DU-Net:基于改进型U-Net的视网膜血管分割模型

使用视网膜血管的图像可以识别各种疾病,很多眼部疾病需要通过眼球的毛细血管状况来进行判别,因此视网膜血管的准确分割对一些疾病的早期诊断非常重要。医疗影像数据量与U-Net模型在体量上相匹配,有效避免了过拟合。但U-Net网络通常包含大量的层和参数,特别是在处理大型图像数据集时训练和推理的时间较长。为更好地分割视网膜血管,提供一个基于改进U-Net的视网膜血管图像分割方式,用Do卷积代替U-Net路径上的卷积运算,在不增加网络推理运算的情况下加快收敛速度并改善网络性能。在DRIVE数据集上的实验结果表明,与原始U-Net相比,IoU提升了1.2%,Dice提升了1.7%,Global correct提升了0.1%。

共享浅层参数多任务学习的脑出血图像分割与分类

非增强CT扫描是急诊室诊断疑似脑出血的首选方法,医疗人员通常借助CT图像对疑似急性脑出血患者病灶部位进行手动分割,进而根据临床经验进行分类,这种人工诊断的方式对医师的经验要求较高,主观性较强,将分割和分类任务分开执行,不能充分利用两个任务间相关联的特征信息,时间成本高,增大了基于CT图像快速进行脑出血病灶部位分割及分类的难度。针对上述问题,文中提出了一种共享浅层参数多任务学习的脑出血图像分割及分类模型,一方面,根据不同任务学习的难易程度对损失函数的权值进行优化,另一方面,在多任务学习网络的浅层实现公有信息共享,深层提取不同任务的私有信息,获取更具代表性的特征,从而快速、准确地对脑出血患者的CT图像进行分割及分类。实验结果表明,共享浅层参数多任务学习网络生成的分割标注与真实标注有较好的视觉一致性。在最优权值下所有被试的平均Dice系数(DSC)为0.828,敏感度为0.842,特异度为0.985,阳性预测值(PPV)为0.838。共享浅层参数多任务学习网络分类的准确率、敏感度、特异度和AUC值分别为95.00%,90.48%,100.00%和0.982。与单任务深度学习、Y-Net以及借助分类辅助的多任务学习相比,该方法更加有效地利用了相关任务信息,同时通过调节损失函数权值,提升了出血病灶区域的分割和分类精度。

浅议杜邦财务分析体系的改进

利润指标在传统杜邦财务分析体系中起着承上启下的作用。由于利润操纵的存在 ,导致传统杜邦财务分析体系存在若干弊端。为此 ,将分析体系中的净利改为均匀经营现金净流量 ,并运用“银广厦”实例对此剖析 ,重新对杜邦财务分析体系进行疏理。

比较视野中的安娜与杜十娘悲剧成因探析

安娜·卡列尼娜和杜十娘,都是为人熟知的文学经典形象,一个是俄国小说家托尔斯泰笔下的贵族少妇,一个是明代小说家冯梦龙刻画的风尘花魁。两人虽然出身不同,但都为了追求爱情历尽艰辛。最后,一个在呼啸的列车下丧生,一个被滚滚洪流吞没,她们虽处在不同的国家和社会,但是,造成她们悲剧的成因却有相似之处。

零质量射流控制DU翼型动态失速研究

为探索零质量射流对风力机大厚度翼型失速特性的控制效果,采用非定常雷诺平均模拟(URANS)方法对失速状态下DU97-W-300翼型的绕流场进行了数值模拟,对不带/带零质量射流的翼型气动特性进行分析。结果表明,零质量射流可以减小静态失速和动态失速时翼型表面流动分离。静态失速下,增升减阻,升阻比随激励频率的增加而先增大后减小,随激励速度增加而不断增大;动态失速下,施加控制后翼型最大升阻力系数均有增加,迟滞效应减弱;零质量射流控制时,翼型气动特性曲线产生高频波动,高频振动随激励频率增加而增加,迟滞效应随激励频率增加而减弱。