基于多模型融合方法的肺结节良恶性分类

针对CT图像中肺结节因边缘模糊、特征不明显造成的分类效果有偏差的问题,本文提出一种嵌入注意力机制的多模型融合方法(简称MSMA-Net).该方法先将原始CT图像进行肺实质分割和裁剪操作后得到两种不同尺寸的图像,然后分别输入到空间注意力模型和通道注意力模型进行训练,其中,空间注意力模型着重于提取肺结节在CT图像中的空间位...     

基于MDRA-net的肺结节良恶性分类方法

CT图像肺结节大小、形状和纹理的多样性,导致肺结节的良恶性诊断十分困难。在三维卷积神经网络的基础上,提出了一种基于多深度残差注意力机制的网络（MDRA-net）,用于良恶性肺结节分类。MDRA-net通过在残差分支上使用特征融合及迭代分层融合的方法,提升了网络对结节位置特征及全局特征的感知能力;此外,结合注意力机制,引入projection and excitation模块,利用空间和通道信息进行校准,进一步提升了网络提取特征的能力。在LUNA16数据集上的实验结果表明,MDRA-net分类模型的肺结节检测准确率达96.52%,灵敏度和特异性分别为93.01%和97.77%,较现有的基于深度学习的肺结节良恶性分类模型有较大提升。     

基于深度学习的肺结节良恶性及恶性等级分类应用

肺结节精确分类是提前诊断肺癌的基础。若能在早期检测恶性肺结节并干预处理,对患者预后有很大影响。深度学习能够自动提取肺结节的特征,完成肺结节的良恶性及恶性等级分类。基于此,介绍LIDC-IDRI及LUNA16这两个常用的肺结节数据集,阐述卷积神经网络（Convolutional Neural Networks,CNN）、视觉几何组（Visual Geometry Group,VGG）、迁移学习肺结节良恶性分类中的应用及其实验对比,总结U-Net、生成对抗网络（Generative Adversarial Networks,GAN）应用于恶性肺结节等级分类及该网络的相关研究现状,最后综合分析深度学习在该领域的应用情况。     

基于深度学习的肺结节多分类方法

临床上肺结节的评估往往需要综合临床信息和影像特征进行判断,不同类型的结节的肺癌概率和判定标准也不尽相同,文章基于LIDC-IDRI数据集和额外的人工标注,提出了一种肺结节多分类的方法,利用多分类卷积神经网络,对预处理之后的CT数据进行肺结节的四分类,得到的分类结果更注重对临床医生的可理解的特征分类进行判断。实验表明,该方法取得了良好的效果,四种分类的准确性都在92%以上。该方法可以给医生提供一个可靠的结节分类效果,便于后续的肺结节评估。     

基于空间转换网络的肺结节分类方法

为了降低肺结节分类问题中因样本的形变、扭曲、偏移等对分类结果的影响,提出一种基于空间转换网络的特征提取网络模型。在该模型中,利用空间转换网络的自适应仿射变换能力,赋予分类网络以自主矫正样本的能力,提升分类模型的鲁棒性。经过实验证明,该方法能够有效提高分类任务的准确率。     

基于混合属性的零样本图像分类

对于具有相似属性的类别而言,在有限维度的语义属性下,基于属性的零样本图像分类器难以对它们进行正确区分.考虑到语义属性描述类别的有限性,在直接属性预测(Direct Attribute Prediction,DAP)模型的基础上,提出一种基于混合属性的零样本图像分类模型(Hybrid Attribute-Based DAP,HA-DAP).首先,对样本的底层特征进行稀疏编码并利用编码后的非语义属性来辅助现有的语义属性;将非语义属性与语义属性构成混合属性并将其作为DAP模型的属性中间层,利用属性预测模型的思想进行混合属性分类器的训练;最后,根据预测的混合属性以及属性与类别之间的关系进行测试样本类别标签的预测.在OSR、Pub Fig以及Shoes数据集上的实验结果表明,HA-DAP的分类性能优于DAP,不仅能够取得较高的零样本图像分类精度,而且还获得了较高的AUC值.     

面向肺结节多语义特征分类的不确定性多任务损失方法

肺结节的早期诊断对后续的治疗非常重要.尽管深度学习方法在肺结节良恶性分类等任务中取得了良好的结果,但是这些方法没有提供有意义的诊断功能,导致获得的结果缺乏客观性.越来越多的研究者引入了肺结节的其他语义特征来解决这个问题,但是多个语义特征的引入会造成模型的负迁移.为了解决肺结节多个语义特征之间同步共享知识的程度不同造成的...     

基于语义的视频检索关键技术综述

随着大量视频的出现,视频内容检索是当今多媒体应用的一个重要研究方向。现有的视频检索技术多是基于低层特征,这些低层特征与高层语义概念相差较多,严重影响了视频内容检索系统的实用性。由于低层特征和高层语义概念间的语义鸿沟,如何从视频内容中提取人类思维中的语义概念,正成为目前视频内容检索中最具有挑战性的研究内容。文中介绍了语义视频检索出现的背景和国内外最新研究动态,分析了现有方法的优缺点,对现有的关键技术进行综述。     

基于语义文法的属性知识获取

概念的属性和属性值获取是文本知识获取领域的一个重要的研究方向。提出一种基于语义文法获取属性知识的方法。首先,构造出一种描述属性知识的属性文法,该文法可以匹配包含属性知识的语句;然后,利用解析器EKEL和属性文法对文本进行匹配,获得谓词表达形式的属性知识。通过对互联网文本中属性知识的抽取,平均准确率达到71%。     

基于粗糙集特征级融合的肺结节检测算法

以肺结节的检测为研究目标,针对肺结节特征级融合检测算法中存在特征结构不合理和特征表达不紧致两个问题,提出了一种基于粗糙集特征级融合的肺结节检测算法,该算法首先分析肺部CT影像的医学征象,提出了六个新的三维特征,并综合其他二维和三维特征共42维特征分量共同量化ROI;然后基于粗糙集对提取的特征集合进行5次特征级融合实验;最后利用网格寻优算法优化核函数的SVM作为分类器进行肺结节识别.以70例肺结节患者的肺部CT影像为原始数据,通过4组对比实验验证算法的有效性和稳定性,实验结果表明,经过粗糙集特征级融合的肺结节检测算法识别肺结节的能力得到了有效提升.     

基于共享特征相对属性的零样本图像分类

在利用相对属性学习实现零样本图像分类中,现有的方法并没有考虑属性与类别之间的关系,为此该文提出一种基于共享特征相对属性的零样本图像分类方法。该方法采用多任务学习的思想来共同学习类别分类器和属性分类器,获得一个低维的共享特征子空间,挖掘属性与类别之间的关系。同时,利用共享特征来学习属性排序函数,得到基于共享特征的相对属性模型,解决了相对属性学习过程中丢失属性与类别关系的问题。另外,将基于共享特征的相对属性模型用于零样本图像分类中,有效提高了零样本图像分类的识别率。实验数据集上的结果表明,该方法具有较高的相对属性学习性能和零样本图像分类精度。     

基于多尺度上下文语义信息的图像场景分类算法

传统视觉词典模型没有考虑图像的多尺度和上下文语义共生关系.本文提出一种基于多尺度上下文语义信息的图像场景分类算法.首先,对图像进行多尺度分解,从多个尺度提取不同粒度的视觉信息;其次利用基于密度的自适应选择算法确定最优概率潜在语义分析模型主题数;然后,结合Markov随机场共同挖掘图像块的上下文语义共生信息,得到图像的多尺度直方图表示;最后结合支持向量机实现场景分类.实验结果表明,本文算法能有效利用图像的多尺度和上下文语义信息,提高视觉单词的语义准确性,从而改善场景分类性能.     

中文文本倾向性分类技术比较研究

随着近几年互联网的发展，网络评论数量正日益增加。对这些网络评论进行挖掘和分析，识别出其中的情感倾向，可以给用户、企业、政府提供重要的决策支持。采用机器学习方法中的朴素贝叶斯和支持向量机分类模型，根据不同的停用词表、特征选择方法、特征加权方法的组合，对中文文本倾向性分类进行了研究。结论表明，采用保留情感信息相关词性的停用词表，以文档频率为特征选择方法，并应用基于绝对词频的支持向量机分类模型，能取得较好的分类效果。     

Feature‐Based Relation Classification Using Quantified Relatedness Information

Feature selection is very important for feature‐based relation classification tasks. While most of the existing works on feature selection rely on linguistic information acquired using parsers, this letter proposes new features, including probabilistic and semantic relatedness features, to manifest the relatedness between patterns and certain relation types in an explicit way. The impact of each feature set is evaluated using both a chisquare estimator and a performance evaluation. The experiments show that the impact of relatedness features is superior to existing well‐known linguistic features, and the contribution of relatedness features cannot be substituted using other normally used linguistic feature sets.     

一种基于CT影像的肺癌病灶检测新方法

 肺癌病灶的检测一直是重要与困难的工作,本文提出了一种基于三维CT影像的肺结节计算机辅助检测新方法.基于自适应阈值等方法分割肺实质区域;由于肺血管是肺结节检测的重要干扰,建立一种形变模型精确分割并过滤肺内血管组织;基于Hessian矩阵特征值构造可选择形状滤波器检测疑似结节,并进一步过滤剩余的细小血管组织;提取多个结节特征,并采用基于规则分类器进行分类.实验结果表明,该方法可以有效帮助医生提高肺癌疾病的诊断准确率.     

基于KNN的汉语问句分类

汉语问句分类是问答系统中重要的组成部分,问句分类结果的好坏直接影响问答系统的质量。利用知网(HowNet)义原树计算问句之间的语义相似度,并以此作为句子之间的距离度量,利用KNN算法构造分类器进行问句分类,并对最近邻分类算法、KNN分类算法及改进的KNN分类算法进行实验比较。结果表明加权的KNN分类器分类效果最好,达到了89.8%的精确率。     

基于相似性计算的领域模型语义查询

为提高领域资产库的复用能力,解决领域模型与用户的个性化需求不能完全匹配时仍能为目标应用系统的构建提供支持的问题,提出了领域模型语义查询算法.通过服务模型相似度计算结果,建立同一问题域中同类模型之间的语义关联,并以此为基础,提出领域模型的语义查询算法.最后介绍了该算法在领域建模平台中的应用.     

基于差异化融合的语义信息检索模型仿真

提出一种基于差异化融合的语义信息检索算法,并实现模型设计和仿真。构建语义本体模型,提取关联维差异化特征,进行特征融合,采用自顶向下和分治的方法构建差异化语义信息特征的融合模型,求得融合后的差异化语义信息特征信息增益,在语义信息检索本体模型特征空间中,计算语义信息特征,将不同文本分量元素进行初始化倾向性分类处理,基于集中度、分散度和频度构建特征空间,进行信息抽取,对分层差异化特征进行融合处理,实现语义信息检索算法改进。     

基于稳定特征的虹膜分类算法

虹膜分类中,由于虹膜的相似度计算会受到特征模板中不可靠和不固定特征的影响,使得虹膜分类的错误率(错误识别率＋错误拒绝率)增加.为了解决这个问题,本文提出了一种稳定特征提取的方法,从同一虹膜的多个图像中提取虹膜的稳定特征,并利用这些稳定特征建立该虹膜的特征模板,然后用于虹膜的分类.采用CASIA虹膜数据库进行测试,仿真结果表明,基于稳定特征的虹膜分类算法能提高虹膜分类精度和改善虹膜识别系统性能.