基于DeepInsight和迁移学习的入侵检测技术

针对入侵检测研究中,入侵检测训练样本较少、样本不平衡等问题,本文提出一种基于DeepInsight和迁移学习的入侵检测方法 DI–TL–CNN (DeepInsight–transfer learning–convolutional neural network,DI–TL–CNN).分析采用DeepInsight方法将入侵数据转换为适合CNN模型输入的图像数据集的过程;研究基于VGG16模型的训练方法,并进一步利用迁移学习开展目标域入侵检测的过程.通过冻结和微调CNN模型中不同模块参数,比较研究了6种迁移方案,并基于数据集实验研究,获得优化方案.采用以UNSW-NB15为基础的不平衡数据集作为方法验证对象,进行网络的入侵检测分析,验证本文提出的DI–TL–CNN方法的正确性;进一步实验比较研究本文提出的方法与其他方法的检测性能,实验结果表明,DI–TL–CNN方法更加适用于样本较小和不平衡数据情况下的入侵检测,其准确率和召回率等性能指标均优于其他检测方法,具有良好的应用前景.

DeepInsight 3D-CTBA 434例胸部增强CT数据运行分析及临床应用

目的:为获得满意的DeepInsight三维CT支气管血管成像(3D-computed tomography bronchography and angiography, 3D-CTBA)导航效果,观察胸部增强CT不同条件设置对DeepInsight 3D导航软件运行结果的影响。方法:全组434例进行DeepInsight 3D-CTBA手术导航。采用“团注测试法”预注射对比剂获得肺动脉,主动脉“时间-密度”曲线。为掌握增强CT设置条件,首先对41例患者,按“肺动脉峰值”时间8.8、10.3、11.8 s分为3组,收集各组患者的肺动脉峰值-主动脉峰值(V-A)间隔时间,对比剂注射量和CT扫描延时时间,并进行统计学分析,以发现影响3D导航软件运行结果的相关因素。结果:不同肺动脉峰值时间分组对照结果表明,8.8 s组中对比剂用量减少、扫描延时时间缩短与3D导航软件运行结果不满意有关(均P<0.05)。全组434例DeepInsight 3D-CTBA运行血管提取、染色结果满意391例,较满意30例,不满意13例。满意、较满意病例均成功应用于胸腔镜亚肺叶切除手术导航。结论:正确掌握增强CT对比剂用量和扫描延时时间是DeepInsight 3D导航软件运行获取满意3D图像的关键技术因素。DeepInsight 3D-CTBA能为精准亚肺叶切除提供导航保障。

Deep Insight软件术前肺部支气管血管成像的真实性研究

背景与目的精准肺段切除术已成为肺结节及早期肺癌外科治疗的首要选择,而其手术重点及难点则在于对病灶的精准定位与切除。DeepInsight为我中心与东软公司共同研发的精准肺部手术辅助软件,可术前明确肺部精确解剖,定位肺部病灶位置,此次研究即为验证DeepInsight肺部支气管血管成像辅助手术的真实性及可靠性。方法本研究共纳入了2016年8月1日-2019年12月31日江苏省人民医院胸外科收治的1,020例预行手术治疗患者,所有入组患者肺部结节直径<2.0 cm,术前均行肺结节计算机断层血管造影(computed tomographic angiography,CTA)检查,使用DeepInsight软件术前进行术侧肺部支气管血管成像,识别受累肺段、肺动脉及肺静脉,2位胸外科医师采用5分法独立评估受累肺血管的可视性情况,χ^(2)检验评估观察者间的一致性。此外,术侧肺部血管虚拟成像及真实解剖对比,由2名胸外科主任医师最终决定受累肺血管情况。结果1,020例患者术前运用Deep Insight软件术侧肺部虚拟成像血管与术中受累血管的数量及空间解剖关系之间的差异无明显统计学意义,观察者间的一致性均相当满意。结论Dee术中进行p Insight软件肺部支气管血管虚拟成像可精准具化肺部真实血管情况,辅助肺段切除术的完成。

Deep Insight 3D模型在胸外科肺解剖教学中的应用

肺的解剖结构比较复杂,它们之间毗邻关系难以辨认和理解。其传统教学方式是文字结合图谱,'填鸭式'知识灌输给学生,学习效率大打折扣。自主研发一种DeepInsight软件,模拟手术过程,更好地辨认肺的解剖结构关系,基于这种直观3D模型的Solid Learning教学模式,辅助教师个性化教学,使得学生学习更直观、更主动,思维能力得到了提高,师生间的沟通互动交流加强,效果显著。