排序方式: 共有5条查询结果,搜索用时 0 毫秒
1
1.
CHN 法是目前适用于我国评估骨龄的方法之一,其评估骨龄最关键的步骤是对手腕骨图像的成熟等级评定。传统的方法是由医学专家人工阅片,不仅工作量大、耗时长,评定的准确性还受到人的主观因素干扰。为了提高骨骼等级识别的准确率,提出了一种基于改进 AlexNet的手腕骨图像等级识别方法,将优化的空间变换网络加入到 AlexNet网络结构中,对特征图进行旋转、平移和缩放等变换操作以获取更有辨识度的特征信息;采用 Maxout激活函数作为网络中卷积层的激活函数,训练手腕骨图像成熟等级识别模型。实验结果表明:相比于原始 AlexNet网络与其他几个常见的卷积神经网络,改进的 AlexNet网络提高了网络模型对头状骨、钩骨、掌骨Ⅰ、远节指骨Ⅰ和中节指 骨Ⅴ等成熟等级识别的准确率,分 别 达 到 了88.39%,85.35%,79.69%,79.41% 和81.29%。该方法可以为基于深度学习的骨龄评估方法提供新的技术参考。 相似文献
2.
本文介绍了10kW全桥移相ZVS PWM直流整流模块主电路和控制电路的设计,给出了主变压器和谐振电感的参数计算,最后给出了实验波形。 相似文献
3.
介绍了10kW全桥移相ZVSPWM直流整流模块主电路和控制电路的设计,给出了主变压器和谐振电感的参数计算,最后给出了实验波形。 相似文献
4.
目前,基于深度学习的骨龄分类方法一般采用全手图像作为输入,或者通过标注额外的边界框或关键点来挖掘局部信息。针对全手图像骨龄评估方法容易丢失局部细节信息的问题,提出一种利用腕骨区域特征的骨龄评估方法,该方法将手腕骨的腕关节区域图像作为研究对象,在仅使用单区域图像标注的前提下,利用细粒度识别模型中局部关注和判别细微差异的能力进行骨龄评估。为了提高骨龄评估的精确度,对细粒度识别网络B-CNN(Bilinear CNN)进行改进,在其基础特征提取网络中加入融合了残差结构和注意力机制的特征学习网络,并且根据骨龄预测值的分布特点改进损失函数。经过数据实验,与AlexNet,ResNet和DenseNet等图像分类模型进行比较,结果表明笔者方法有效地提升了模型识别的能力。与现有的全手图像和额外标注的方法相比,笔者方法在仅使用单区域标注的情况下,提高了骨龄评估的准确率。 相似文献
5.
1