医学CAD系统中降低假阳性率的解决方案

如何提高乳腺癌计算机辅助诊断系统（CAD）中的灵敏度一直是众多学者研究的热点,特别是针对亚洲女性及年轻妇女的致密组织图像的检测。尽管之前已经提出了针对该类图像的解决方法,实验也表明,该方法可以提高系统的灵敏度（真阳性率TP）,但人们发现随着TP的提高也伴随了假阳性率（FP）的增长。所以,本文的研究目的是在前续研究的基础上,即保证CAD系统的灵敏度的同时尽可能地降低假阳性率。     

致密组织图像的图像增强算法

近年来乳腺癌有年轻化的趋势,年轻妇女的乳腺组织结构以致密组织为主,由于致密组织在乳腺X光片中也呈现出高亮度,所以致密组织很容易被误解为微钙化。文章主要针对这些图像,提出一种新的图像增强算法。试验证明,该算法可以改进CAD系统性能,并能更好地在致密乳腺组织图像中检测微钙化点。     

工作项目导向的迭代式教学模式研究与实践

通过分析项目教学法存在的弊端,研究项目教学法在课程教学上的具体应用,引入现代软件工程的迭代开发方法,探讨“工作项目导向的迭代式教学模式”.重点介绍了工作项目导向的迭代式教学模式在高职教学中的应用,给出了该教学模式的设计方法和设计原则,指出了在实施过程中的基本思路和教学方法,研究了其对课程和专业建设的作用.     

基于BP神经网络的肺结节自动检测算法研究

长期监测发现近年来我国肺癌发病率上升至原先的4倍,气象等专家经过研究发现,灰霾是致肺癌高发的一个根本原因,特别是在城市。肺癌的早期诊断十分重要。利用计算机图像处理技术检测肺癌早期标志物——肺结节,可以提高肺癌诊断的准确率。据此设计了一个CAD系统,尝试通过四个步骤实现肺结节的检测:肺实质分割、感兴趣区(ROI)的提取、特征的提取与计算、肺结节检测。     

深度学习与图像融合的行人检测算法研究

为解决智能辅助驾驶技术中可见光摄像机受光照和气候影响而导致行人目标识别困难的问题。通过研究图像融合技术,结合深度卷积神经网络,实现并改进了一种道路行人目标检测算法。方法是利用多源传感器图像融合技术,采用可见光相机与红外热成像相机融合的策略,以Faster RCNN算法为基础,从改进网络结构、特征融合、优化模型训练等方面展开研究,对复杂环境下的行人检测与定位跟踪展开研究,提出一种基于图像融合技术和改进的深度卷积神经网络的道路行人目标检测算法。实验结果表明,该算法对复杂气候环境下行人目标检测提高了检测效率和准确率,增加了智能辅助驾驶汽车的安全性。     

改进的直方图均衡化算法在图像增强中的应用

在数字图像处理过程中,针对直方图均衡化算法增强图像,提出了一种改进的直方图均衡化算法,应用于图像增强。该算法结合全局直方图均衡化、局部直方图均衡化特性,利用增量式直方图均衡化,从处理方法上对直方图均衡化算法进行了改进。实验结果表明,文中提出的方法能更有效的增强图像,去除图像噪声,为后续有效的识别特征提供了基础,同时提高图像目标识别的效果。     

无线传感器网络路由协议LEACH的研究与改进

LEACH是针对无线传感器网络设计的低功耗自适应分簇聚类路由算法,作为一种WSN路由协议,因为其优秀的节能效果和其简单的规程得到了广泛的认可。但是LEACH簇首算法存在簇首开销大、簇首没有确定的数量和位置等不足,而在成簇后的稳定阶段,节点通过一跳通信将数据传送给簇首,簇首也通过一跳通信将聚合后的数据传送给基站,这样会造成簇首节点负载过重,针对LEACH算法的不足,本文在LEACH协议的基础上提出了改进,NS2模拟实验表明改进后的算法减少了簇首节点能量的消耗,延长了传感器网络的寿命。     

基于混合智能分类方法的微钙化簇检测系统

乳腺癌的早期症状检测,可在患病妇女的乳腺X光片中找到微钙化簇,但那些小尺寸低对比度的微钙化簇容易被忽略或被医生误诊.对此,提出一种用于混合智能分类方法判断乳腺X光片中微钙化点的计算机辅助诊断系统,以帮助放射科医生分析乳腺X光片并作出诊断决定,帮助增加真阳性的检出率和减少假阳性的诊断.该系统主要包括三个模块:预处理和分割;感兴趣区(ROI)的说明;特征提取和分类.诊断结果通过ROC曲线的性能来体现,并且根据ROC曲线下方的面积(即AZ)来量化.     

基于虚拟工作项目的动画脚本技术课程教学方法改革

根据动漫行业的发展现状和对Flash软件应用人才需求趋势,通过分析本校动漫专业学生的的实际学习能力,本文重点阐述《动画脚本技术》课程在构建课程教学内容体系、确定虚拟工作项目、改革教学模式和教学方法、革新学生的学习过程和方法以及构建网络教学平台等方面所作的改革探索,并提出一系列解决具体问题的方法和见解。     

基于LVQ神经网络的微钙化分类方法

提出了一个基于自适应的学习矢量量化神经网络（LVQ）的乳腺肿瘤良恶性分类方法,在提取特征向量的基础上,对CC和MLO两种视图的良性和恶性数字化乳腺X光片图像进行训练和测试,并使用最佳分类率和平均分类率来分析分类结果。实验结果表明该方法对CC视图的图像的平均测试分类率为92.6%,而对MLO视图是93.18%。在微钙化分类系统中采用逻辑＂或＂的方式合并两种不同视图下的网络,可以获得的最佳分类性能是94.8%。