基于深度学习的医学图像配准技术研究进展

医学图像配准技术对于病灶检测、临床诊断、手术规划,疗效评估等有着广泛的应用价值。系统性地总结了基于深度学习的配准算法,从深度迭代、全监督、弱监督到无监督学习的研究发展趋势,分析了各种方法的优势与局限。总体来看,无论是对数据的要求、配准精度,还是计算效率,无监督学习因其不依赖金标准和解剖标签,采用端到端的网络配准框架就可以自动执行需要的任务等优势成为研究的主流方向。然而,基于无监督学习的医学图像配准方法在医学图像领域的可解释性、跨模态多样性和可重复可扩展性方面同样面临着一些研究难点和挑战,这为将来实现更精准的医学图像配准方法指明了研究方向。     

基于Hash链的RFID隐私增强标签研究

无线射频识别（RFID)作为一种新型的自动识别技术在供应链与零售业中得到了广泛的应用。然而由于RFID标签强大的追踪能力,RFID的广泛应用也势必给消费者带来新的隐私威胁问题。在构造RFID方案时有几个技术关键点,尤其重要的是消费者隐私与标签信息的安全问题。低成本是另外一个关键。针对这些问题,讨论并阐明了RFID系统的需求与限制,分析了现有的一些相关的RFID方案的特性与问题。最后提出了一种简单的采用低成本的Hash链机制的安全模式标签来增强消费者隐私。     

PageMaker之输出陷阱

<正> 经过多年从事印前处理及输出的实践,加上历届已参加工作的学生反馈总结出的经验,现整理PageMaker输出陷阱如下。仅仅是抛砖引玉,希望能对从事印前处理工作的朋友们有一点点帮助。     

药用聚异戊二烯橡胶细胞毒性的研究

以两种不同催化体系合成的药用聚异戊二烯橡胶(IR0307和IR80)为研究对象,分别以质量分数为0.9%的氯化钠注射液和纯化水为浸提介质,在两种浸提条件(在高压灭菌器内于121℃下浸提60 min或在密闭容器内于37℃下浸提24 h)下进行浸提处理,然后采用显微镜观察法和四唑盐比色法测定IR0307和IR80的体外细胞毒性,分析不同浸提条件下IR0307和IR80的细胞毒性反应等级。在药用聚异戊二烯橡胶生产中,建议控制催化剂的残留量以及对杂质和金属离子的含量和种类,使用洁净的非污染型防老剂和稳定剂。     

氯化丁基橡胶三嗪硫化体系硫化机理探讨

在交替变更2-正丁氨基-4,6-二巯基均三嗪（硫化剂DB）和氧化镁用量的情况下,考察了二者配合硫化氯化丁基橡胶的硫化特性和物理机械性能,并进行了傅里叶变换红外光谱和热重的分析,探讨了其硫化机理。结果表明,硫化剂DB和氧化镁配合可以很好地硫化氯化丁基橡胶,做到“无锌硫化”。在氧化镁用量固定的情况下,1.0～1.5份（质量）的硫化剂DB用量比较合适;在该硫化体系中氧化镁能起到改善焦烧、延迟硫化的作用。该交联反应的特点在于烯丙基键合的氯原子参与反应,三嗪硫醇的巯基与烯丙基氯反应并脱出氯化氢,形成碳硫键交联网络,氧化镁作为酸受体参与硫化反应。     

尼龙/聚氨酯共混材料的研究进展

尼龙的弯曲强度、耐磨、耐蠕变等性能非常突出,但在低温及干态下冲击强度较低,吸水率高。针对这些不足的增韧改性研究很多。在尼龙基体中加入一定量的橡胶或弹性体,能使其冲击强度显著提高。增韧改性可以使尼龙树脂的抗冲击性能和耐低温性能明显改善,并拓宽其应用领域。文中对近年来尼龙与弹性体复合改性的方法进行了概括,特别阐述了尼龙与聚氨酯的共混改性进展,并提出了使用氨纶废丝增韧尼龙的新方法。     

基于纠删码和动态副本策略的HDFS改进系统

为了让Hadoop分布式文件系统(HDFS)达到更高的存储效率以及更加优化的负载均衡能力,针对HDFS的多副本存储技术提出了改进方案——Noah。Noah引入了编码和译码模块,对HDFS中的block进行编码分解,生成更多数量的数据分片(section),并随机地分散保存到集群当中,替代原有系统的多副本容灾策略;在集群出现节点失效的情况下,通过收集与失效block相关的任意70%左右的section进行原始数据的恢复;同时根据分布式集群运行情况以及对副本数目需求的不同采用动态副本策略。通过相关的集群实验,表明Noah在容灾效率、负载均衡、存储成本以及安全性上对HDFS作了相应的优化。     

安全性电子投票方案研究综述

近年来,电子投票因可以大幅度提高投票活动的效率和结果的准确性而得到高度关注。安全性问题一直是制约电子投票发展的瓶颈,许多研究者针对某一应用功能场景提出了相关的电子投票方案。结合电子投票的学术研究现状,详细分析了电子投票的类型、模型和安全性要求,并结合盲签名、秘密分享等相关密码学技术对4种类型的典型电子投票方案进行了综述和分析,然后介绍了成熟的电子投票系统,最后研究了电子投票未来可能的发展方向,对电子投票方案的进一步优化和改进提供借鉴和参考。     

BERT-Single：半监督的话题检测与追踪方法

针对无监督聚类方法在应用于话题检测与追踪任务时难以学习到深层语义特征及任务相关特征,K均值聚类、潜在狄利克雷分布（LDA）等方法无法用于增量式聚类的问题,提出基于预训练语言模型的BERT-Single半监督算法。首先使用小规模有标注数据训练预训练语言模型BERT,使BERT模型学习到任务特定的先验知识,生成能够适应话题检测与追踪任务且包含深层语义特征的文本向量;然后利用改进的Single-Pass聚类算法将预训练语言模型学习到的有标签样本信息泛化到无标签数据上,提升模型在话题检测与追踪任务上性能。在构建的数据集上进行实验,结果显示,相较于对比模型,BERT-Single模型精确率至少提升了3个百分点、召回率至少提升了1个百分点、F1值至少提升了3个百分点。BERT-Single模型对于解决话题检测与追踪问题具有较好效果,并能够很好地适应增量式聚类任务。     

基于随机线性分组码的秘密分享在电子投票中的应用

针对电子投票的大规模秘密分享的应用要求,提高在大量设备间的秘密分享的效率,本文提出基于随机线性分组码的秘密分享,并将其应用于电子投票中。首先,构造随机线性分组码的校验矩阵,使得秘密恢复的译码方程组的系数矩阵有极高的列满秩概率,可以保证正确译码恢复秘密;然后,由校验矩阵生成编码矩阵,并用编码矩阵对投票信息向量编码,将码字中部分元素作为秘密份额分享给其他设备,但不泄漏投票信息向量;最后,各个设备将接收到的份额返回给源设备,并用从其他设备收到的返回份额译码恢复投票信息向量。基于随机线性分组码的秘密分享可在秘密恢复的同时发现恢复结果及份额错误。本文对不同数据大小和参与方数量的秘密分享、恢复速度与数据冗余量进行实验。实验结果表明,与传统的秘密分享方法相比,基于随机线性分组码的秘密分享方法具有较高的分享与恢复速度和较低的数据冗余量。基于随机线性分组码的秘密分享方法是一种高效的秘密分享方法,能够有效解决大规模电子投票的隐私保护、投票记录防篡改、存储安全等关键信息安全问题。