【摘 要】
：
前列腺癌是男性生殖系统最常见的恶性肿瘤,被认为是中老年男性的主要健康危害之一。计算机辅助医疗（Computer Aided Diagnosis,CAD）是一种通过AI结合医学图像处理以及影像学等技术发现并标记病变区域,提高医生诊断准确率的方法。基于图像分割任务的深度学习算法一般使用卷积神经网络,这种方法结合医学图像分割需要较高的分割效率,这就对卷积神经网络模型复杂度,训练成本提出了很高的要求,进一
论文部分内容阅读
前列腺癌是男性生殖系统最常见的恶性肿瘤,被认为是中老年男性的主要健康危害之一。计算机辅助医疗（Computer Aided Diagnosis,CAD）是一种通过AI结合医学图像处理以及影像学等技术发现并标记病变区域,提高医生诊断准确率的方法。基于图像分割任务的深度学习算法一般使用卷积神经网络,这种方法结合医学图像分割需要较高的分割效率,这就对卷积神经网络模型复杂度,训练成本提出了很高的要求,进一步限制了深度学习方法在医疗辅助诊断上的实际应用。本文面向前列腺肿瘤病理图像分割任务,主要关注于任务所用的卷积神经网络算法。本文选择在医学图像分割中应用广泛的U-net卷积神经网络为基础框架。为了使模型提供更加准确和稳定的分割结果,设计了一种具有新特征融合方式的网络结构,通过引入反卷积特征,提高了模型的数据增强能力和应对数据偏移、旋转等误差的鲁棒性,使模型能够更好的达到临床应用的要求。为了解决模型参数量提升导致的训练成本增加的缺点,设计了一种包含全新融合特征结构的降低参数的卷积神经网络,采用注意力机制思想,提出了特征融合比重系数策略,对特征图谱进行重构,从而达到降低模型参数量的目的。本文设计了多个对比性实验用来验证模型方法的有效性。实验结果与预期相符,优化策略模型的平均Dice分数从0.749提高到0.813。结果还显示优化后模型在保证网络分割精度不下降的前提下,参数量下降了约0.2M。实验结果证明了本文所提出的融合放卷积特征优化算法和新特征融合结构的有效性。
其他文献
生物信息学是研究生物信息的采集、处理、存储、传播,分析和解释等方面的学科,它通过结合生物学、计算机科学、信息工程、数学和统计学对生物数据进行分析和解释,是一门交叉学科。生物信息学的研究方向包括基因组学和蛋白质组学等,通过算法来分析和理解核酸序列和蛋白质序列中的组织原理,揭示巨量生物信息数据中所蕴含的生物学奥秘。深度学习是机器学习领域中一个新的研究方向,其灵感来自于人脑过滤信息的方式。深度学习存在很
针对炮位侦察校射雷达在弹丸上升段长时间预测落点偏差大的问题,文中提出了一种基于长短时记忆（LSTM）网络的弹丸长时间落点预测模型修正算法。针对训练样本少的问题,采用知识驱动和数据驱动相结合的双驱动方法,结合传统无迹卡尔曼滤波预测作为先验知识,利用LSTM网络对射向和侧向偏差量进行学习拟合构建误差模型,并利用误差模型对外推弹道进行射向和侧向修正。仿真验证表明:采用少量训练样本就可显著提升弹丸长时间落
生物信息学的研究重点主要体现在基因组学和蛋白质学两方面,具体地说就是从核酸和蛋白质序列出发,分析序列中表达结构和功能的生物信息.生物信息学的基本任务是对各种生物分析序列进行分析。这里我们依据蛋白质氨基酸序列研究三型分泌系统效应蛋白的分类研究,以及根据m RNA序列研究亚细胞定位。Ⅲ型分泌系统（T3SS）可以在许多致病细菌中发现,例如痢疾杆菌,鼠伤寒沙门氏菌,霍乱弧菌和致病性大肠杆菌。这些细菌的感染
熵搜索及其派生方法是一类贝叶斯优化方法,其可实现黑盒函数的主动探索。它们最大程度地增加了有关黑盒函数获得全局最优的输入空间位置的信息增益。然而,现有的熵搜索方法遭受由高维优化问题引起的困扰。一方面,用于估计熵的计算随着维数的增加而呈指数增长,这限制了熵搜索对高维问题的适用性。另一方面,许多高维问题的性质是大量维度数对目标函数的影响很小,但是目前没有压缩机制来排除这些多余维数。在本文中,提出了一种新
目的 探究绿原酸（Chlorogenic acid,CGA）对粪肠球菌（Enterococcus faecalis,E.faecalis）诱导的高血压模型小鼠降压和肾脏保护作用。方法 将20只6～8周龄C57BL/6小鼠随机分为对照组、粪肠球菌组、绿原酸组和粪肠球菌+绿原酸组。给小鼠灌胃10~9CFU粪肠球菌或100 mg·kg-1绿原酸溶液8周，期间使用尾套法测量血压，取材前使用代谢笼收集尿
4G网络的广泛普及推动了移动终端的快速发展。安卓（Android）作为占据全球市场份额最多的移动端操作系统,其安全性广受学术界和产业界的关注。由于安卓系统具有开放和易移植的特点,导致移动应用市场中充斥大量恶意软件。这些恶意软件不仅影响用户使用体验,而且极大地危害了用户的身心健康和财产安全。随着恶意软件开发者技术更新迭代,当前的检测方法不能很好满足高效精准的检测需求。其具体表现在检测特征和分类器单一
多标签分类旨在为单一样本预测一个标签集合,是机器学习中被广泛研究和重点关注的一类问题。多标签分类在真实世界有许多典型的应用,包括图像标注、用户画像、文本分类和音乐/电影分类等。尽管一些有效的算法已经被逐渐提出来,但不管是传统多标签分类算法还是深度多标签分类模型都缺乏较好的可解释性。此外,多标签分类仍然存在以下关键难点,即:如何有效减小庞大的标签输出空间、如何显式建模视觉特征与语义标签的对应关系和如
在5G时代,为了应对爆炸式增长的移动端流量,通常将数据中心中的内容缓存到边缘基站,在减轻骨干网带宽压力的同时提高用户体验,即移动边缘缓存。与此同时,越来越多的互联网内容提供商开始依赖推荐系统为用户提供个性化的内容推荐服务,提高用户服务满意度。可以看出,在5G边缘计算时代,边缘缓存策略和推荐策略相互影响。联合优化边缘缓存和推荐策略有助于进一步提高缓存的利用率和提升用户的服务质量,具有重要的研究价值。
天际线指天空与地面上建筑或自然景物的交界线,针对天际线场景的监测可以有效应用于城市整体规划及形态控制、山体稳定性监测、大坝结构形变监测等方面的任务中,具有重要的实际应用价值。然而,目前效果最好的基于主动相机重定位（Active Camera Relocalization,ACR）的场景像素级微变监测方法在应用于天际线景观监测时通常存在两方面问题。一是现有的ACR方法均依赖二维图像特征提取及匹配来计