AS-PANet:改进路径增强网络的重叠染色体实例分割

目的 染色体是遗传信息的重要载体,健康的人体细胞中包含46条染色体,包括22对常染色体和1对性染色体。染色体核型化分析是产前诊断和遗产疾病诊断的重要且常用方法。染色体核型化分析是指从分裂中期的细胞显微镜图像中,分割出染色体并根据染色体的条带进行分组排列的过程。染色体核型化分析通常由细胞学家手工完成,但是这个过程非常费时、繁琐且容易出错。由于染色体的非刚性特质,多条染色体之间存在重叠及交叉现象,致使染色体实例分割非常困难。染色体分割是染色体核型化分析过程中最重要且最困难的一步,因此本文旨在解决重叠、交叉染色体实例分割问题。方法 本文基于路径增强网络（PANet）模型,提出AS-PANet（amount segmentation PANet）模型用于解决重叠染色体实例分割问题。在路径增强网络的基础上引入染色体计数领域知识预测作为模型的一个预测分支,并改进了路径增强网络的模型结构和损失函数,使图像分类、目标检测、实例分割和染色体计数4个子任务共享卷积特征,进行联合训练。在临床染色体图像数据上进行标注并构建训练集和测试集,同时提出有效的数据增广方法用以扩充染色体标注训练数据集,提升模型的训练效果。结果 在临床染色体数据集中开展实证研究实验。实验结果表明,本文方法在临床染色体数据集中,平均分割精度mAP（mean average precision）为90.63%。该结果比PANet提升了1.18%,比基线模型Mask R-CNN提升了2.85%。分割准确率为85%,相比PANet提升了2%,相比Mask R-CNN（region with convolutional neural network）提升3.75%。结论 本文染色体实例分割方法能够更有效地解决临床染色体分割问题,相比现有的方法,分割效果更好。     

ContractGuard：面向以太坊区块链智能合约的入侵检测系统

以太坊智能合约本质上是一种在网络上由相互间没有信任关系的节点共同执行的已被双方认证程序。目前,大量的智能合约被用于管理数字资产,使智能合约成为黑客的重要攻击对象。常见的攻击方法是通过利用智能合约的漏洞来实现特定操作的入侵攻击。ContractGuard 是首次提出面向以太坊区块链智能合约的入侵检测系统,它能检测智能合约的潜在攻击行为。ContractGuard 的入侵检测主要依赖检测潜在攻击可能引发的异常控制流来实现。由于智能合约运行在去中心化的环境以及在高度受限的环境中运行,现有的IDS技术或者工具等以外部拦截形式的部署架构不适合于以太坊智能合约。为了解决这些问题,通过设计一个嵌入式的架构,实现了把 ContractGuard 直接嵌入智能合约的执行代码中,作为智能合约的一部分。在运行时刻,ContractGuard通过相应的context-tagged无环路径来实现入侵检测,从而保护智能合约。由于嵌入了额外的代码,ContractGuard一定程度上会增加智能合约的部署开销与运行开销,为了降低这两方面的开销,基于以太坊智能合约的特性对 ContractGuard 进行优化。实验结果显示,可有效地检测 83%的异常行为,其部署开销仅增加了36.14%,运行开销仅增加了28.17%。     

深度学习下的医学影像分割算法综述

医学影像分割是计算机视觉在医学影像处理中的一个重要应用领域,其目标是从医学影像中分割出目标区域,为后续的疾病诊断和治疗提供有效的帮助。近年来深度学习技术在图像处理方面取得了巨大进展,基于深度学习的医学影像分割算法逐渐成为该领域研究的重点和热点。叙述了计算机视觉下的医学影像分割任务及其难点,重点综述了基于深度学习的医学影像分割算法,对当前具有代表性的相关方法进行了分类和总结,介绍了医学影像分割算法常用的评价指标和数据集。对该技术的发展进行了总结和展望。     

深度学习下主流染色体分类算法的性能评估

目的 染色体分类是医学影像处理的具体任务之一,最终结果可为医生提供重要的临床诊断信息,在产前诊断中起着重要作用。深度学习由于强大的特征表达能力在医学影像领域得到了广泛应用,但是基于深度学习的大部分染色体分类算法都是在轻量化私有数据库上得到的不同水准的分类结果,难以客观评估不同算法间的优劣,导致缺乏对算法的临床筛选标准,因此迫切需要在大规模数据库上对不同算法开展基于同样数据级的性能评估,以获取具有客观可对比性的性能数据,这对于科研成果的转化具有重要意义。方法 本文基于广东省妇幼保健院提供的染色体数据,构建了包含126 453条染色体的临床数据库,精选6个主流染色体分类模型在该数据库上展开对比实验与性能评估。结果 在本文构建的大规模染色体临床数据库上,实验和分析发现,参评模型分类准确率均达到92%以上,其中MixNet模型提升后分类效果最好,为98.92%。即使分类性能落后的模型在本数据集上训练也得到明显改善,准确率从86.7%提升至92.09%,相比早期报告的性能提升了5.39%。结论 开展实证研究实验发现,数据库规模大小是影响染色体分类算法能否取得理想分类效果的重要因素之一。对于染色体...     

深度学习在染色体分割中的应用综述

染色体分析是细胞遗传学研究的基本方法,被广泛地应用在遗传疾病筛查和产前诊断中,能有效地避免重度缺陷患儿的出生,对优生优育有着积极意义。染色体分割是染色体核型分析中最为关键的一步,其目标是将染色体实例从细胞分裂中期的显微镜图像中分割出来。在实际染色体分割应用中,由于染色体实例之间极其容易发生重叠和交叉的现象,给染色体分割带来巨大的挑战。随着深度学习技术在图像分割领域的快速发展,基于深度学习技术的算法和模型被广泛地应用于染色体分割任务中。分析了目前染色体分割领域的研究问题和挑战,并总结了现有的数据集和评价指标。重点综述基于深度学习技术在染色体分割领域中的研究,包括基于语义分割网络的重叠染色体分割的相关研究和基于实例分割网络的染色体实例分割的相关研究。对深度学习技术在染色体实例分割领域的研究现状进行总结和展望。     

机器视觉应用中的图像数据增广综述

深度学习是目前机器视觉的前沿解决方案,而海量高质量的训练数据集是深度学习解决机器视觉问题的基本保障.收集和准确标注图像数据集是一个极其费时且代价昂贵的过程.随着机器视觉的广泛应用,这个问题将会越来越突出.图像增广技术是一种有效解决深度学习在少量或者低质量训练数据中进行训练的一种技术手段,该技术不断地伴随着深度学习与机器...     

Transformer在计算机视觉场景下的研究综述

Transformer是一种基于注意力的编码器-解码器架构，其凭借长距离建模能力与并行计算能力在自然语言处理领域取得了重大突破，并逐步拓展应用至计算机视觉领域，成为了计算机视觉任务的重要研究方向。文中重点回顾与总结了Transformer在图像分类、目标检测与图像分割三大计算机视觉任务中的应用和改进。首先，以图像分类任务为切入点，从数据规模、结构特点、计算效率等方面深入分析了当前视觉Transformer存在的关键问题，并基于关键问题对解决方法和思路进行了分类。其次，全面梳理了视觉Transformer在目标检测与图像分割两大领域的研究进展，并根据结构特点、设计动机来组织这些方法，分析对比代表性方法的优点与不足。最后，对Transformer在计算机视觉任务中亟待解决的问题以及发展趋势进行了总结和探讨。     

“东数西算”赋能智慧交通行业发展

“东数西算”是在国家数字经济和“新基建”的大背景下，从国家战略、技术变革、能源政策、区域发展等多重政策考量下启动的一项至关重要的国家工程，将数字经济社会中的核心要素算力资源基础设施化，如水、电、燃气等传统社会经济要素，从国家层面进行统筹布局，建设国家级算力网络全国一体化枢纽节点，全面推进算力资源基础设施化。“东数西算”战略从国家层面将算力基础设施化，促进“超算+”生态的快速发展。智慧交通作为数字经济社会的重要发展领域，算力基础设施化将全面加速智慧交通场景的落地和应用推广。     

基于区块链智能合约的共享停车模式与系统研究

随着城市化进程的不断加快，国内家用汽车保有量持续攀升，停车资源的供需矛盾日益凸显，传统的停车方式已经无法满足市民出行停车需求。共享停车是在不大规模新增停车资源的前提下，通过时空错位的共享方式满足市民停车需求的一种新的解决思路。然而，在现有共享停车的实践过程中，由于停车位资源供给与收益脱节带来的诸多问题阻碍了共享停车的发展，难以发挥共享停车模式的效能。本文探索了基于区块链智能合约的共享停车模式和思路，有望解决共享停车资源供给与收益脱节的问题。     

基于超融合基础架构的医院信息管理系统及部署方法

超融合基础架构是一种综合型IT基础设施,其包括计算、存储、网络等多个关键组件。这些组件被集成到一个单一的硬件平台上,由软件进行管理和控制。超融合基础架构旨在为企业和组织提供更加灵活、高效和可扩展的数据中心解决方案。其特点是集成性好,可将物理资源虚拟化为逻辑资源池,并具备较高的可扩展性,允许管理员集中管理基础设施。其优势在于降低了复杂性,便于管理者维护,提高了资源利用率和扩展性,能更加快速地实施部署,以降低成本。医院信息管理系统(HIS)在现代医疗体系中扮演着重要的角色,它旨在管理和维护医院内部的各种信息、流程和数据。然而,HIS的设计、实施和维护在患者信息管理、医疗流程优化、医疗数据分析、安全性等方面遇到了众多的挑战。通过超融合基础架构,能更好地整合资源,使医院能更好地管理和分配资源,减少资源浪费,提高系统性能,简化管理方式,提高医院系统的可用性和容错性,便于快速扩展,并提供数据安全保障措施、快速部署能力以及数据备份和灾难恢复能力。这可以有效提高医院信息管理系统的效率、可用性、安全性和可维护性,同时降低IT基础设施的复杂性和成本,使医院能更好地满足患者需求,提供高质量的医疗服务,同时保证医疗数据的安全性。