超低功耗手持式检波器测试仪

设计了手持式检波器测试仪,选取超低功耗的16位单片机MSP430系列为主控MCU,模拟部分硬件采用最新设计思路的低压供电,软件采用低功耗的智能处理策略,以实现超长待机。     

肾透明细胞癌数字病理图像细胞核ISUP分级预测

针对全切片数字病理图像中的肾透明细胞癌进行精准的细胞核分级并改善肾癌的治疗和预后,提出了一种基于多尺度通道信息拼接与融合残差网络的ccRCC病理图像国际泌尿病理学会核分级方法。通过多尺度通道信息拼接将不同阶段的语义信息进行融合,从而在不损失深度信息的同时提取更多的浅层特征,实现更准确的分类效果。实验收集了90例病人的肾组织病理切片,对WSI图像进行裁切和增强后,按照4∶1的比例分成训练集和测试集。在训练集上对CSFNet卷积神经网络模型参数进行迭代优化,并在测试集上验证模型性能。实验结果表明,提出的CSFNet模型鉴别ISUPⅠ级、ISUPⅡ级、ISUPⅢ级和正常病理图像的宏平均AUC与微平均AUC分别为0.975 8和0.979 4,准确率为88.00%,精确率为88.36%,召回率为86.67%,F1分数为87.32%,且优于其他主流的分类网络模型,因此,本文所提出的肾透明细胞癌病理图像ISUP细胞核分级模型有良好的诊断效能,具有潜在的临床应用价值。     

YOLOF-CBAM：一种新的结直肠息肉实时分类与检测方法

针对目前常见的计算机辅助检测系统对结肠镜图像中息肉的分类与检测准确性和实时性不足的问题,提出了一种以YOLOv4为基本框架,结合空间注意力机制与改进特征融合层的YOLOF CBAM模型,可对白光和窄带成像双模态内镜图像中的增生性息肉与腺瘤性息肉进行实时分类与检测。为了使息肉的特征提取更准确,在YOLOv4的主干网中增加CBAM模块,使网络特征提取层关注到更加重要的空间以及通道信息,抑制不必要特征向下传递;在此基础上,通过对特征融合层PANet进行剪枝操作优化网络结构,以此减少网络参数量,进一步提高模型的检测速度。为了对改进后的模型进行训练和测试,从河北大学附属医院收集了2 988张包含了白光和NBI的内镜图像,并按照9∶1的划分比例划分为训练集和测试集。实验结果表明,YOLOF CBAM在测试集上的mAP值为8644%,识别增生性息肉和腺瘤性息肉的召回率分别为8962%和8564%,精确率分别为9135%和8519%,且实时分类速度达到47 FPS,证明所提出的模型具有潜在的临床应用价值。     

基于多尺度上下文信息融合的条件生成对抗神经网络用于低剂量PET图像去噪

PET成像在信号采集过程中存在辐射暴露风险,在保证成像质量的前提下需要尽可能降低示踪剂的使用剂量.这将导致PET图像伪影及信噪比低等问题.本文提出一种基于多尺度上下文信息融合的条件生成对抗网络,用于优化PET图像重建,以提高PET图像的图像质量.通过对作为生成器的编码器-解码器网络的跳过连接进行重新设计,提出一种基于多...     

基于μC/OS-Ⅱ的手持式检波器测试仪的低功耗实现

手持式检波器测试仪选取超低功耗的16位单片机MSP430为主控MCU,选择μC/OS-Ⅱ作为系统地实时操作系统,采用低功耗的智能处理策略,实现多任务处理、超长待机,便于野外长时间作业。     

基于sECANet通道注意力机制的肾透明细胞癌病理图像ISUP分级预测

为了对肾透明细胞癌(ccRCC)进行准确核分级以改善肾癌的治疗和预后,该文提出一种新的通道注意力模块sECANet,通过计算特征图中当前通道与临近通道以及当前通道与远距离通道之间的信息交互来获取更多有用的特征。实验中收集了90例患者的肾组织病理图像,进行裁切和增强后采用五折交叉验证法对改进后的网络在Patch级别进行验证。实验结果表明,该文所提出的模型在Patch级别上鉴别ISUP分级的准确率为78.48±3.17%,精确率为79.95±4.37%,召回率为78.43±2.44%,F1分数为78.51±3.04%。进一步地,对每个病例所有Patch的预测结果采用多数投票法得到Image级别的分类结果,所有病例的准确率为88.89%,精确率为89.88%,召回率为87.65%,F1分数为88.51%。因此,sECANet在Patch级别和Image级别上均优于其他注意力机制和基本网络模型ResNet50。据此,该文所构建的病理图像ccRCC ISUP分级模型有良好的诊断效能,可以为患者的治疗和预后提供一定的参考。     

基于μC/OS-Ⅱ的手持式检波器测试仪的低功耗实现

手持式检波器测试仪选取超低功耗的16位单片机MSP430为主控MCU,选择μc/os-Ⅱ作为系统地实时操作系统,采用低功耗的智能处理策略,实现多任务处理、超长待机,便于野外长时间作业.