基于深度残差网络的医学超声图像多尺度边缘检测算法

为提高医学超声图像在临床诊断的效果, 需先对图像进行优化检测和识别, 提出一种基于深度残差网络的医学超声图像多尺度边缘检测算法. 首先, 通过对原始医学超声图像进行自动标注, 构建医学超声图像灰度分布矩阵, 利用分布矩阵完成医学超声图像的多尺度分割; 其次, 构建医学超声图像多尺度边缘的轮廓模型, 提取多尺度图像边缘特征; 再次, 构建深度残差网络结构, 采用深度残差学习算法进行超声图像的底层图像信息融合; 最后, 对融合后的边缘图像数据进行多尺度边缘检测. 实验结果表明, 该算法的图像分割精度高, 特征提取准确率达80%以上, 图像边界中间断区检测效果较好, 边缘点查全性较高, 算法检测耗时短、收敛性强.     

基于卷积神经网络与特征选择的 医疗图像误差预测算法

针对传统医疗图像误差预测算法无法很好的选择图像特征,存在图像误差预测值与实际值拟合度低、预测耗时长等问题,提出基于卷积神经网络与特征选择的医疗图像误差预测算法.首先,选取5种集成规则构建自适应多分类器,对医疗图像区域进行分类;其次,训练卷积神经网络,利用训练完成的神经网络提取不同类别医疗图像区域特征,以此为基础计算区域距离,寻找出相似度最小的区域,完成图像可疑区域定位;再次,融合多评价标准生成特征子集,从中搜索得到最优特征子集,完成可疑区域图像特征选择;最后,以选择得到的特征区域像素点作为训练样本,建立预测样本与训练样本之间的多元线性回归矩阵,实现误差预测.实验结果表明,所提算法的集成规则适应度较高,分类性能好,区域距离计算准确率高达95％左右,特征选择的AUC值(Area Under Curve)高,且预测结果拟合度和预测耗时均优于传统算法.     

基于量子计算的医疗敏感信息智能加密算法

针对管理医疗敏感信息存在数据被攻击窃取的问题, 提出基于量子计算的医疗敏感信息智能加密算法。首先考虑混合纠缠态设计医疗敏感信息量子加密的密钥构造, 并分析密钥内部构造的协议子空间矩阵, 由此组成密钥信息。 然后通过计算信息的邻域分布函数, 构建分离矩阵量子编码, 为密钥重排提供处理数据, 考虑量子纠缠态及其附加态的干扰情况, 进行有效密钥加密, 最后实现医疗敏感信息智能加密。 实验结果表明, 采用该方法进行医疗敏感信息智能加密的抗攻击能力较好, 加密信息的传输效率高, 整体性能较好。     

完善实践教学体系培养机电类学生创新能力

针对工学本科学生创新能力未能得到充分发挥的问题提出了一种新的学生创新能力培养的方法。该方法主要是在改革传统课程教学形式的基础上,通过使用现代化教学手段、分组教学、项目教学、开放实验、课外科技活动及产学研结合的形式,培养学生的创新能力;与传统教学方式相比较,不仅可以使学生较好地掌握所学的理论知识,还使学生的动手能力和创新意识得到充分的发挥。近三年的教学成果表明了该方法的有效性。     

单片机课程设计实践教学

为了更好的学习和应用单片机理论知识,在教学过程中开设了单片机课程设计环节,并通过选题、分组、答辩的形式,开发学生内在潜力,培养学生创新精神和动手能力。