甲状腺、乳腺超声影像自动分析技术综述

超声诊断是甲状腺、乳腺癌首选影像学检查和术前评估方法.但良恶性结节的超声表现存在重叠,仍欠缺定量、稳定的分析手段,严重依赖操作者经验.近年基于计算机技术的医疗影像分析水平快速发展,超声影像分析取得了一系列里程碑性的突破,为医学提供有效的诊断决策支持.本文以甲状腺、乳腺两类超声影像为对象,梳理计算机视觉、图像识别技术在医学超声图像上的学术进展,以超声影像自动诊断涉及的一系列关键技术为主线,从图像预处理、病灶区定位及分割、特征提取和分类4方面对近年主流算法进行详尽的综述分析,从算法分析、数据和评估方法等方面做多维度梳理.最后讨论了具体面向这两种腺体的超声图像计算机分析存在的问题,并对此领域的研究趋势和发展方向进行展望.     

乳腺超声双模态数据的协同约束网络

目的 通过深度学习对乳腺癌早期的正确诊断能大幅提高患者生存率。现阶段大部分研究者仅采用B型超声图像作为实验数据,但是B型超声自身的局限性导致分类效果难以提升。针对该问题,提出了一种综合利用B型超声和超声造影视频来提高分类精度的网络模型。方法 针对B型超声图像及造影视频双模态数据的特性设计了一个双分支模型架构。针对传统提取视频特征中仅使用单标签的不足,制定了病理多标签预训练。并设计了一种新的双线性协同机制,能更好地融合B型超声和超声造影的特征,提取其中的病理信息并抑制无关噪声。结果 为了验证提出方法的有效性,本文设计了3个实验,前两个实验分别对B型超声和超声造影进行预训练。在造影分支,使用根据医学领域设计的病理多标签进行预训练。最后,采用前两个实验的预训练模型进行第3个实验,相比单独使用B型超声图像精度提升6.5%,比单用超声造影视频精度提高7.9%。同时,在使用双模态数据里,本文方法取得了最高精度,相比排名第2的成绩提高了2.7%。结论 本文提出的协同约束网络,能对不同模态的数据进行不同处理,以提取出其中的病理特征。一方面,多模态数据确实能从不同角度展示同一个病灶区,为分类模型提供更多的病理特征,进而提高模型的分类精度。另一方面,合适的融合方式也至关重要,能最大程度地利用特征并抑制噪声。     

传输网络结构对多普勒天气雷达的影响

文章介绍了承德多普勒天气雷达系统中各计算机的含义及功能,列举了因传输网络结构不当及网络环境变坏而造成雷达出现的三次故障,提出了具体的故障处理方法。     

对当前环境艺术设计专业特色人才培养模式的探讨——以湖南师范学院为例

打造高素质应用型人才是当前高校环境艺术设计专业人才培养的终极目标。本文针对湖州师范学院艺术学院环境艺术设计专业的人才培养模式进行探讨,提出了新人才培养模式的主要特色为"三性",分析了人才培养特色的实现途径"点线面"。     

基于yolov4的钢材表面缺陷检测

缺陷检测设备算力和存储空间受限，实际应用场景缺陷难以检测。针对如何平衡模型的大小和检测精度的问题，提出了改进的轻量级yolov4目标检测算法。文章在CSPNet结构基础上，结合Ghost网络思想改进普通卷积结构，设计轻量级特征提取网络G-CSPNet，并在其中融入轻量级注意力机制ECA形成GE-CSPNet，使模型轻量化并提高特征提取能力。用GE-CSPNet替换yolov4的特征提取网络，并在yolov4颈部使用Ghost模块，即保留精度又大大降低网络结构参数量。通过公开数据集NEU-DET的对比实验表明：改进后的yolov4模型相比于原模型，模型的大小和参数量分别降低84.51%和84.06%,map可达94.48%。