卷积神经网络在肝包虫病CT图像诊断中的应用

探讨卷积神经网络(Convonlutional Neural Network,CNN)在肝包虫病CT图像诊断中的应用。选取两种类型的肝包虫病CT图像进行归一化、改进的中值滤波去噪和数据增强等预处理。以LeNet-5模型为基础提出改进的CNN模型CTLeNet,采用正则化策略减少过拟合问题,加入Dropout层减少参数个数,对二分类肝包虫图像进行分类实验,同时通过反卷积实现特征可视化,挖掘疾病潜在特征。结果表明,CTLeNet模型在分类任务中取得了较好的效果,有望通过深度学习方法对肝包虫病提供辅助诊断和决策支持。     

后疫情时代《Python语言程序设计》线上教学的思与行

后疫情时代,防控常态化.针对高校线上教学实践,文章提出基于人本主义、构建主义、活动理论、成果导向等理论基础的线上教学活动模式,以我校《Python语言程序设计》课程为例从教学理念、教学目标、教学设计、教学组织、师生关系等五个方面来构建以"教师主导——学生主体"的多元化、立体化、创新性智慧云课堂,为线上教育的研究和实践提供一定的参考和借鉴.     

基于医学图像内容的挖掘技术研究

该文以医学图像数据为背景,研究了医学图像挖掘技术,总结了医学图像挖掘的一般过程,并对基于医学图像内容的相似性检索、关联规则挖掘、分类挖掘和时间序列分析等理论和技术进行了探讨和分析。     

基于数据增强的CT图像病灶检测方法

基于医疗影像的辅助诊断技术正处于快速发展阶段,但是受医学影像数据量的制约,使得基于深度学习的建模方法无法向更复杂的模型进行探索.本文从医学CT影像数据增强方法出发,概述了医疗影像病灶图像的成像特点,针对病灶检测及分割任务对现有方法进行了归类总结,并阐述了当前医学影像检测和分割的难点.分别从病灶检测相关技术、影像数据增强方法、基于生成对抗网络(Generative Adversarial Network,GAN)的病灶检测方法等方面进行了总结.最后,针对医学领域内基于深度学习的数据增强方法:标准GAN、pix2pixGAN、CycleGAN模型进行了对比分析,并展望未来医学影像分析领域的发展趋势.     

信息管理与信息系统专业“专业+双创”人才培养模式的研究

分析目前高校创新创业教育培养模式,结合本校信管专业人才培养模式的现状,提出"专业+双创"的人才培养模式改革方案,通过在人才培养方案中增加"双创"课程模块,将"双创"理念融入专业教学,依托校企联合平台开展实践教学,为应用型本科专业人才培养模式的研究提供思路。     

改进ConvNeXt的肝囊型包虫病超声图像五分类研究

肝包虫病是严重危害人畜健康的重要人畜共患寄生虫病，超声检查是肝包虫病的首选检查方法，采用深度学习技术能够有效减少人工误差，降低成本并提高诊断效率。以ConvNeXt模型为基础，结合焦点损失函数和Lion优化器，最后引入CBAM构建CLCFNet模型实现肝囊型包虫病早期筛查和精确诊断。在肝囊型包虫病超声影像数据集进行的消融实验表明，对比基准模型分类准确率、精确率、召回率、特异度和F1指数平均提升了4.3%、21%、25%、4%和26%，对比实验也验证了所提出方法各指标优于现有流行方法。改进算法显著降低了模型推理时间，增强了模型训练的稳态性能，可以实现肝囊型包虫病的快速和精准分类识别。