMS、EIMD发生机制、检测标志物及防治的研究

DOMS和EIMD的机制主要有机械损伤、代谢产物堆积、肌肉痉挛、急性炎症反应、自由基损伤等学说;目前常用的检测指标有Mb、MHC、CK、CK-MM及其亚型、sTnI、IL-6和骨骼肌骨架蛋白desmin等,CK-MM及其亚型、sTnI和IL-6可以作为运动性骨骼肌损伤检测的特异性敏感标志物:运动预处理、适宜的物理手段、抗氧化剂、药物以及传统医疗手段能减轻DOMS,对EIMD具有一定的保护作用。

联合检测标志物在糖尿病肾病早期肾损伤诊断中的临床价值

目的探讨mALB、UCr、α-MG、β2-MG、NAG联合检测在糖尿病肾病早期肾损伤诊断中的临床价值。方法随机选取2016年6月～2018年6月在我院治疗的500例糖尿病肾病患者作为研究组,并选取500例在我院体检的健康人作为对照组,测定两组尿液中的mALB、UCr、α-MG、β2-MG、NAG的含量,并对两组结果进行比较。结果研究组UCr/Cr、MALB/Cr、β2-MG/Cr、NAG/C比值与对照组比较差异有统计学意义(P<0.05);使用mALB、UCr、β2-MG、NAG单项指标的阳性率要明显低于采用mALB+UCr和β2-MG+NAG两项指标双向检验的阳性率(P<0.05);采用mALB+UCr+β2-MG+NAG+α-MG五项指标联合检验的阳性率要明显高于使用mALB、UCr、β2-MG、NAG单项指标的阳性率和采用mALB+UCr和β2-MG+NAG两项指标双向检验的阳性率(P<0.05);采用mALB+UCr+β2-MG+NAG+α-MG五项指标联合检验的阳性率要明显高于采用血清肌酐该种指标的阳性率(P<0.05);采用mALB+UCr+β2-MG+NAG+α-MG五项指标联合检验的阳性率要明显高于采用尿素氮该种指标的阳性率(P<0.05);采用mALB+UCr+β2-MG+NAG+α-MG五项指标联合检验的阳性率要明显高于采用内生肌酐该种指标的阳性率(P<0.05)。结论 mALB、UCr、α-MG、β2-MG、NAG联合检测可以灵敏地测得糖尿病肾病患者的身体变化,使患者可以尽早得到治疗,肾小管的损伤比肾小球的损伤出现的时间要早,值得临床借鉴。

mRNA定量分析作为结核分支杆菌活菌检测标志的研究

目的 探讨mRNA作为结核分支杆菌活菌检测标志的可行性。方法 采用定量PCR方法结核分支杆菌H37RV在利福平，异烟肼，乙胺丁醇，链霉素，氧氟沙星处理后24，48，72h85BmRNA表达水平的变化并与活菌计数方法作对比。结果 利福平处理24h后85BmRNA下降到无药对照的0．02％，其他药物处理分别下降到无药对照的1％－10％，各药处理72h后85BmRNA均下降到1％以下。结论 mRNA表达水平可以在短时间内反映出结核分枝杆菌用药与无药的区别，并与菌落形成单位（CFU）几乎呈平行关系。mRNA是检测和判定结核分枝杆菌“死”“活”的分子标志物，是反映细菌对药物敏感性的指标。

基于Transformer的交通标志检测模型研究

【目的】为了解决在复杂环境下,对小目标特征困难以及对小目标检测效果不佳等问题,提出了一种基于Transformer的交通标志检测基干模型。【方法】通过充分利用卷积和Transformer的优势,构建了一种注意力融合的多尺度特征提取基干模型,能够使基干网络以全局上下文信息为支撑,有选择地增强有用信息的特征,并抑制不重要的特征。此外,为了在增强特征融合的同时防止网络退化,还加入了类池连接。最后,在TT100K数据集上进行实验。【结果】实验结果表明,以该模型为骨干的元体系结构取得了最高84%的mAP,与基线模型相比m AP最大提升约7%。【结论】模型在提高特征提取效果的同时,也为交通标志检测提供了一种新的思路。

基于轻量化YOLOv5的交通标志检测

为了提高道路交通标志的检测速度,提出一种基于轻量化YOLOv5的改进模型。首先,使用Ghost卷积和深度分离卷积(DWConv)构建新的主干模块,减少计算量和参数量;引入加权特征融合网络(BiFPN)结构,增强特征融合能力;将CIoU损失函数替换为SIoU损失函数,关注真实锚框与预测的角度信息,提升检测精度。其次,对TT100K数据集进行优化,筛选出标签个数大于200的交通标志图片和标注信息共24类。最后,实验结果取得84%的准确率、81.2%的召回率和85.4%的所有类别平均精确率的平均值mAP@0.5,相比原始YOLOv5,参数量减少29.0%,计算量减少29.4%,mAP@0.5仅下降0.1百分点,检测帧率提升了34帧/s。使用改进后的模型进行检测,检测速度有了明显提升,基本达到了在保持检测精度的基础上压缩模型的目的。

基于轻量化SSD的交通标志检测算法

实时精确的交通标志检测是自动驾驶和智能交通的关键技术。针对现有智能检测算法检测复杂真实道路场景下的交通标志速度慢、无法较好地适用于嵌入式终端设备的问题,提出了一种基于轻量化SSD的交通标识检测算法。该算法采用MobileNetV3_large网络替代VGG16网络,可减少模型参数,提高检测实时性;利用添加SE模块的逆残差结构B-neck替换对应的标准卷积增强低层特征层的语义信息;设计改进RFB网络提升小交通标志的检测能力,重新设置预设先验框的尺寸,提升模型对特定数据集的检测能力。实验结果表明,改进SSD算法在中国交通标志检测数据集上的mAP值可达89.04%,比MobileNet-SSD算法提高了5.26%;帧率可达60 frames/s,比SSD算法提高了23 frames/s。所提算法具有较高的实时性和检测精度,对复杂交通环境具有更好的鲁棒性。

基于多尺度YOLOv5的交通标志检测

针对小目标交通标志检测存在的检测精度低、漏检率高等问题,提出了一种基于多尺度融合的YOLOv5改进算法。在主干网络后输出4个有效特征层以便更好地融合多尺度信息,在主干网络输出的3个特征层中添加改进的多尺度融合注意力机制CBAM_U,以提升网络的检测能力;在Path Aggregation Network(PANet)下采样过程中添加Fusion模块,促进不同感受野下特征的细融合;在YOLOHand前加入Adaptively Spatial Feature Fusion(ASFF)模块解决特征金字塔融合的不一致性,进一步提升网络的表达能力。实验结果表明,提出的方法相比于原始YOLOv5网络在CCTSDB数据集中mAP@0.5提升了3.07%,召回率提升了3.83%,查准率提升了1.64%,F1-Score提升了2.66%,相比于其他检测算法,改进后的YOLOv5算法在复杂场景中具有更好的鲁棒性。

智能交通感知新范式:面向元宇宙的交通标志检测架构

交通标志检测对智能交通系统和智能驾驶的安全稳定运行具有重要作用。数据分布不平衡、场景单一会对模型性能造成较大影响,而建立一个完备的真实交通场景数据集需要昂贵的时间成本和人工成本。基于此,该文提出一个面向元宇宙的交通标志检测新范式以缓解现有方法对真实数据的依赖。首先,通过建立元宇宙和物理世界之间的场景映射和模型映射,实现检测算法在虚实世界之间的高效运行。元宇宙作为一个虚拟化的数字世界,能够基于物理世界完成自定义场景构建,为模型提供海量多样的虚拟场景数据。同时,该文结合知识蒸馏和均值教师模型建立模型映射,应对元宇宙和物理世界之间存在的数据差异问题。其次,为进一步提高元宇宙下的训练模型对真实驾驶环境的适应性,该文提出启发式注意力机制,通过对特征的定位和学习来提高检测模型的泛化能力。所提架构在CURE-TSD,KITTI,VKITTI数据集上进行实验验证。实验结果表明,所提面向元宇宙的交通标志检测器在物理世界具有优异的检测效果而不依赖大量真实场景,检测准确率达到89.7%,高于近年来其他检测方法。

改进YOLOv5-S的交通标志检测算法

在自动驾驶领域,现有的交通标志检测方法在检测复杂背景中的标志时存在着漏检或误检的问题,降低了智能汽车的可靠性。对此,提出了一种改进YOLOv5-S的实时交通标志检测算法。在特征提取网络中融合坐标注意力机制,通过构建目标的长范围依赖来捕获物体的位置感知,使得算法聚焦于重点的特征区域;引入Focal-EIoU损失函数来取代CIoU,使其更关注高质量的分类样本,提高对难分类样本的学习能力,减少漏检或者误检的问题;在网络中融合轻量级卷积技术GSConv,降低模型的计算量。增加新的小目标检测层,通过更丰富的特征信息提高小尺寸标志的检测效果。实验结果表明,改进方法的mAP@0.5和mAP@0.5:0.95分别为88.1%和68.5%,检测速度达到了83 FPS,能够满足实时可靠的检测需求。

基于双向嵌套级联残差的交通标志检测方法

交通标志检测是自动驾驶领域的一个重要课题,其对于检测系统的实时性和精度都有非常高的要求。目标检测领域中的YOLOv3算法是业界公认在精度和速度上都处于前列的一种算法。文中以YOLOv3检测算法作为基础网络,提出一种双向嵌套级联残差单元(bid⁃NCR),替换掉原网络中顺序堆叠的标准残差块。双向嵌套级联残差单元的两条残差边采用相同的结构,都是一次卷积操作加上一次级联残差处理,两条边上级联的标准残差块的数量可以调节,从而形成不同的深度差。然后将两条边的结果逐像素相加,最后再做一次卷积操作。相较于标准残差块,双向嵌套级联残差单元拥有更强的特征提取能力和特征融合能力。文中还提出跨区域压缩模块(CRC),它是对2倍率下采样卷积操作的替代,旨在融合跨区域的通道数据,进一步加强主干网络输入特征图所包含的信息。实验结果表明:提出的模型在CCTSDB数据集上mAP(0.5)、mAP(0.5∶0.95)分别达到96.86%、68.66%,FPS达到66.09帧。相比于YOLOv3算法,3个指标分别提升1.23%、10.35%、127.90%。

基于轻量化YOLOv8s交通标志的检测

为了提高交通标志检测的实时性和可行性,提出了一种基于YOLOv8s的轻量化交通标志检测模型。首先,用FasterNet中的残差模块FasterNetBlock替换C2f模块中的BottleNeck,降低模型参数量和计算量;其次,用一种小目标检测层去替换大目标检测层,降低Backbone中网络层数,实现大幅度提高检测速度和降低参数量;最后,用Wise-IOU替换原CIOU损失函数,提高速度和精度。在TT100K交通标志数据集上验证,其与YOLOv8s模型比较,mAP50提高了5.16%,参数量降低了76.48%,计算量降低了13.33%,FPS快了35.83%。与其他模型相比,mAP50平均提高了15.11%,参数量平均降低了85.74%,计算量平均下降了46.23%,FPS平均提高了31.49%。该模型具有检测精度高、参数量少、计算量低、速度快等优点,较原算法有很大地提升,且与其他先进的交通标志检测模型比较时表现出了很强的竞争力,在交通标志检测中具有较大优势。

改进YOLOv7的轻量化交通标志检测算法

【目的】针对现有交通标志检测算法中的较大计算量和较高参数量的问题,提出一种改进YOLOv7的轻量化交通标志检测算法。【方法】该算法分为输入、提取特征的骨干网络、融合特征的颈部网络和对目标进行预测的头部网络4个部分。在骨干网络引入大核卷积,增大了有效感受野,提升了骨干网络提取特征的能力;检测颈部融合坐标注意力、随机池化等方法,既能构建通道注意力又能捕捉准确位置,同时提升网络的泛化能力;此外,提出集中综合深度可分离卷积模块,在减少参数量的同时更好地提取图像特征。【结果】实验结果表明,本文算法在CCTSDB2021数据集上的检测精度达到了93.13%,mAP也达到了87.59%,相较于同类型的方法有了较大的提高,该网络在较低的参数量和计算量的情况下实现了较高的精确率,不仅能够精准地捕捉交通标志的位置信息,同时能够准确地对交通标志进行预测。

基于注意力和对比学习的轻量级交通标志检测方法

为提升交通标志检测精度和速度,针对交通标志目标小、尺度变化大等问题,提出一种基于注意力和对比学习的轻量级交通标志检测算法:首先,在特征提取主干网络中采用通道和空间分离方法依次进行卷积操作,构建多层次的特征提取网络,减少运算量;其次,采用基于注意力的上下文特征金字塔网络,获取目标的代表性特征,提升模型准确率;最后,采用监督对比学习损失(Supervised Contrastive Loss,SCL)函数,提高模型的特征判别能力。实验结果表明,该交通标志检测算法的平均检测精度达95.8%,相比于YOLOX-Tiny提升了4.5%,检测速度为79帧/s,能够满足实际应用需要。

基于改进YOLOv5s的交通标志检测

在自动驾驶领域准确实时地检测出小目标交通标志具有重要意义,本文针对YOLOv5s算法检测小目标交通标志精度低、漏检等问题,提出了一种基于改进YOLOv5s的交通标志检测算法。将Transformer编码结构与C3模块结合,用新的C3TR替换主干网络中最后一个C3模块,提高主干网络对图像全局特征信息的提取能力;用EIoU Loss替换YOLOv5s的定位损失函数,提高模型检测框的回归精度;在多尺度检测部分,通过增加一层浅层检测层作为更小目标的检测层,提高对小目标交通标志的检测能力。实验结果表明,改进YOLOv5s检测算法在CCTSDB数据集上的平均检测精度(mAP)为93.1%,比原YOLOv5s提升了3.6%,对小目标交通标志检测精度更高。

交通标志的检测与识别方法研究综述

交通标志的检测与识别是当今目标检测领域一项较为关键的技术,在智能交通系统和辅助驾驶技术中发挥着重要作用。对交通标志检测与识别领域早期的传统方法和现阶段较流行的深度学习方法分别做了阐述和分析,相较于传统的交通检测和交通识别方法,基于深度学习的方法更能兼顾准确性和实时性,对于遮挡、光线变化、目标太小等情况有很好的鲁棒性。最后总结了国内外常用的交通标志数据集,并对深度学习方法在该领域的发展进行了展望。

基于双注意力机制的头影标志点检测研究

准确可靠的头影标志点检测在口腔正畸的临床诊疗和研究中至关重要,但在实践中存在标志点定位难度大、准度低以及速度慢等问题,因此为了降低检测难度,提高临床诊断的准确性和高效性,提出了一种结合多注意力机制的检测算法CenterNetSC。算法首先采用深度聚合网络DLA-34作为CenterNetSC的主干网络并用于特征提取;其次,通过在深度聚合网络中引入SE和CBAM两种注意力机制加强网络对卷积通道以及空间位置的全局感知;再次,在DLA-34网络之后加入可变形卷积捕捉对象的细节和局部信息;最后,模型在ISBI 2015 Grand Challenge的cephalometric X-rays两个测试集上分别实现了1.11 mm和1.37 mm的平均径向误差(MRE),以及2.0 mm定位误差范围内87.13%和77.03%的成功检测率(SDR)。较其他检测方法而言,CenterNetSC能够快速、准确地定位标志点,可以满足临床医学的需求。

融合感受野增强和注意力机制的交通标志检测算法

针对目标检测算法在交通标志检测中存在的不足,文中提出了一种融合感受野增强模块和注意力机制的交通标志检测算法。该算法在YOLOv5(You Only Look Once version 5)算法的基础上改进,选用感受野模块(Receptive Field Block,RFB)替换原骨干网络中的空间金字塔池化(Spatial Pyramid Pooling,SPP)模块,在特征融合网络中嵌入高效通道注意模块(Efficient Channel Attention Module,ECAM)和卷积块注意模块(Convolutional Block Attention Module,CBAM),选用矩阵非极大值抑制(Matrix Non-Maximum Suppression,Matrix NMS)筛选候选框以提升算法的检测精度和检测速度。实验结果表明,在模型参数量与原网络相比未变化的前提下,该算法的均值平均精度达到了82.31%,与原算法相比提升了8.59%,检测速度达到了51.89 frame·s^(-1),且该算法在各个测试场景中未出现错检漏检现象,证明其泛化能力优于原算法,可以实时检测交通标志。

面向微型交通标志的ASPC-YOLOv8检测算法

针对在部分遮挡和复杂背景下的微型交通标志误检、漏检等问题,提出一种基于YOLOv8s的交通标志检测框架。构建空间自适应金字塔卷积模块(ASPC)代替Neck所有Conv模块,设计全新的ASPC2f模块代替部分C2f模块,减少了模型参数量,提升了检测性能;为解决在检测小目标时因尺度不一致而导致的语义信息损失问题,引入小目标检测层,以增强深层和浅层语义信息的有效融合;使用EIOU代替原来的边界框损失函数,提升网络边界框回归性能。经实验,该方法在TT100K交通标志数据集上平均精度均值(mAP)达到89.7%,相较于原模型提升6.2个百分点,微型目标平均精度均值相对提升9.4个百分点,参数量降低2.6 MB。

基于改进SSD的自然场景小交通标志检测

为提高在复杂的自然交通场景下对小交通标志检测的准确度,改进了SSD模型。在SSD多个检测层加入并行多尺度特征融合,通过结合深、浅特征层的检测优势,改善了SSD模型在小目标检测方面的不足;在SSD模型的多个检测头分别加入注意力机制模块,增强对小交通标志的特征提取效果;加入focal loss损失函数减小背景对整体损失的贡献,防止背景过拟合。实验结果表明,在复杂自然场景下,改进的方法相比原始模型对小交通标志检测的mAP提升了4.9百分点。