【摘 要】
：
缺血性脑卒中是最常见的脑部急性疾病，严重威胁患者生命安全。在诊断此种疾病时，常需要在CT灌注影像中分割出病灶，并获取卒中位置、形状等信息。鉴于深度学习方法在图像分割方面取得的成功经验，采用并改进基于深度学习的分割方法，提高缺血性脑卒中病灶的分割精度，可为临床医生提供更好的帮助。 针对U型网路(U-Net)网络在多次池化、卷积过程中信息丢失、梯度消失以及因训练数据集较小而导致的过拟合问题，提出了D
论文部分内容阅读
缺血性脑卒中是最常见的脑部急性疾病，严重威胁患者生命安全。在诊断此种疾病时，常需要在CT灌注影像中分割出病灶，并获取卒中位置、形状等信息。鉴于深度学习方法在图像分割方面取得的成功经验，采用并改进基于深度学习的分割方法，提高缺血性脑卒中病灶的分割精度，可为临床医生提供更好的帮助。
针对U型网路(U-Net)网络在多次池化、卷积过程中信息丢失、梯度消失以及因训练数据集较小而导致的过拟合问题，提出了DSU-Net(Dense Single-path U-Net)模型。该模型在U-Net网络的基础上采用早期融合策略，使其能够同时处理四种参数图像；其次加入嵌套、密集的跳跃连接结构，相较于U-Net模型具有更强的多尺度特征提取能力；同时，在训练过程中使用骰子系数(Dice Loss)作为损失函数，更好地缓解了图像数据中分割目标和背景占比差异较大问题。
针对不同抽象层次的信息组合在缺血性脑卒中分割中还未得到充分利用的缺陷，采用FU-Net(Full-Scale U-Net)网络进一步改善网络分割性能。该网络仍为单编码路径，同时处理四种参数图像，但该网络每一层解码器都结合了来自同层及之上小尺度编码器层中的特征图以及来自下层解码器中的特征图,另外在下采样过程使用金字塔池化进一步提升不同尺度特征的提取能力，最后在编解码路径中加入ResBlock模块，使其更进一步缓解梯度消失问题，加速网络训练。
在ISLES-2018数据集上进行模型分割结果评估，评估结果显示，FU-Net的平均分割Dice达到0.692，能够辅助医生进行初步诊断。与其他使用相同训练集的模型相比，FU-Net在测试集上的分割Dice最优。
其他文献
动态有向图中具有更新依赖关系，即有向边的目的图顶点的状态值依赖于源图顶点的状态值。当沿着动态有向图中更新依赖关系传递的方向依次异步串行地处理图顶点时，图顶点状态值能够在动态有向图中快速传递。然而，现有软件图处理系统和硬件图加速器无法实时感知和利用更新依赖关系的这种特性，因此，现有方法在处理动态有向图增量计算时无法同时实现快速迭代收敛和低预处理开销。 针对现有软件和硬件方法在处理动态有向图增量计算
随着网络功能虚拟化和边缘计算的演变和发展，网络功能被部署在靠近用户的边缘服务器上来减少用户和云之间的数据交换和端到端的延迟。由于边缘服务器集群的资源有限，现有许多研究致力于开发轻量级的基于容器的网络功能虚拟化平台。然而，在基于容器的网络功能虚拟化平台中，多个容器共用同一个核来节省资源。这样会引起虚拟网络功能之间相互竞争资源，从而导致虚拟网络功能所服务的流的性能需求无法得到保证。 基于容器的网络功
核值是一种反映图的聚合度的重要指标，也是图数据分析中紧密子图挖掘的一个热点，它适用于对网络拓扑结构的分析以及社区的查找，还可以用来遏制谣言的传播。静态图上的核值计算以及动态图上的核值更新分别称作核值分解和核值维护问题，这一类问题已经得到了广泛的研究。然而，绝大多数的这些研究都只关注于无权图，但是在现实场景下，大部分的图都是有权的，每个个体在网络中都自带一定权重。然而，目前还没有较为高效的算法能解决
近年来，网络空间安全事件频发，对社会造成了难以估计的影响。在这样的背景下，针对软件系统的漏洞检测研究愈发重要。深度学习因其强大的建模能力和智能化学习能力受到了广泛关注，研究人员纷纷应用深度学习技术进行源代码的表征学习以生成漏洞检测模型。然而，当前漏洞检测领域极度缺乏用于训练模型的真实软件漏洞数据集，目前有效的数据大都用人工的方式生成，效率低且成本高。此外，现有基于深度学习的漏洞检测方法大多是使用线
自2008年比特币问世以来，区块链作为比特币等加密货币的底层技术引起了金融界和学术界等多个领域的广泛关注。区块链本质上是一个提供了一个开放的分布式一致性算法的分布式数据库系统。尽管区块链技术是一种完全去中心化且设计安全的协议，它仍存在可扩展性的瓶颈：低交易吞吐率和高确认延迟，这些因素很大地限制了区块链的实际应用。因此设计一种可扩展的分布式一致性算法非常具有现实意义。 分片技术是提高区块链可扩展性
随着深度学习(Deep Learning, DL)的快速发展，为了帮助从业者快速编写和训练模型，出现了大量的深度学习框架。这些框架按照编程范式可以分为两类：声明式编程框架和命令式编程框架。TensorFlow和PyTorch分别是这两类中最受欢迎的框架，分别使用静态和动态计算图来表示计算过程，前者能在运行之前对计算图进行优化，而后者能更好地处理变长输入。由于两者使用了不同的计算图理念，其在框架设计
随着互联网和移动互联网的发展，社交网络凭借其信息传播速度快传播范围广的特点迅速成为人们网络社交的重要平台，对社交数据中话题的趋势进行研究和分析具有重要意义。本文构造爬虫系统从微博平台上爬取大量社交数据并对其进行初步分析。提出改进的文本表示模型并运用融合了NMF和时间窗类簇合并的层次聚类算法进行文本聚类形成话题。最后分析影响话题趋势的特征并对趋势预测模型进行对比研究和改进。 首先，构建了一个爬虫系
步态是一种用于识别人的重要生物特征，因其具有能远距离捕获特征且无需配合的优势，在视频监控领域吸引了越来越多的关注。与基于步态轮廓图的方法相比，利用人体骨骼数据可以有效缓解协变量变化对步态识别性能的影响。然而现有的基于行人骨骼的方法往往将骨骼数据建模为矢量序列或伪图像，然后送至CNN或RNN进行处理，由于缺乏对关节点信息的有效利用，识别效果不够好。 考虑到人体骨骼拓扑图具有良好的稳定性和不变性，本
容器是一种轻量级的虚拟化技术。由于其部署便捷和启动快速等特点，容器在云平台中的应用场景近年来不断增加。容器需要专门的存储驱动(如Aufs、Overlay等)对镜像进行层次化的管理。然而，存储驱动的引入也增加了I/O路径的复杂性，使得多容器场景下的I/O扩展性受限。 为了研究容器文件系统的扩展性问题，设计了有关Overlay文件操作扩展性的性能评估。根据评估结果，当执行文件操作时，Overlay比
知识图谱的概念由知识库衍生而来，数据实体间通过相互关系链接在一起。知识图谱技术旨在存储开放世界中实体及实体之间的复杂关联信息，能够改善现有知识库的数据查询准确度及搜索效率，在知识自动问答、推荐系统等领域有着广泛的应用价值。现有的知识图谱通常是不完善的，且数据关联稀疏，导致其在自动问答、智能推荐等应用系统上的表现非常糟糕。基于文本增强的知识图谱表示学习技术，充分利用文本数据丰富的语义信息，并将与知识