-
题名含高相关协变量的纵向广义线性模型变量选择研究
- 1
-
-
作者
范涛
赵培信
-
机构
重庆工商大学数学与统计学院
统计智能计算与检测重庆市重点实验室
-
出处
《应用数学进展》
2024年第7期3175-3181,共7页
-
文摘
结合半标准偏协方差函数(SPAC)和Lasso惩罚估计方法,对一类纵向数据下的广义线性模型的变量选择问题提出一种基于SPAC-Lasso惩罚的变量选择方法。在一些正则性条件下证明了所提出的变量选择方法的相合性,并给出了所得正则估计的收敛速度。所提出的变量选择方法允许协变量之间存在高相关性,改进并推广了已有变量选择方法的应用领域。
-
关键词
广义线性模型
高相关协变量
纵向数据
变量选择
-
分类号
G63
[文化科学—教育学]
-
-
题名基于深度学习的非零水平集保凸的左心室分割
- 2
-
-
作者
李季
胡锦萍
-
机构
重庆工商大学数学与统计学院
重庆工商大学统计智能计算与检测重庆市重点实验室
电子科技大学信息与通信工程学院
-
出处
《光电子.激光》
CAS
CSCD
北大核心
2024年第6期596-603,共8页
-
基金
国家自然科学基金青年项目(11901071)
重庆市自然科学基金面上项目(cstc2019jcyj-msxmX2019)
重庆市教委自然科学项目(KJQN202000816)资助项目。
-
文摘
采用距离正则化水平集演化(distance regularized level set evolution, DRLSE)模型对左心室(left ventricle, LV)进行分割会使其产生锯齿状,分割效果较差。为了解决左心室分割目前面临的问题,本文首先使用基于卷积神经网络(convolutional neural network, CNN)的心肌中心线检测算法,取代了水平集方法的人工初始化过程,其次提出了一种基于非零水平集保凸的左心室分割方法。将距离正则化水平集演化(distance regularized level set evolution, DRLSE)模型(水平集方法)、深度学习方法与新方法的平均度中心性进行比较发现,新方法在收缩末期(end-systole, ES)的平均DC(dice coefficient)值为0.93,高于其他方法;除此之外,新方法在舒张末期(end-diastole, ED)与ES阶段的平均豪斯多夫距离(Hausdorff distance,HD)分别为2.51、2.54,明显小于深度学习方法以及水平集方法。实验结果表明,新方法能够有效地提高分割精度。
-
关键词
左心室(LV)分割
非零水平集
曲率
保凸
卷积神经网络(CNN)
-
Keywords
left ventricle(LV)segmentation
non-zero level set
curvature
convexity
convolutional neural network(CNN)
-
分类号
TP391.4
[自动化与计算机技术—计算机应用技术]
-