【摘 要】
：
目的 提出一种基于深度网络特征融合的分类方法，以提高良恶性分类的准确率，辅助医生提高术前诊断卵巢包块良恶性的准确率。方法 纳入深圳市人民医院943幅经活检、手术病理等证实的患者术前卵巢超声图像，按照6∶2∶2的比例随机设置训练集、验证集和测试集。首先，提取医生勾画的感兴趣区域（region of interest,ROI）即包块图，用微调后的EfficientNet网络提取其深度特征；然后用基于C
论文部分内容阅读
目的 提出一种基于深度网络特征融合的分类方法，以提高良恶性分类的准确率，辅助医生提高术前诊断卵巢包块良恶性的准确率。方法 纳入深圳市人民医院943幅经活检、手术病理等证实的患者术前卵巢超声图像，按照6∶2∶2的比例随机设置训练集、验证集和测试集。首先，提取医生勾画的感兴趣区域（region of interest,ROI）即包块图，用微调后的EfficientNet网络提取其深度特征；然后用基于Chan-Vese模型的水平集方法得到包块边缘轮廓图，再用微调后的EfficientNet网络提取其深度特征；接下来将包块图的深度特征和边缘轮廓图的深度特征分别归一化后并拼接为融合特征；最后，将融合特征输入到全连接层分类器中，将超声图像分为良恶性。结果 本文提出的超声图融合专家知识的EfficientNet卵巢包块良恶性诊断方法在测试集上的准确度、特异度、敏感度和曲线下面积分别为0.81、0.78、0.88、0.91，全部优于当前主流的深度学习方法。结论 该特征融合网络能够取得较好的分类效果，一定程度上能够为临床诊断卵巢包块的良恶性提供参考。
其他文献
重大题材电视剧是社会主义文艺重要而特殊的组成部分。近年来，重大题材电视剧紧贴主题主线、紧跟时代步伐，创作出一大批立得住、传得开、叫得响的优秀作品，凝聚了民族精神、助力了文化发展，成为推动广播电视和网络视听走向高质量发展的重要引擎之一。与此同时，管理部门探索出一条引导创作、保障精品的发展之路，进一步推动重大题材电视剧从高原走向高峰。
本文尝试从时代性、人民性、创新性三个维度来论证“两创”思想对我国新时代电视剧高质量发展的指导意义，其具体体现在：对新时代进行全景式展现，注重在场感营造，凝炼时代精神；对人民立场的坚守，辩证地看待平凡与伟大的关系；以日常化叙事和类型化人物的特点对传统现实主义进行创新。
目的 探讨慢性肾炎患者采取个性化健康教育与饮食指导结合干预的效果。方法 在2019年05月-2021年05月时段收治的慢性肾炎患者中选取68例配合研究，根据随机数字表法分两组，各34例。对照组执行传统护理，观察组执行个性化健康教育和饮食指导。比对两组干预前后营养指标、肾功能指标及饮食依从性和营养状态。结果 干预后观察组健康知识知晓率97.06%较对照组85.29%高，组间比较差异显著（P＜0.05
针对石煤沸腾焙烧料提钒原料差异大、工艺流程过长、钒回收率低（大多低于60%）、成本偏高等问题，采用拌酸熟化浸出-氧化中和-离子交换-铵盐沉钒-煅烧的工艺路线提钒。实验结果表明，在硫酸用量为原料质量的20%、熟化温度100℃、熟化时间6 h的条件下，石煤沸腾焙烧料中的钒浸出率达到90.2%,最终制备得到的产品V2O5粉末质量稳定可靠，达到了行业标准水平。该工艺流程短，工程建设投资低、钒回收率高、提钒
为提升卷积神经网络用于阿尔兹海默症MRI图像分类的效果，提出一种融合自适应注意力机制和数据增强技术的卷积神经网络FAMENET。通过引入数据增强技术和Focal Loss损失函数缓解数据不平衡现象；重构优化主干网络EfficientNet，在保持精度的情况下减少模型参数量和网络的计算量；引入自适应注意力机制，解决输入图片进行特征提取下采样过程导致的信息丢失问题。在公开数据集进行大量对比实验，FAM
＜正＞ （一）关于第四纪哺乳动物体型增大的问题,早已引起了古生物学家的注意,特别是对于欧洲的第四纪哺乳动物。欧洲在第四纪的时候,曾有大陆冰川出现,气候寒冷,于是一些古生物学家根据博格曼的定律（Bergmann’s Law）,而解释第四纪哺乳动物的体型增大,是
针对传统卷积神经网络模型复杂度高、参数量大，网络分类的精度和效率不佳等问题，提出一种应用于医学超声图像中肝硬化识别的深度学习方法（E-EfficientNet）。在EfficientNet网络模型中，将模块MBConv中的注意力机制SENet模块替换为一种不降维的ECANet模块，避免降维操作导致的特征信息缺失，增强通道学习能力并降低模型复杂度；将可变形卷积融入EfficientNet网络，利用可
为提高临床上对肺炎X射线图像诊断的效率及准确率，本研究基于EfficientNet网络模型，融合卷积注意力模块（convolutional block attention module, CBAM）提出了一种识别肺炎和正常图像的分类算法。首先，对数据进行增强以防止过拟合现象；其次，通过CBAM模块提升网络对肺炎病灶区的特征提取能力；最后，使用迁移学习加速网络训练，以提升分类性能。结果表明，该算法分