人工神经网络在中药模式识别中的应用

介绍了人工神经网络在中药模式识别中的应用，对阿胶、牛黄、地不容、柴胡等进行了模式识别，识别结果令人满意，讨论了本法的稳定性、容错性及可靠性，并对人工神经网络的应用前景进行了展望。     

极端学习机与支撑向量机在早期非小细胞肺癌预后预测的比较研究

在医学上目前还没有很有效的模型对非小细胞肺癌病人术后生存时间进行预测.本文利用极端学习机和支撑向量机对此进行预测,预测的正确率最高分别达到79.2%和74.1%左右,取得了良好的效果.该研究对如何有效地选择模型进行非小细胞肺癌病人术后生存时间进行预测提供了指导方法.     

基于知识的肺癌早期细胞诊断系统

介绍了一个基于知识的肺癌早期细胞病理诊断系统，着重理讨论了该系统中的知识表示形式及与之相配合的基于确定性模式的不确定性方法。该系统能自动从细胞图象中提取出必需的特征事实，并模仿病理专家的诊断逻辑，自动揄出最终结果。     

利用人工神经网络进行无损检测的探讨

无损检测的问题可视为特殊的模式识别的问题，而人工神经网络是处理模式识别最有效的技术和方法之一。本文探讨用人工神经网络的方法进行无损检测，并特别给出了用误差反向传播网络进行无损检测的方法。     

肺癌早期诊断系统的设计与实现

本文讨论了基于形态色度特征的肺癌早期诊断系统的设计思想,给出了细胞图象分割的算法,介绍了利用细胞图像中的形态学信息和色度学信息对肺癌细胞进行识别分类的方法,结果表明,本文提出的方法是有效的。     

人工神经网络在文物分类系统中的应用研究

人工神经网络由于其强大的学习和适应能力,广泛应用于模式识别、模式分类、自动控制、图像处理及智能系统的非线性建模等方面。文中对几种典型的人工神经网络的结构、功能、学习算法进行了综述,详细介绍了人工神经网络在文物分类系统中的应用,比较结果可以得出自组织竞争神经网络的分类效果要优于其它两种神经网络。     

CT图象特征的Fuzzy识别法（二）

Ｆｕｚｚｙ（模糊）模式识别是模式识别的一个新分支。文章以Ｆｕｚｚｙ集理论及模式识别理论为基础,根据专家提供的并用语言变量描述的ＣＴ征象,通过对数字化图象进行边检、分割和特征提取,识别出了小肺癌分叶、毛刺、空泡、星芒、瘤体密度均匀性等特征并描述了识别结果。     

肺腺癌CT影像分子分型研究进展

研究表明在明确驱动基因后进行特异性靶向治疗,肺癌患者的中位生存期显著延长。而除高通量测序技术和荧光原位杂交等分子生物学技术外,影像基因组学的出现,也为肺腺癌分子分型预测提供了一种无创的新方法。本文对肺腺癌计算机断层扫描（computed tomography,CT）影像分子分型的研究进展进行综述。首先,介绍肺腺癌分子分型的研究背景及肺腺癌主要的基因突变类型;然后,重点介绍两种主要的研究方法,即CT语义特征与肺腺癌分子亚型的相关性分析和基于机器学习的肺腺癌分子分型预测模型;最后,总结了该领域现阶段面临的主要问题,并对未来的研究方向做出展望。肺腺癌CT影像分子分型研究已经取得了一定成果,但仍存在很多问题。相关性分析与基于影像组学的预测模型研究由于样本各异且受过多人为干预,导致研究结果差异大,甚至有部分文献得到的结论截然相反。而基于深度学习的预测模型研究采用端到端的神经网络模型,人为参与极少,降低了研究难度,但尚处于起步阶段,构建的模型大多相对简单,远不能达到临床应用标准。今后的研究应聚焦于结合多种医学图像构建肺腺癌分子分型的大样本深度学习预测模型,同时结合临床信息、语义特征及影像组学特征,实现肺腺癌分子分型的无创、精准预测。     

人工神经网络在文物分类系统中的应用研究

人工神经网络由于其强大的学习和适应能力,广泛应用于模式识别、模式分类、自动控制、图像处理及智能系统的非线性建模等方面.文中对几种典型的人工神经网络的结构、功能、学习算法进行了综述,详细介绍了人工神经网络在文物分类系统中的应用,比较结果可以得出自组织竞争神经网络的分类效果要优于其它两种神经网络.     

金银花的模式识别

应用人工神经网络原理，采用误差反向传播方法，通过3层BP网络，对中药金银花进行了模式识别。通过模式识别，对样本进行了成功的分类。结果表明，同一种药物利用不同的仪器、不同的实验方法进行分析，得到不同的实验数据，实验数据的特征值也不尽相同。但通过人工神经网络模式识别，可得到相同的结果，从而证明了人工神经网络性能的优越性。     

基于卟啉传感器阵列系统的肺癌标志物识别算法

卟啉传感器阵列系统可以检测肺癌呼出气体中特定的标志性气体,不同标志性气体检测输出的差值图谱不一样.介绍了一种结合反向传播(BP)神经网络和主成分分析(PCA)的肺癌标志性气体种类识别算法,并将其应用在卟啉传感器阵列系统中.通过计算卟啉传感器阵列中各点的主成分得分选出敏感点,保留各气体敏感点的值,并组成识别模板作为BP神经网络的输入层,达到去除冗余数据的目的.通过实验对比聚类分析结果、未降维数据的BP神经网络识别结果及已经PCA降维后的数据作为输入的BP神经网络识别结果,证明提出的算法可以更加精确地识别不同的肺癌标志性气体.     

肺癌分类识别中的神经网络集成技术研究

This paper describes a neural network ensemble method in lung cancer cell identification process. A neural network ensemble algorithm LCNE based on image feature extraction is proposed. Firstly, LCNE algorithm trains different neural network classifiers designed for shape and color features individually. Then, using neural network en-semble method, the final lung cancer cell identification results can be achieved. On the basis of LCNE algorithm, weimplement a lunu cancer cell identification system LCDS successfully.     

基于多尺度和特征融合的肺癌识别方法

针对病人肺结节大小各异、结节征象复杂造成的结节检测困难问题,基于迁移学习提出一种多尺度和特征融合的肺癌识别方法,根据CT图像预测病人未来一年内患肺癌的概率。根据肺结节和肺肿块大小,采用3种不同尺度的图像块输入三维结节检测网络,避免小尺度输入的结节检测网络难以获取大区域病灶整体特征的问题;在多尺度输入基础上采用特征融合策略,将网络提取的瓶颈层特征和输出层特征融合,充分描述病灶的详细特征。在Kaggle Data Science Bowl 2017数据集上的实验结果表明,所提方法降低了肺癌预测的损失值,提高了肺癌识别精度。     

基于NRU网络的肺结节检测方法

肺癌的早期发现和早期诊断是提高肺癌患者生存率的关键。由于肺癌早期结节很小,目前已有的肺结节检测系统在检测这些结节时很容易漏诊。准确检测早期肺癌结节对于提高肺癌治愈率至关重要,为了降低检测系统对早期结节的漏诊率,需要优化候选结节的提取步骤。在U-Net网络中引入残差网络的捷径,有效解决了传统U-Net网络由于缺乏深度而导致结果较差的问题。在此改进的基础上提出了一种U型噪声残差网络NRU（Noisy Residual U-Net）,通过利用跳跃层连接的特性和向卷积层添加噪声来增强神经网络对小结节的灵敏度。使用Lung Nodule Analysis 2016和阿里巴巴天池肺癌检测竞赛数据集训练神经网络。U-Net和NRU之间的比较实验表明,该算法对直径为3~5 mm（97.1％）的小结节的灵敏度大于U-Net值（90.5％）。     

ANN层状介质结构识别方法的鲁棒性研究

通过对理论信号的实测信号的分析,研究了人工神经网络对层状介质结构识别的 鲁棒性,分析了层状介质物理参数的变化对神经网络识别效果的影响.实验结果表明.各介 质参数在一定范围内变化时,所得神经网络具有较强的鲁棒性.该研究结果反映出利用神经 网络进行层状介质结构识别具有较强的实用价值.     

基于改进U-net的肺癌识别方法

目前基于深度学习的肺癌辅助诊断方法存在无法准确定位病灶的缺陷。针对该问题,在现有U-net网络结构的基础上提出一种分两步走的基于改进U-net的肺癌识别方法。利用U-net获得病灶精确位置,通过CNN分类网络对病灶进行诊断,得到原始CT图像的检测结果。实验结果表明,该方法可以对肺部病灶进行较为精确的定位,分割效果的DSC相似度指数超过80%,对肺癌病灶进行分类诊断的准确率达到90.7%。     

基于复杂网络理论的肺癌特异性基因识别研究

基于复杂网络理论分别构建以肺癌组织和健康肺组织基因为节点,基因间调控关系为边的基因调控网络,并从拓扑结构、分布特征、节点中心性三方面分析网络特性,挖掘网络核心节点生物功能差异性以识别出肺癌特异性基因。结果发现,肺癌组织和健康肺组织基因调控网络拓扑参数极其相似且两者都为无标度网络,两网络核心节点集高度重叠,但非重叠部分核心节点的生物功能十分特殊,并据此识别出肺癌特异性基因。该方法识别出的肺癌特异性基因,能够成为潜在肺癌生物标记物,为肺癌的早期诊断提供帮助,同时该方法能够适用于其他疾病特异性基因的识别。     

基于神经网络的肺癌细胞识别方法的研究

细胞识别是图像处理和模式识别领域的一个研究热点,有着十分广泛的应用前景。本文提出了基于神经网络算法FTART2的肺癌细胞识别方法,讨论了FTART2的网络结构、输入矢量的标准化及分类算法。用513个样本对网络进行训练,再用716个样本组成测试集进行测试,实验结果表明:本文提出的基于FTART2的肺癌细胞分类器与基于标准BP的分类器相比,具有学习速度快、分类精度高的特点。     

图像智能识别技术在图像自主导航中的应用

为了实现图像自主导航,研究了基于人工神经网络的图像智能识别技术。利用神经网络非线性、自适应性、鲁棒性及自学习特性,完成了从模式空间到类型空间的映射,得到不同类对象的不同几何不变矩特征,从而实现对图像的智能识别。图像处理技术已经成功地运用到了飞行器的导航方面,图像智能识别技术的进一步完善将有力地推动图像自主导航技术的发展。     

基于Logistic回归、ANN、SVM的乳腺癌复发影响因素研究

为找出乳腺癌复发的影响因素,并比较人工神经网络（ANN）型、支持向量机型（SVM）和logistic回归型在乳腺癌复发中的预测效能.本文结合南斯拉夫卢布尔雅那大学医疗中心乳腺癌肿瘤研究所的277例数据,对乳腺癌复发的影响因素进行研究.分别采用了logistic回归、人工神经网络和支持向量机方法来建立乳腺癌复发的预测模型,并对这三种分析方法进行了理论方法和预测效能的比较.结果发现,肿瘤大小、有无结节冒、肿瘤恶性程度（P<0.05）是乳腺癌术后复发的主要影响因素,而在不同的预测方法中相对于logistic回归模型,支持向量机和人工神经网络具有更好的预测效能,其中支持向量机的预测效能最好.