基于医学图像的影像组学和深度学习在头颈部鳞状细胞癌颈部淋巴结转移预测中的研究现状

颈淋巴结转移是影响头颈部鳞状细胞癌治疗效果的重要和独立预后因素。影像组学作为一种影像信息处理方式,具有无创、定量等特点,用于颈部淋巴结转移评估是目前研究的热点。而深度学习可以解决传统影像组学技术自动化、标准化程度低,耗时耗力的问题。本文介绍影像组学和深度学习在预测和鉴别颈部淋巴结转移、评估胞膜外侵犯和预后中的应用,旨在为临床医师制定精准的医疗决策提供依据。

深度强化学习与移动通信资源管理:算法、进展与展望

深度强化学习(deep reinforcement learning,DRL)将深度学习从高维数据提取低维特征的能力与强化学习的决策能力相结合,是移动通信资源管理与优化的高效算法之一.在引入DRL相关算法概念与原理的基础上,重点对DRL在网络切片、云计算、雾计算、移动边缘计算等通信技术与场景中的资源管理与优化效果进行综述与分析,结合DRL在移动通信资源管理的算法原理与研究进展,论述了DRL面临的问题与挑战,并提出相应解决思路.最后,展望了DRL在移动通信资源管理领域的发展趋势和主要研究方向.

基于深度学习的银行卡号识别系统

在银行卡号识别系统中,主要包括数据集处理、银行卡卡号定位检测、图像预处理与字符分割、神经网络训练与字符识别以及GUI界面设计这五个部分。本文提出基于深度学习的银行卡识别系统。该系统主要分为两个部分:卡号定位和字符识别。首先基于深度学习利用CNN对银行卡图像进行卡号文本特征提取,初步定位银行卡卡号区域;然后进行图像预处理以及字符分割;接着进行神经网络的训练以及字符的识别,此过程利用OCR进行文本识别;最终通过GUI提供良好的用户交互界面。此系统具有较高的定位率及较高的识别速度,能对各种银行卡进行定位,有利于后面的字符分割和识别。