排序方式: 共有19条查询结果,搜索用时 15 毫秒
1.
糖尿病视网膜病变(diabetic retinopathy, DR)是一种糖尿病性微血管病变,会在球结膜微血管上有所体现,球结膜血管图像的获取比眼底图像更加便捷,但微血管的特征变化微小且难以量化。为了能够对患者进行早期辅助诊断,本文依据球结膜微血管形态与DR的关联,首先对球结膜图像进行预处理,使用限制对比度自适应直方图均衡(contrast limited adaptive histogram equalization, CLAHE)算法进行图像增强,随机处理使数据增强,然后结合卷积神经网络(convolutional neural network, CNN)和Transformer各自的网络优势构建CTCNet,对处理后的球结膜血管图像进行DR分类,分类准确率达到了97.44%,敏感度97.69%,特异性97.11%,精确度97.69%,通过实验对比CNN和Transformer, CTCNet网络性能优于其他模型,能够有效识别DR。 相似文献
2.
如何在MFC中利用OpenGL实现三维图形的绘制 总被引:5,自引:0,他引:5
针对OpenGL强大的三维图形功能和Visual C 完善的基础类库,将二者结合起来,开发出基于Win32环境下的高品质的三维图形应用程序.文中介绍了作者在工程实践中利用MFC开发OpenGL三维图形功能的关键技术,提出了在MFC的框架下构造虚基类来实现MFC和OpenGL函数库之间的接口的方法. 相似文献
3.
亚临床期圆锥角膜(subclinical keratoconus, subkc)发病隐匿,现有医疗设备诊断存在局限性,所以提出一种诊断亚临床期圆锥角膜的检测方法是十分必要的。有研究发现圆锥角膜(Keratoconus, kc)力学性能的改变早于形态学,因此从角膜生物力学的角度筛查亚临床期的圆锥角膜更加符合临床实际。本文运用角膜生物力学特征,以点云数据作为网络输入数据,将SO-Net (self-organizing network)和自注意力(self-attention, SA)机制结合构建SOANet,对圆锥角膜、亚临床期圆锥角膜和正常角膜进行分类。首先,利用可视化生物力学分析仪(corneal visualization Scheimpflug technology, Corvis ST)拍摄角膜受力形变视频,对其进行处理得到点云数据集,接着对点云数据进行增强处理,使3种类型的角膜数据量分布均衡。然后按照3∶1的比例划分训练集和测试集,分别对角膜进行二分类和三分类。最终模型在二分类和三分类测试集上的准确率分别达到98.3%和91.26%,即有效识别亚临床期圆锥角膜和圆锥角膜。实验... 相似文献
4.
5.
6.
圆锥角膜在病变过程中会导致角膜中央部位向前凸出,使角膜呈现出圆锥形,而且会导致高度不规则近视和散光,对视力造成不同程度损害。疾病一般发生于青少年时期,为了能及时治疗避免病变严重,筛查区分圆锥角膜具有十分重要的意义。而且临床上对于圆锥角膜诊断通常是采用角膜地形图的方法,可以得到角膜形态学的改变,但是有一定的误诊率。目前研究发现,角膜力学特性改变先于形态学,所以本文从角膜生物力学角度出发,提出一种基于多层感知机(multi-layer perceptron,MLP)神经网络区分圆锥角膜的模型。首先,利用可视化生物力学分析仪(corneal visualization scheimpflug technology,Corvis-ST)测得角膜的生物力学视频,进行处理计算得到角膜生物力学参数作为数据集,其中包含正常角膜和圆锥角膜2种类别;然后,针对角膜生物力学参数数据集构建MLP神经网络模型,将70%数据集作为训练集,30%数据集作为测试集。在数据集上训练及测试的结果表明,该模型区分圆锥角膜的准确率为97.6%。 相似文献
7.
8.
圆锥角膜是一种进展性的角膜疾病,多发于青春期,会造成不规则散光以及视力下降,晚期致盲需进行角膜移植,因此圆锥角膜的早期精准筛查是阻止疾病进展避免恶化的必要条件。神经网络作为一种经典的算法是圆锥角膜诊断的有效工具。但随着圆锥角膜病例数据日益增长,为了充分利用新增数据,往往需要对所有样本重新训练,这将耗费大量的时间。为了解决上述问题,本文提出集成神经网络的增量式学习算法,以实现圆锥角膜的智能诊断。此外,本文还引入欠采样和代价敏感思想,用于解决已有增量式学习算法无法处理不均衡数据的问题。实验结果表明,本文提出的算法识别精度达到97%,并且所需训练时间短、存储空间少,因此本算法能够更高效地辅助圆锥角膜诊断。 相似文献
9.
传统装配系统中依靠人力进行重复性劳动,容易 由于人的操作具有疲劳性和人眼分辨 率有限等特点造成失误,为了避免浪费人工和时间,解决工厂环境中光线等不稳定因素,提 出了一种基于YOLO v3算法对形状多样的工业零件识别方法。在智能装配系统中根据视觉检 测结果判断零件种类,弥补了传统方法的不足,满足产品生产系统的节拍要求。改进后的YO LO v3网络模型使用k-means算法重新聚类预选框的参数,残差网络来减少网络的参数,结 合 多尺度方法、采用Mish激活函数提高精确度,使其更适合工业零件的小目标分类检测。该模 型以3D打印的工业零件制作数据集,实验表明与原有的YOLO v3算法对比,使用改进后的网 络模型具有良好的鲁棒 性,准确率提高了1.52%,时间提高了7.25 ms,实现精确实时地检测出智能装配系统中的零件种类。 相似文献
10.