基于多参数磁共振成像特征的深度学习预测直肠癌患者的BRAF基因突变状态

目的探讨鼠类肉瘤病毒癌基因同源物B基因(B-Raf proto-oncogene serine/threonine kinase,BRAF)突变状态与直肠癌患者生存率的相关性。本研究旨在评估影像组学模型预测结直肠癌患者BRAF基因突变情况的可行性。材料与方法对我院2020年6月至2023年6月确诊为直肠癌的患者病例资料进行回顾性分析,采用外显子测序鉴定BRAF基因突变状态。通过生存分析评估BRAF基因突变与直肠癌预后的关系。从260名接受多参数MRI的直肠癌患者中提取7388个特征模块,包括术前T1加权图像(T1-weighted imaging,T1WI)、T2加权图像(T2-weighted imaging,T2WI)和对比增强T1加权图像(contrast-enhanced T1-weighted imaging,CE-T1WI)。随后,基于卷积神经网络(convolutional neural network,CNN)构建了放射组学模型。通过受试者工作特征曲线(receiver operating characteristic,ROC)曲线、准确率、敏感度和特异度等指标评估模型效能。结果本研究共纳入89例BRAF突变患者和171例BRAF野生型患者。两组在肿瘤恶性分期、年龄、性别等临床特征上差异无统计学意义(P>0.05),但5年生存率差异存在统计学意义,BRAF突变组生存期低于BRAF野生型组(P<0.001)。所构建模型的ROC曲线下面积(area under the curve,AUC)为0.929,与病理结果一致性分析的Kappa统计量为0.87,表明模型具有较高的预测价值。结论基于CNN的放射组学特征模型在区分直肠癌患者BRAF突变状态方面表现优异,为未来无创筛查BRAF突变状态提供了新的研究思路。

深度学习图像重建算法(DLIR)对能谱CT多参数图像质量改善的体模研究

目的 探讨深度学习重建算法对能谱CT多参数成像单能量图像、有效原子序数图、碘水图、水碘图图像质量的改善。方法 选择一个20cm直径的圆柱形聚丙烯体摸,在内部放入九支试管,试管中分别装入(3.75、7.5、15、30mg/mL)不同浓度及(18m m、10m m、2 m m)不同管径的碘对比剂及水和钙溶液,利用GE APEX CT进行能谱扫描,将扫描完成图像分别利用FBP、40%ASIR-V及深度学习(低DLIR-L、中DLIR-M、高DLIR-H)重建出五组图像。采用后处理软件分别重建出70keV单能量图像、基物质图(碘-水图、水-碘图)及有效原子序数图。对浓度为3.75 mg/m L、15 mg/mL及Water三支试管进行数据分析。在FBP、40%ASIR-V、DLIR-L、DLIR-M、DLIR-H五组图像测量70keV的CT值、碘-水图的碘浓度、水-碘图的水浓度、有效原子序数及图像噪声,计算各图像的信噪比(SNR),对比5组图像质量的差异。结果5种重建算法下的图像在低浓度造影剂(3.75mg/mL)、高浓度造影剂(15mg/m L)及水试管内70keV的CT值差异均无统计学意义(P值均>0.05),有效原子序数、碘水图的碘浓度及水碘图的水浓度亦无明显统计学差异(P值均>0.05)。70keV、有效原子序数图、碘水图、水碘图的噪声及图像信噪比5组图像差异均有统计学意义(P值均<0.05),DLIR下的噪声值均较FBP及40%ASIR-V降低,图像信噪比提高(P值均<0.05),DLIR-H噪声最小,信噪比最高。结论 在能谱CT成像中, DLIR较FBP及40%ASIR-V在单能量图像、有效原子序数图、碘水图、水碘图的噪声降低,信噪比提高。

基于微振动宽带相位运动放大与深度学习的输电线路索张力测量方法

索类构件在输电线路中广泛分布,其张力值及变化情况是影响输电线路本质安全的关键因素,因此也是输电线路工程施工及运维期间状态监测的重点。传统的索张力测量方法存在精度低、环境要求高、难以带电监测等问题,在输电线路中不具备普适性。提出宽带相位运动放大(broadband phase-based motion magnification,BPMM)与深度学习语义分割结合的图像张力测量方法,通过增强图像振动幅度,实现环境激励下输电线路索类构件微振动图像的放大。为去除BPMM算法对于振动视频处理后出现的噪音伪影问题同时提升识别精度,提出基于深度学习U-Net网络与水平集损失熵的联合分割方法来提取索类构件形心,实现了微振动像素变化量的准确拾取,进而通过频域分析得到自振频率并计算索张力。试验及工程应用表明:基于微振动放大的输电线路索类构件张力测量方法能有效识别环境激励下索微小振动变化,测得的索张力值与传感器测量值相比,误差在6%以内,实现了输电线路索类构件张力的高精度、非接触测量,解决了输电线路张力带电测量困难的问题。

深度学习赋能波束管理:现状、挑战与机遇

随着载波频率的不断提高和大规模天线阵列的广泛部署,基于模拟移相器的波束赋形成为下一代无线通信的标志性技术之一。此时,波束管理被用于获取和维护基站和用户端具有最大接收功率的最优波束对,以保障可靠的无线通信服务。传统波束管理方法往往依赖于海量搜索。同时,传统数学模型无法全面的、准确刻画非线性的波束的内在关联和高维无线环境特征,因而难以取得令人满意的波束增益性能。近年来,得益于深度学习强大的自适应拟合能力,深度学习赋能波束管理得到了国内外广泛关注。本文总结了深度学习赋能波束管理的研究进展,并展望了未来的研究方向。首先,阐述了深度学习应用于波束管理的典型场景和潜在优势;随后,从空/时/频域切入,讨论当前深度学习赋能波束管理的主要研究路线和代表性工作;最后,面向更大规模的无线网络、更多元的波束管理功能和更鲁棒的深度学习模型,阐述未来的研究挑战与机遇。

指向深度学习的“信息技术”课程单元教学设计研究

深度学习的目的在于发展学习者的高阶思维,让学习真正发生,是培养学生信息技术核心素养的必然要求。单元教学设计是提高一线课堂教学质量的有效方法,是促进学生深度学习的有效工具。指向深度学习的单元教学需要确定单元主题,制定单元目标,设计单元学习活动,制定评价体系。本文结合信息技术学科特点,构建指向深度学习的单元教学设计模型,结合高中“信息技术”具体教学内容进行探索实践,力求促进学生深度学习。

基于深度学习的水声信道估计技术

在水声通信中,传统的正交频分复用(Orthogonal Frequency Division Multiplexing, OFDM)系统需要大量导频数量和循环前缀以维持系统性能,严重浪费有限的频域资源。因此,利用深度学习辅助OFDM恢复失真的传输数据。具体地讲,利用改进的残差块提取和双向记忆接收信号。将自归一化网络(Self-Normalizing Network, SNN)与注意力机制结合,有效分配信道权重,以便系统更有效地利用信道资源,最小化信号失真。使用深度神经网络(Deep Neural Network, DNN)实现接收信号的分类,以准确地恢复接收信号。提出的ICANet(Improved Residual Network, Convolutional Neural Network and Attention Mechanism Self-Normalizing Network)模型可应用于由Bellhop软件生成的水声环境。仿真结果证明,与传统技术中的最小二乘法(Least Square, LS)以及现有的深度学习模型相比,所提出的模型在循环前缀受限的情况下可达到更低的误码率。

基于深度学习的水稻病害识别系统研究与实现

文章旨在基于深度学习技术构建一个水稻病害识别系统,提升对水稻病害的诊断精度及速度。通过生成式对抗网络对数据集进行增强,以提高模型在少样本条件下的泛化能力。在ResNet模型中融合注意力机制,增强模型对病害特征的捕捉能力,提高识别率。最后,基于Flask实现了一个Web水稻病害检测系统。

基于深度学习的“劳动教育”课程资源数据分析研究

随着人工智能技术的飞速发展,作为其核心分支,深度学习在教育领域的应用日益广泛。作为培养学生实践能力和社会责任感的重要环节,“劳动教育”课程资源的有效整合与分析对于提升教育质量至关重要。基于深度学习技术,文章对“劳动教育”课程资源进行了数据分析与研究。首先,构建了数据预处理、特征提取与选择、模型选择与优化、模型评估等深度学习模型;其次,利用该模型对“劳动教育”课程资源进行了分类、聚类和推荐。研究结果表明,基于深度学习的方法能够有效提高该课程资源的利用效率,为优化提供了新思路。

基于英语学习活动观的深度学习可视化策略研究——以《多维阅读》绘本第六级Living in Space为例

深度学习的目标是培养学生的核心素养。文章结合具体案例,从依据英语学习活动观设计表现性任务,到根据任务呈现具有深度学习特征的评价工具,并最终输出学生深度学习的可视化结果三个方面,探讨基于英语学习活动观的深度学习可视化过程。

深度学习在医学图像分析中的应用

作为医学领域中非常重要的技术手段,医学图像分析技术可以实现对病灶的定位、分割及定量分析,从而为医生提供更加准确、可靠的诊断和治疗方案。文章介绍了深度学习在医学图像分析中的应用流程,包括数据收集、预处理、模型选择、训练和应用等。U-Net与MaskR-CNN等深度学习模型被广泛应用于医学图像分析任务中,通过对其进行迭代与优化,能够自动提取和学习医学图像中的特征,从而提高模型的性能和泛化能力。当前,医学图像分析技术面临诸多挑战,但随着技术的不断发展,将为医学诊断和治疗提供更加精准、高效的技术支持。

基于深度学习的农田害虫图像识别系统的设计与实现

农田害虫防控是一项争分夺秒的挑战,一旦农作物受到了病虫害的侵袭,产量和经济效益都会降低。结合深度学习与目标检测框架Faster R-CNN,提出了一种基于深度学习的农田害虫识别模型。在对现有害虫识别研究进行梳理后,本文对卷积神经网络和深度残差网络进行了详细介绍,并在此基础上搭建了害虫识别模型。首先,建立了一个包含多种害虫类别的大规模数据集,然后设计了适合该模型的评价指标和损失函数,最后完成了算法的实现和实验。结果 表明,本文提出的模型能够准确识别出农田中各种害虫,具有很高的实用价值。所构建的害虫识别模型可应用于农业生产实践中,为农业害虫的防治提供技术支持。

基于嵌入式平台的深度学习人脸识别关键技术研究

为了进一步加大人脸识别技术的普及与扩宽应用,人脸识别算法部署到计算资源有限的嵌入式设备成为热门的问题。因此,通过优化深度学习模型、压缩网络结构和提升嵌入式设备的计算效率,可以实现快速、准确的人脸识别,为信息安全和智能化应用提供有力支持。

指向深度学习的智慧课堂教学设计

深度学习的实施需要智慧学习环境的支持。作为一种典型的智慧学习环境,智慧课堂可视为融合教学设计与深度学习理论的关键桥梁。聚焦智慧课堂教学场景,通过深入解读深度学习的内部机制与行为规律,构建由学习环境、学习分析、学习活动和学习评价组成的智慧课堂教学设计,可以支持深度学习的发生和核心素养的培养。

对话意识:基于深度学习的课堂教学应然要求

深度学习要求教师把握学习内容的本质,通过确立高阶思维发展的教学目标,整合意义联接的学习内容,创设促进深度学习的真实情境,选择持续关注的评价方式积极引导学生学习,带领学生收获知识.基于深度学习的课堂教学,教师应该具有正确而全面的多维对话意识:与课程标准对话,瞄准教学航向;与教材对话,把握知识内核;与自我对话,提炼教学主线;与学生对话,走进学生心灵.

新时代幼儿游戏深度学习行为的支持策略研究

新时代背景下对幼儿游戏中深度学习行为进行研究具有重要意义。研究目的在于考察幼儿游戏中深度学习的行为特征并给出支持策略。结果发现:儿童游戏深度学习行为有三个显著特征:主动性、探究性与合作性。并提出营造丰富的游戏环境、提供合适的游戏材料、指导儿童解决问题以及促进儿童合作学习的支持策略。通过实施上述策略,能够有效地推动幼儿在玩的过程中深入学习,为幼儿全面发展打下坚实的基础。

基于深度学习的口语对话系统自然语言处理精度提升

随着人工智能技术的快速发展,口语对话系统已成为人机交互的重要工具。自然语言处理(NLP)是口语对话系统的核心技术之一,其精度直接影响到系统的性能。文章通过对口语对话系统及其在自然语言处理精度方面的现状进行深入分析,旨在探讨基于深度学习的口语对话系统自然语言处理精度提升的方法,以期为相关行业提供有益参考。

基于深度学习的软件定义网络异常检测方法

软件定义网络(software-defined networking,SDN)作为一种新兴的网络架构,为网络管理和安全提供了新思路。本文针对SDN中的异常检测问题探讨了一种基于深度学习的方法。首先,研究了深度学习在异常检测领域的应用。其次,通过数据采集与预处理,获取了SDN的仿真流量数据,并进行了数据清洗、归一化和降维处理。最后,构建了基于自编码器的异常检测模型,并在Matlab平台上对仿真数据进行了验证。结果表明,所提方法在精确率、召回率和F_(1)分数等指标上具有良好的性能,能有效识别SDN中的异常流量。

基于深度学习的电子信息网络安全检测技术

为应对日益严峻的电子信息网络安全威胁,本文提出了一种基于深度学习的网络安全检测方法(deep learning-based electronic information network security detection method,DL-EINSD)。该方法综合利用卷积神经网络(convolutional neural network,CNN)、循环神经网络(recurrent neural network,RNN)、对抗生成网络(generative adversarial network,GAN)及基于强化学习(reinforcement learning,RL)技术,实现了恶意代码特征的自动提取、网络流量异常的实时检测、仿真攻击样本的生成以及检测策略的动态优化。实验结果表明:DL-EINSD在多项指标上表现出色,准确率高达99.24%,F_(1)分数超过98%,展现出良好的检测性能和泛化能力。

基于深度学习的基础设施表面裂纹检测方法研究进展

民用基础设施在长期使用后容易发生物理结构或性能状态的改变,对其功能和使用安全造成一定的损害,因此,对这类设施的结构健康监测是十分必要的。裂纹检测是结构健康监测中极其重要的一部分,及时检测并识别这类损伤,能有效避免事故的发生。基于计算机视觉的表面裂纹检测方法操作简单、检测速度快、准确率高,被广泛应用于民用基础设施的表面裂纹检测。从图像分类、目标检测、语义分割三个不同的检测方向综述了基于深度学习的基础设施表面裂纹检测方法,总结了常见的数据采集方法和常用的公共裂纹数据集。最后讨论了基于深度学习的基础设施表面裂纹检测方法存在的困难与挑战,并展望了未来可能的发展方向。

基于深度学习的高效率烤烟等级识别模型研究

烤烟的等级识别是烟草产业的一个关键环节,为了降低烟农烤烟分级劳动强度,减少主观因素,提高识别精度,需要实现烤烟的自动分级。研究了深度学习中多种卷积神经网络的多层特征提取方法,并基于ShuffleNetV2网络提出一种改进的网络模型(ShuffleNetV2_FTC)。ShuffleNetV2_FTC网络是将ShuffleNetV2网络的主干单元进行更改,并引入CBAM(Convolutional Block Attention Module)注意力机制和SiLU激活函数。应用该模型对27种类别的烤烟图像进行识别分类。该模型的最佳测试准确率为93.09%,检测帧率达到每秒15.3张。相对原模型获得了0.24%(0.5×)、6.06%(1×)和4.73%(1.5×)的准确率提升,每秒检测12.3张图片到15.3张图片的检测帧率提升。ShuffleNetV2_FTC网络结合机器视觉技术可以很好地识别烤烟等级,为优化烤烟的收购、烘干和加工等流程奠定基础。