COVID-19医学影像数据集的研究与分析

新型冠状病毒(COVID-19)被首次发现以来目前感染病例超过一亿,死亡人数高达二百多万,对全球的经济活动和社会活动造成了严重的破坏,给国际危机管理和医疗保健体系带来了严峻的考验。基于人工智能的医学影像技术在COVID-19检测方面具有一系列的优势,然而面向建模使用的数据集可用性限制了COVID-19诊断模型的发展。本文介绍了COVID-19检测常用的医学影像公开数据集,讨论了在COVID-19诊断建模时遇到的阻碍,并且分析了融合数据集时对图像采用的一系类预处理方法。文章指出了面向人工智能建模的COVID-19数据缺乏公开性,强调在使用融合数据集进行建模前应采取合理的预处理方法,并且在追求算法的优化和创新的同时应当注重数据的可靠性,提出了启动开源并且可扩展的COVID-19医学影像收集并且发展相应的图像集质量保障机制的倡议。

基于改进模糊K-means算法的大数据处理方法

本文设计了基于改进模糊K-means算法的大数据处理方法。建立大数据采集模块,完善预测及技术的预知能力;绘制改进模糊K-means算法流程图,分析大数据相似密度公式;基于改进算法计算大数据处理方法相似度,消除MAE值的误差。实验采用对比测试的方法,得出传统方法处理大数据的MAE值在±0.000200左右,而新方法的MAE值仅在±0.000001左右的结论,验证新方法的处理效果更佳。