共享浅层参数多任务学习的脑出血图像分割与分类

非增强CT扫描是急诊室诊断疑似脑出血的首选方法,医疗人员通常借助CT图像对疑似急性脑出血患者病灶部位进行手动分割,进而根据临床经验进行分类,这种人工诊断的方式对医师的经验要求较高,主观性较强,将分割和分类任务分开执行,不能充分利用两个任务间相关联的特征信息,时间成本高,增大了基于CT图像快速进行脑出血病灶部位分割及分类...     

数控机床误差过大与伺服报警故障检修

通过对一立式加工中心FANUC 0i-MC数控系统定位误差过大与伺服报警(411#报警)故障检修,分析了故障产生的原因、故障发生相关的工作原理,介绍了检修的具体步骤以及分析问题的方法、解决手段和需要注意的事项。     

病理图像纹理分析在胃癌MSI预测中的应用研究

微卫星是遍布于人类基因组中的短串重复序列,肿瘤组织的微卫星由于重复单位的插入或缺失而导致微卫星长度的改变的现象叫做微卫星不稳定性（Microsatellite Instability,MSI）。MSI型胃癌往往拥有独特的分子表型以及临床病理特征,且微卫星的不稳定性决定了胃癌患者对免疫疗法的反应是否良好,因此MSI状态的术前检测对于胃癌患者治疗方案的制定具有重要意义。传统的MSI检测方法需要进行免疫组化及基因分析,不仅需要增加额外的成本,而且在临床实践中难以推广至每一个患者。应用图像特征提取技术和机器学习算法对胃癌患者的高分辨组织病理图像进行定量分析,实现对胃癌患者MSI状态的预测。从TCGA数据库获取279例原始数据,经预处理和上采样后得到442个样本,从每例样本的组织病理图像中提取出445个定量图像特征,包括图像的一阶统计量,纹理特征以及小波特征。应用Lasso回归进行特征筛选并构造胃癌MSI状态的预测标签（Risk-score）,并通过logistics分类模型对预测标签分类性能进行验证,进而结合每例患者的临床特征进行多变量分析,构建个性化的列线图进行MSI状态预测。实验结果显示,基于组织病理图像纹理特征的预测标签的预测性能AUC值为0.74,现有的基于组织病理图像纹理特征的MSI预测模型AUC值为0.73;基于全部样本,结合临床特征与Risk-score构建的MSI预测模型AUC值为0.802,而现有的结合临床特征和图像特征的MSI预测模型的AUC值仅为0.752,相较于现有方法,提出的MSI预测模型具有更优的预测性能,可以为胃癌患者的临床决策提供更有价值的参考信息。     

基于融合损失函数的3DU-Net++脑胶质瘤分割网络

胶质瘤是大脑和脊髓胶质细胞癌变所产生的、最常见的原发性颅脑肿瘤.从多模态MRI中对胶质瘤组织进行可靠的分割具有很重要的临床价值,但是由于脑胶质瘤本身及周边组织较为复杂以及浸润性导致的边界模糊等,导致对脑胶质瘤的自动分割有一定的难度.文中构建了使用融合损失函数的3D U-Net++网络来对脑胶质瘤的不同区域进行分割,该网...