简介:摘要目的研究基于全卷积网络的左侧乳腺癌放疗三维剂量分布预测方法,并对其预测精度进行评估。方法利用全卷积网络实现三维剂量分布预测。首先建立60例左侧乳腺癌患者的容积调强弧形治疗(VMAT)计划库,从库中随机选取10例作为测试集数据,其他50例作为训练集数据;然后,构建U-Net模型,利用该网络在器官结构矩阵和剂量分布矩阵间建立相关模型;最后,利用模型预测测试集病例的剂量分布,并将预测结果与实际计划结果比较。结果10例测试患者的PTV、患侧肺、心脏、双侧肺、脊髓的剂量平均绝对离差分别为(119.95±9.04)、(214.02±9.04)、(116.23±30.96)、(127.67±69.19)、(37.28±18.66) cGy。处方剂量80%、100%范围计划剂量和预测剂量的Dice相似性指数分别为0.92±0.01和0.92±0.01。处方剂量80%和10%范围内区域3 mm/3%标准的γ通过率分别为0.85±0.03、0.84±0.02。结论利用全卷积网络可实现左侧乳腺癌行VMAT患者的三维剂量分布预测。
简介:摘要:在我国市场经济快速发展的背景下,终端区空域结构不合理导致空中交通问题日益严重,也影响了空中交通的发展,空域需求量日益增加,空域容量早已不能满足空中交通,因交通问题导致的误机行为和航班拥挤问题越来越严重。怎样对终端区空域进行规划以及如何解决终端区空域规划中存在的问题,如何进行优化处理都亟待解决。
简介:摘要:改进的向量生成模型和特征提取模型分别从融合后的环境体系中对关键词深层解读。通过CNN建模指代特征提取,以向量矩阵作为输入,融合后的分向样本作为输出集合多义词样本循环多层分向提取。模型内部特殊采用分向相对卷积思想,保留了空间信息内的词语完整释义。向量化指代分析中采用改进CBOW模型的PYP算法,观测每个单词的参数分布,模拟上下文窗口结构,加入权重系数验证结构和内容的概率分布可行。
简介:摘要近年来卷积神经网络(convolutional neural network ,CNN)在辅助分析肺癌方面表现出良好的应用前景和研究价值。CNN可以从图像数据中自主学习以提取特定的与临床相关的特征。本文对构建CNN通过输入CT图像进行端到端分析,从而在术前预测肺癌风险和临床治疗效果;以及通过输入肺结节组织切片图像进行术后病理学分析作一综述。
简介:摘要目的探讨基于卷积神经网络(CNN)的人体行为识别在新一代院前急救中的应用。方法从蒙特利尔跌倒视频数据集获取60份视频,按5∶1比例分为模型训练数据和评价测试数据。①数据模型训练:利用奇异值分解对图片进行清晰化处理,通过目标检测与傅里叶变换识别图片中人体的目标边界,将人体曲线描绘出来;利用OpenCv计算机视觉和机器学习软件库人体姿态估计将人体的重要部位(如臀部、膝盖)标出,计算重要部位连线与水平方向的夹角及检测框架的长宽比例,识别人体是否具有异常行为。②评价测试:从模型训练数据集中随机提取6个视频,每个视频抽取10个1帧,将每帧看成一张图片,对每帧进行CNN行为识别,计算正常行为和异常行为的识别率。结果数据模型训练过程中,对每帧进行人为的标签化,训练CNN人体行为识别模型。评测结果显示,正常行为识别率为(90.33±3.03)%,异常行为识别率为(87.74±2.88)%。结论在路人发生危险行为时,通过CNN识别人体行为可判断其是否处于危急状态,并及时发出预警,对院前急救起到至关重要的作用。
简介:
简介:摘要 : 为提高现有苹果目标检测模型在硬件资源受限制条件下的性能和适应性,实现在保持较高检测精度的同时,减轻模型计算量,降低检测耗时,减少模型计算和存储资源占用的目的,本研究通过改进轻量级的 MobileNetV3网络,结合关键点预测的目标检测网络( CenterNet),构建了用于苹果检测的轻量级无锚点深度学习网络模型( M-CenterNet),并通过与 CenterNet和单次多重检测器( Single Shot Multibox Detector, SSD)网络比较了模型的检测精度、模型容量和运行速度等方面的综合性能。对模型的测试结果表明,本研究模型的平均精度、误检率和漏检率分别为 88.9%、 10.9%和 5.8%;模型体积和帧率分别为 14.2MB和 8.1fps;在不同光照方向、不同远近距离、不同受遮挡程度和不同果实数量等条件下有较好的果实检测效果和适应能力。在检测精度相当的情况下,所提网络模型体积仅为 CenterNet网络的 1/4;相比于 SSD网络,所提网络模型的 AP提升了 3.9%,模型体积降低了 84.3%;本网络模型在 CPU环境中的运行速度比 CenterNet和 SSD网络提高了近 1倍。研究结果可为非结构环境下果园作业平台的轻量化果实目标检测模型研究提供新的思路。
简介:摘要:电力设备局放监测对保障电力安全具有重要意义,传统的人工巡检方式由于配电设备覆盖范围极广监测困难,这种巡视监测方法不仅需要耗费巨大的人力成本而且一些潜在的故障也不容易及时发现。本文使用基于深度网路的人工智能技术对配网设备状况实时监测,应用深度卷积神经网络对开关柜的超声波和地电波数据进行分析,达到配网设备智能监测的目的,节约了人力和时间降低了配网设备的维护成本。深度卷积神经网络在经过训练以后可以对配网设备运行时所产生的特定信号进行实时分析与识别,从而对设备的运行状况进行判断。将从传感器采集的数据进行快速傅立叶变换再输入到卷积网络训练测试,在不对信号进行降噪处理的前提下,依然可以准确地给出设备运行的确切状况。
简介:摘要目的构建一个基于YOLO算法和ResNet网络的自动检测结直肠息肉的深度卷积神经网络(deep convolutional neural network,DCNN)模型,并测试其功能。方法选取武汉大学人民医院消化内镜中心数据库2018年1月—2019年3月的肠镜图像及视频并分为3个数据集(数据集1、3、4),另以公共数据集CVC-ClinicDB(由西班牙巴塞罗那医院提供的29个结肠镜检查视频中提取的612帧息肉图像组成)作为数据集2。数据集1(2018年1—11月的肠息肉图像3 700张,无息肉图像1 000张)用于DCNN模型构建、训练与验证;数据集2和数据集3(2019年1—3月的肠息肉图像320张,无息肉图像400张)用于DCNN模型在图像中的测试;数据集4(2018年12月肠镜视频15个,包含33个息肉),用于DCNN模型在视频中的测试。主要观察DCNN模型检测肠息肉的敏感度、特异度、准确率和假阳性率。结果DCNN模型在数据集2中检测肠息肉的敏感度为93.19%(602/646);在数据集3中检测肠息肉的准确率为95.00%(684/720),敏感度为98.13%(314/320),特异度为92.50%(370/400),假阳性率为7.50%(30/400);在数据集4中检测息肉逐息肉个数的敏感度为100.00%(33/33),逐帧准确率为96.29%(133 840/138 998),逐帧敏感度为90.24%(4 066/4 506),逐帧特异度为96.49%(129 774/134 492),逐帧假阳性率为3.51%(4 718/134 492)。结论构建的DCNN模型可用于自动检测结直肠息肉,在静止肠镜图像及肠镜视频中均具有较高的敏感度与特异度,且在视频中测试的假阳性率低,可用于帮助内镜医师检测结直肠息肉。
简介:摘要目的验证基于深度卷积神经网络(DCNN)的小肠胶囊内镜智能辅助系统识别、诊断小肠出血的能力。方法通过ESView平台收集1 970例患者的158 235张小肠胶囊内镜检查图像(其中包括165例小肠出血患者的3 765张图像),用于基于DCNN的小肠胶囊内镜智能辅助系统的训练阶段。在验证阶段,用100例小肠出血患者(活动性出血10例、血痂病例31例、黏膜下出血59例)的图像验证该系统识别、诊断小肠出血的能力。结果基于DCNN的小肠胶囊内镜智能辅助系统的阅片系统可识别小肠出血病灶,并在原胶囊内镜图像上标注;该系统可以显示并标注同一出血病灶的多张图像和同1张图像内多个不同出血病灶;阅片医师利用该系统对100例小肠出血图像的平均阅片时间为(5.23±1.31) min/例,对小肠出血诊断的灵敏度达99.00% (95%CI 93.76%~99.95%)。结论基于DCNN的小肠胶囊内镜智能辅助系统对小肠出血的识别灵敏度高,可用于辅助阅片医师识别、诊断小肠出血。