基于深度卷积网络和结合策略的乳腺组织病理图像细胞核异型性自动评分

细胞核异型性是评估乳腺癌恶性程度的一个重要指标,主要体现在细胞核的形状、大小变化、纹理和质密度不均化。提出基于深度学习和结合策略模型的乳腺组织细胞核异型性自动评分模型。该模型使用3个卷积神经网络,分别处理每个病例的3种不同分辨率下的组织病理图像,每个网络结合滑动窗口和绝对多数投票法,评估每个病例同一种分辨率下的图像的分值,得到3种分辨率下的评分结果。使用相对多数投票法,综合评估每个病例的最终细胞核异型性评分结果。为评估模型对细胞核异型性评分的有效性,利用训练好的模型对124个病例的测试图像进行自动评分,并把其评分结果与病理医生的评分结果作比较,进行性能评估。该模型的评分正确率得分为67分,其结果在现有的细胞核异型性评分模型中准确率排名第二。此外,该模型的计算效率也很高,平均在每张×10、×20、×40分辨率下图像的计算时间分别约为1.2、5.5、30 s。研究表明,该细胞核异型性评分模型不仅具有较高的准确性,而且计算效率高,因此具备潜在的临床应用能力。

单极化合成孔径雷达图像颜色特征编码与分类

针对目前单极化合成孔径雷达(SAR)伪彩色编码方法存在的细节信息和可视性不强的问题,提出一种颜色特征编码方法。该颜色特征编码方法首先对单极化SAR图像提取纹理特征;然后将每一个特征量化到0到255;其次对每一个灰度级赋予一个RGB颜色,编码成颜色特征图;最后对随机森林计算得到的特征重要性进行排序,每3维特征对应为R、G、B通道生成伪彩图。基于该颜色特征编码方法,提出一种新的分类方法。该分类方法首先根据目视效果选择可分性最好的伪彩图;然后采用统计区域合并(SRM)分割算法对其分割;其次将所有RGB伪彩图作为分类的特征,以随机森林为分类器进行分类,得到初步的结果;最后对初步的结果进行相对多数投票,得到最终的分类结果。方法验证采用两组Terra SAR-X单极化SAR数据,与基于HIS的颜色编码方法对比,该颜色特征编码方法生成的伪彩图信息熵得到了很大提升,且两组数据每类地物的分类精度都大幅度提高,因此证明了所提算法保留了更多的细节信息,获取更多的颜色信息,更利于可视化和地物分类,从而表明提出的颜色特征编码方法是可行的。

基于深度提升网络的入侵检测技术研究

为了在入侵检测时得到更高的精确率,使用极限梯度提升决策树XGBoost和梯度提升决策树GBDT构成集成学习的深度提升模型。利用CICIDS2017数据集对该模型进行实验,结果表明:与传统的5种方法相比,该方法在二分类和多分类任务上都表现出良好的检测效果。