基于血管连通性的视网膜血管分割技术研究

为了提高智能医疗图像处理水平,减少人工分析病理图像,节约医院成本,提出一种基于血管连通性的视网膜血管分割技术,该技术采用连接敏感注意力U-Net(connection sensitive attention U-Net,CSAU)的网络模型,设计新型神经网络结构的注意门,结合提出的连接敏感损失,应用视网膜血管分割,从而实现对异常、分叉和微血管的血管分割。最后,通过在DRIVE、STARE和HRF数据集上进行测试,实验结果表明,基于血管连通性的视网膜血管分割技术可以通过对连通性和拓扑性进行建模保留细血管的连通性。

基于全局注意力多任务网络方法的CT图像细小骨折检测研究

目的:通过全局注意力多任务网络提升CT图像细小骨折检测的感知,通过多任务实现实例级别细小骨折目标的检测,快速、准确地从大量CT图像中识别并定位骨折,以辅助临床及时开展治疗。方法:引入分组非局部(non-local)网络方法,计算CT图像连续切片任何位置和通道之间的远程依赖关系,将多目标检测模型3D RetinaNet单级检测器与医学图像语义分割(3D U-Net)架构相融合,实现端到端的多任务3D卷积网络,以多任务联合的方式实现对细小骨折的实例级别检测。选择医学图像计算与计算机辅助干预(MICCAI)2020挑战赛提供的肋骨骨折公开数据集(Rib Frac Dataset)600例CT扫描图像,通过5∶1的比例划分为训练集(500例)和验证集(100例),测试多任务3D卷积网络的精度性能。结果:多任务3D卷积网络方法的检测精度性能优于单任务网络FracNet、3D RetinaNet及3D Retina U-Net,其平均精度与3D RetinaNet和3D Retina U-Net网络相比分别高出7.8%和11.4%,且优于3D Faster R-CNN、3D Mask R-CNN两种单任务网络检测方法,平均精度分别高出约6.7%和3.1%。结论:全局注意力多任务网络融合不同模块,对于细小骨折检测性能均有提升,引入分组非局部(Non-local)网络方法能够进一步提升对细小骨折目标的检测精度性能。

骨架图引导的级联视网膜血管分割网络

针对目前视网膜血管分割中存在的细小血管提取不完整、分割不准确的问题,从血管形状拓扑关系利用的角度出发,探索多任务卷积神经网络设计,提出骨架图引导的级联视网膜血管分割网络框架.该框架包含血管骨架图提取网络模块、血管分割网络模块和若干自适应特征融合结构体.骨架提取辅助任务用于提取血管中心线,能够最大限度地保留血管拓扑结构特征;自适应特征融合结构体嵌入在两个模块的特征层间.该结构体通过学习像素级的融合权重,有效地将血管拓扑结构特征与血管局部特征相融合,加强血管特征的结构信息响应.为了获得更完整的骨架图,骨架图提取网络还引入了基于图的正则化损失函数用于训练.与最新的血管分割方法相比,该方法在3个公共视网膜图像数据集上均获得第一名,在DRIVE,STARE和CHASEDB1中其F1值分别为83.1%,85.8%和82.0%.消融实验表明骨架图引导的视网膜血管分割效果更好,并且,基于图的正则化损失也能进一步提高血管分割准确性.通过将骨架提取模块和血管分割模块替换成不同的卷积网络验证了框架的普适性.

“红领模式”能够复制吗?

点评1传统企业的管理层需要解决的问题是:能否在"互联网+"时代找到适合自己的定位;是否愿意在IT上做持续的投入;能否在行业中建立品牌效应?2013年,青岛红领以零库存实现20亿元营收,在低迷的大环境下逆势实现营收、利润增长150%,一时成为企业界万众瞩目的制造业新星。今天,红领已成为一个全国知名的传统企业"互联网+"转型的成功典范。红领之所以受业界这么大的关注。

Dell兼并EMC是好事吗?

DELL合并EMC,对业界有何影响。存储行业从"高大上"向价廉物美方向发展,渐渐被服务器融合,对用户可能是个好事。多少有些出乎意料之外。戴尔在私有化时,估值250亿美元。其2014年收入据估计约560亿美元。而E M C的出售价格是670亿美元,其年收入是244.4亿美元。从估值来看,戴尔买E M C是以小并大,以弱并强。但从营收上看,戴尔收购E M C也还说得过去。E M

IT丛林中的生存之道

在瞬息万变的IT行业,企业经营者必须认准趋势,把握方向,制定符合市场发展的战略,并具备强大的执行力,才能在IT丛林中生存、发展、壮大。如果把S u n从1986年闪亮上市到2009年黯然被收购的24年浓缩为一天,那么在这一天中我们可以经历IT科技发展的几乎所有重要事件:芯片(X86,Sparc,Power,ARM),操作系统(Unix,Windows,Linux),高级编程语言(Java,C#),分布式架构,开源运动,

新的基于双ZED摄像头的心肺复苏按压姿势检测模型

目的正确的胸外按压姿势(chest compression posture,CCP)是完成高质量心肺复苏(cardiopulmonary resuscitation,CPR)的重要基础,但目前关注CCP的研究十分有限。本研究设计新的CPR按压姿势自动分析程序,拟实现对CCP监测达到客观化、标准化和自动化的目的。方法本研究共招募15人参与现场试验,其中专业组11人,非专业组4人。分别于正前方和45度侧面用ZED双摄像头同时记录按压视频数据,所有参与人员均在Smartman模拟人上进行连续的120次持续胸外按压操作。3位专家对CPR视频进行独立标注,智能算法提取人体骨骼点用于后续分析和模型开发。专业组和业余组两组率的比较采用卡方检验进行统计分析。结果研究分析发现,腕部用力、手指未翘起、重心偏移、肘部弯曲是其中发生率最高的错误。通过专业组规范数据集共28800组人体骨骼点坐标数据计算手臂角度合理范围为左臂169.24°~180.00°,右臂角度为168.49°~180°。相同的方法,得到重心角度合理范围为0.00°~18.46°。在此基础上,构建的基于双ZED的CPR按压姿势检测模型可以较准确的识别出CPR的按压姿势错误(准确率91.31%,敏感度80.16%,特异度93.53%)。结论本研究创新性的提出对CPR按压姿势进行客观评价的方法,并且在此基础上构建了基于双ZED摄像头的CPR按压姿势检测模型,可以较准确的识别出CPR的按压姿势错误,以实现CPR培训质量控制可以更加的自动化和标准化。

划时代意义的“人机大战”

未来的市场赢家，很大程度上取决于能否掌握深思时代的云计算、大数据、物联网技术，加速其业务转型。