基于多密钥同态技术的安全多方计算协议

为构造具有良好性能的多密钥安全多方计算(SMC)协议,对Gentry-Sahai-Waters(GSW13)全同态加密(FHE)方案的密钥同态性质进行了研究.在此基础上提出了一个基于GSW13方案的层次型多密钥SMC协议,该协议构造方式简单,只需要3轮通信,且在半诚实与半恶意环境和公共随机串模型下,其安全性可以归结到容错学习问题(LWE)和它的一个变种问题;分析了该变种问题的困难性,并给出了半恶意模型下该协议的形式化安全证明.该协议自然构成一个相同环境下的层次型多密钥全同态加密方案.对比分析表明,文中协议在整体性能上优于已有方案.

邻域互信息熵的混合型数据决策代价属性约简

决策粗糙集模型是当前粗糙集理论的研究热点.然而目前决策粗糙集中的属性约简大多基于决策代价视角而构建,为了同时兼顾约简结果的决策代价和分类精度,本文通过融合属性子集的分类性能,在混合型信息系统下提出一种邻域互信息熵的决策代价属性约简算法.文中首先在混合型信息系统下提出邻域信息熵、邻域联合熵和邻域条件熵,并进一步地推导出了邻域互信息熵和邻域条件互信息熵;然后将邻域互信息熵理论融入邻域决策粗糙集的决策代价属性约简中,提出一种邻域互信息熵的混合型数据决策代价属性约简算法,该属性约简选择出的属性子集可同时兼顾决策代价和分类性能,并降低了属性约简结果的冗余程度;最后通过仿真实验证明了所提出算法的有效性和优越性.

深度学习在医学图像配准上的研究进展与挑战

随着影像引导手术和放射治疗的发展,临床对医学图像配准研究的需求更强烈,带来的挑战也更大。最近几年,深度学习,特别是深度卷积神经网络,在医学图像处理方面取得了优异的成绩,在医学图像配准上的研究发展迅速。本文按技术方法分类总结了基于深度学习的医学图像配准的国内外研究进展,包括了基于优化策略的相似性估计、直接估计医学图像配准的变换参数等。然后分析了深度学习方法在医学图像配准上的挑战,并提出了可能的解决办法和研究方向。

带学习过程的随机K最近邻算法

针对传统K最近邻(KNN)算法没有学习过程,进行分类预测时需要遍历全部学习样本、时效性差且对k值敏感的缺点,本文提出了两种带学习过程的随机KNN算法(RKNN),包括对样本Bootstrap抽样的SRKNN算法和对样本特征Bootstrap抽样的ARKNN算法,均属于Bagging集成学习,学习多个简单KNN后投票输出结果。算法对样本的特征进行组合得到组合特征,简单KNN基于组合特征得到。重点研究了如何选取特征的最优组合系数,得到了取得最好分类精度时的特征最优组合系数选取规则和公式。RKNN算法在构造简单KNN时引入学习,分类时不再遍历全部学习样本而只需要用二分查找法即可,其分类时间复杂度比传统KNN算法分类时间复杂度低一个数量级。RKNN算法的分类精度比传统KNN算法的分类精度有大幅提升,解决了使用KNN算法难以选取k值的问题。理论分析和实验结果均验证了本文RKNN算法的有效性。

一种基于元学习的小样本核磁共振图像分割方法

将深度学习算法应用于核磁共振(MR)图像分割时,必需以大量经标注后图像作为训练集的数据支撑。然而,MR图像的特殊性导致采集大量的图像数据较困难,制作大量的标注数据成本高。为降低MR图像分割对大量标注数据的依赖,本文提出了一种用于小样本MR图像分割的元U型网络(Meta-UNet),能够利用少量的图像标注数据完成MR图像分割任务,并获得良好的分割结果。其具体操作为:通过引入空洞卷积对U型网络(U-Net)进行改进,增加网络模型感受野从而提高模型对不同尺度目标的灵敏度;通过引入注意力机制提高模型对不同尺度目标的适应性;通过引入元学习机制,并采用复合损失函数对模型训练进行良好的监督和有效的引导。本文利用提出的Meta-UNet模型,在不同分割任务上进行训练,然后用训练好的模型在全新的分割任务上进行评估,实现了目标图像的高精度分割。新的分割方法比起常用的无监督医学图像配准分割方法——体素变形网络(VoxelMorph)、数据增强医学图像分割方法——转换学习数据增强模型(DataAug)和基于标签转移的医学图像分割方法——标签转移网络(LT-Net)三种模型平均戴斯相似性系数(DSC)有一定提高。实验结果显示,本文所提方法利用少量样本即可有效地进行MR图像分割,今后可为临床诊断和治疗提供可靠辅助。