基于医学征象和卷积神经网络的肺结节CT图像哈希检索

针对肺结节图像检索中存在的两个问题:手工设计的特征对肺结节的表达能力不强,生成的哈希码检索效果不佳。文中提出一种基于医学征象和卷积神经网络的肺结节CT图像哈希检索方法。首先,依据肺结节的9种征象取值,构造训练集准确的哈希码;其次,利用卷积神经网络和主成分分析法提取肺结节的重要语义特征,并结合训练集准确的哈希码反向求解哈希函数;最后,提出一种基于自适应比特位的检索方法,实现待查询肺结节图像的快速检出。通过对数据集进行实验和分析,证实了本文方法在肺结节图像检索过程中取得了较高的准确率和检索精度。     

基于Web数据的本体概念抽取

本体论(Ontology)在知识管理及语义网(Semantic Web)中越来越重要,但建造本体往往需要耗费大量的时间,且建造完成后本体的维护对知识管理者来说也是费时的工作。自动创建领域Ontology可以克服手工方法的不足,成为当前的研究热点之一;而概念是本体中最重要的组成部分之一,从半结构化的Web文档中自动抽取概念的效率和准确度的高低,直接决定了自动建造的本体的质量,提出一种自动的本体概念抽取模型,此模型不依赖于领域词典或核心本体,并且能达到快速有效地通过对中文Web文本挖掘自动地构建及更新领域本体概念的目的。     

基于双模态深度自编码的孤立性肺结节诊断方法

近年来,深度学习技术在肺癌诊断方面得到了广泛的应用,但现有的研究主要集中于肺部CT图像。为了有效提高肺结节的诊断性能,提出一种基于双模态深度降噪自编码的肺结节诊断方法。首先,分别从肺部CT和PET图像中得到肺结节区域的特征信息;然后,以候选结节的PET/CT图像作为整个深度自编码网络的输入,并对高层信息进行学习;最后,采用融合策略对多种特征进行融合并将其作为整个框架的输出。实验结果表明,提出的方法可以达到92.81%的准确率、91.75%的敏感度和1.58%的特异性,且优于其他方法的诊断性能,更适用于肺结节良/恶性的辅助诊断。     

多输入卷积神经网络肺结节检测方法研究

针对传统计算机辅助诊断系统中肺部结节检出过程复杂,检出结果依赖于分类前期每个步骤的性能,以及存在假阳性率高的问题,提出了一种基于卷积神经网络的端到端的肺结节检测方法。该方法首先使用大量带标签的肺结节数据对构建的多输入卷积神经网络进行训练,实现从原始数据到语义标签的有监督学习。然后采用快速边缘检测方法和二维高斯概率密度函数构建候选区域模板,从待检测CT序列中获取候选区域并将其作为多输入卷积神经网络的输入数据。最后采用判定阈值实现疑似肺结节区域标注,同时在相邻的CT影像中进行重点检测。在LIDC-IDRI数据集上的大量实验结果表明,所提方法在肺部CT影像中对微、小结节的检出率较高;同时,重点检测模板能够小幅降低微、小结节检测的假阳率。     

自适应数据库中基于特征向量的聚类算法

负载自适应数据库系统中,负载特征化部件要实时对各种数据库的访问负载分类,根据分类的情况预测负载对数据库资源需求。是对常规聚类算法的一个改进,提出基于特征向量的聚类算法和基于特征向量的增量聚类算法。使用该算法后负载分类速度和准确性有明显提高。     

比例电磁铁推拉储能式PWM功放电路

针对传统脉冲宽度调制(Pulse Width Modulation,PWM)功放电路难以满足大功率高频响比例电磁铁线圈快速充放电要求的问题,提出一种基于推拉储能原理的PWM功放电路。在比例电磁铁功放电路中设置储能模块,当线圈需要快速充电时,储能模块释放能量,补充供电电源电流输出;当线圈需要快速放电时,储能模块充电吸收能量,从而缩短线圈的充放电时间。针对功率79 W、额定电流3.3 A的某比例电磁铁线圈进行仿真分析和实验,研究表明:相比传统的反接卸荷式功放电路,该推拉储能式PWM功放电路充电时间缩短24%,放电时间缩短45%,显著提高了大功率比例电磁铁的响应速度。     

数据库负载自适应技术的研究

数据库系统的负载自适应是一个性能管理过程,在这一过程中自主数据库系统自动地控制和过滤负载,并有效地使用数据库系统资源来满足网络应用的性能要求(SLA).文中将针对负载自适应技术开展研究.提出一个改进的数据库负载自适应体系结构框架WAAD(Workload Adaptation Architecture for DBMS),依据该框架初步搭建了一个测试平台QS(Query Scheduler)并做出了测试,测试结果表明该框架起到了提高网络应用性能的作用.     

自闭症干预中无监督自编码的语音情感识别

语音情感识别是人机交互中重要的研究内容,儿童自闭症干预治疗中的语音情感识别系统有助于自闭症儿童的康复,但是由于目前语音信号中的情感特征多而杂,特征提取本身就是一项具有挑战性的工作,这样不利于整个系统的识别性能.针对这一问题,提出了一种语音情感特征提取算法,利用无监督自编码网络自动学习语音信号中的情感特征,通过构建一个3层的自编码网络提取语音情感特征,把多层编码网络学习完的高层特征作为极限学习机分类器的输入进行分类,其识别率为84.14%,比传统的基于提取人为定义特征的识别方法有所提高.     

基于Laplacian金字塔和小波变换的医学CT图像增强算法

对医学图像进行增强可提高信息的利用率。传统的图像增强方法应用于医学图像时处理效果一般,存在诸多问题,如在增强图像的同时使图像的细节丢失,减弱了图像中目标的边缘信息,降低了图像的对比度。针对上述问题,提出一种基于小波变换和Laplacian金字塔分解的图像增强算法。首先,对原医学图像进行小波变换分解,得到处理结果;然后,对原医学图像进行Laplacian金字塔分解,得到医学图像的高频信息;最后,利用小波变换的结果和Laplacian金字塔分解的结果进行重构,得到增强后的图像。实验结果表明,该方法的增强效果明显优于传统的图像增强算法,对医学图像具有较好的增强效果,同时能更好地抵抗噪声。