检索结果-南通市图书馆

GZMH:用于有丝分裂细胞核检测和分割的乳腺癌病理图像数据集

在线全文

学校读者我要写书评

暂无评论

中国图象图形学报 2024年第3期29卷 608-619页

作者：汪华登王雪馨黎兵兵刘志鹏许浩潘细朋蓝如师罗笑南广西图像图形与智能处理重点实验室桂林541004 桂林电子科技大学计算机与信息安全学院桂林541004 广东省人民医院赣州医院赣州市立医院病理科赣州341000

目的有丝分裂细胞核计数是乳腺癌诊断和组织学分级的3个重要评分指标之一,基于深度学习的自动检测方法,可以有效辅助医生进行乳腺病理图像有丝分裂细胞核识别和计数。而当前研究中的公开数据集多为竞赛所用,由举办方联合数据提供者挑... 详细信息

目的有丝分裂细胞核计数是乳腺癌诊断和组织学分级的3个重要评分指标之一,基于深度学习的自动检测方法,可以有效辅助医生进行乳腺病理图像有丝分裂细胞核识别和计数。而当前研究中的公开数据集多为竞赛所用,由举办方联合数据提供者挑选而来,与医院临床应用中所使用的数据存在较大的差异,不利于模型性能及泛化能力的测试验证。针对以上问题,本文发布了来自中国赣州市立医院临床环境的数据集GZMH(Ganzhou municipal hospital)。方法整理并公开发布的数据集GZMH包含55幅全视野数字切片(whole slide images, WSIs)临床乳腺癌病理图像,提供了用于有丝分裂细胞核目标检测和语义分割研究的两种标注,并由2名高年资医师对3名初级病理医师的标注进行了复核。5种主流目标检测方法和5种经典分割方法在GZMH数据集上进行了训练和测试,检验它们在临床数据集GZMH上的性能。结果目标检测方法实验结果比较中,SSD(single shot multibox detector)模型取得了最佳的效果,F1分数为0.511;分割方法实验结果比较中,R2U-Net(recurrent rsidual convolutional neural network based on U-Net)性能最佳,F1分数为0.430。所有方法在面对较大规模的临床数据集GZMH时体现的性能都明显低于它们在一些公开数据集上的性能。结论本文所提出的GZMH数据集能够用于有丝分裂目标检测与语义分割研究任务,且此数据集中的图像更加接近实际的应用场景,在推动乳腺病理图像有丝分裂细胞核分割的研究和临床应用方面具有较大的价值。数据集的在线发布地址为:https://***/10.57760/sciencedb.08547。

关键词：乳腺癌病理图像有丝分裂细胞核目标检测语义分割数据集

Multi-manufacturer drug identification based on near infrared spectroscopy and deep transfer learning

在线全文

学校读者我要写书评

暂无评论

Journal of Innovative Optical Health Sciences 2020年第4期3卷 39-50页

作者： Lingqiao Li xipeng pan Wenli Chen Manman Wei Yanchun Feng Lihui Yin Changqin Hu Huihua Yang School of Automation Beijing University of Posts and Telecommunications 10 Xitucheng Road Beijing 100876P.R.China School of Computer Science and Information Security Guilin University of Electronic Technology 1 Jinji Road Guilin 541004P.R.China National Institutes for Food and Drug Control 10 Tiantanxili Road Beijing 100050 P.R.China

Near infrared(NIR)spectrum analysis technology has outstanding advantages such as rapid,nondestructive,pollution-free,and is widely used in food,pharmaceutical,petrochemical,agricultural products production and testing *** neural network(CNN)is one of the most successful methods in big data analysis because of its powerful feature ex-traction and abstraction ability,and it is especially suitable for solving multi-classification ***-based transfer learning is a machine learning technique,which migrates para-meters of trained model to the new one to improve the *** transfer learning strategy can speed up the learning efficiency of the model instead of learning from *** view of the difficulty in acquisition of drug NIR spectral data and high labeling cost,this paper proposes three simple but very effective transfer learning methods for multi-manufacturer identification of drugs based on one-dimensional *** with the original CNN,the transfer learning method can achieve better classification performance with fewer NIR spectral data,which greatly reduces the dependence on labeled NIR spectral *** the same time,this paper also compares and discusses three different transfer learning methods,and selects the most suitable transfer learning model for drug NIR spectral data *** with the current popular methods,such as SVM,BP,AE and ELM,the proposed method achieves higher classification accuracy and scalability in multi-variety and multi-manufacturer NIR spectrum classification experiments.

关键词： Near-infrared spectroscopy transfer learning drug identification multi-manufacturer

Deep belief network-based drug identification using near infrared spectroscopy

维普期刊数据库评论

在线全文

维普期刊数据库

学校读者我要写书评

暂无评论

Journal of Innovative Optical Health Sciences 2017年第2期10卷 1-10页

作者： Huihua Yang Baichao Hu xipeng pan Shengke Yan Yanchun Feng Xuebo Zhang Lihui Yin Changqin Hu College of Electronic Engineering and Automation Guilin University of Electronic Technology 1 Jinji Road Guilin 541004P.R.China A utomation School Beijing University of Posts 8 Telecommunications 10 Xitucheng Road Beijing 100876P.R.China National Institutes for Food and Drug Control 10 Tiantanxili Road Beijing 100050P.R.China

Near infrared spectroscopy(NIRS)analysis technology,combined with chemometrics,can be effectively used in quick and nondestructive analysis of quality and *** this paper,an effective drug identification method by using deep belief network(DBN)with dropout mecha-nism(dropout-DBN)to model NIRS is introduced,in which dropout is employed to overcome the overfitting problem coming from the small *** paper tests proposed method under datasets of different sizes with the example of near infrared diffuse refectance spectroscopy of erythromycin ethylsuccinate drugs and other drugs,aluminum and nonaluminum ***,it gives experiments to compare the proposed method's performance with back propagation(BP)neural network,support vector machines(SVMs)and sparse denoising auto-encoder(SDAE).The results show that for both binary classification and multi-classification,dropout mechanism can improve the classification accuracy,and dropout-DBN can achieve best classification accuracy in almost all *** is similar to dropout-DBN in the aspects of classification accuracy and algorithm stability,which are higher than that of BP neural network and SVM *** terms of training time,dropout-DBN model is superior to SDAE model,but inferior to BP neural network and SVM ***,dropout-DBN can be used as a modeling tool with effective binary and multi-class classification performance on a spectrum sample set of small size.

关键词： Deep belief networks near infrared spectroscopy drug classification dropout

CT影像形态学特征对肺腺癌免疫表型术前预测的价值

维普期刊数据库评论

在线全文

维普期刊数据库

学校读者我要写书评

暂无评论

国际医学放射学杂志 2024年第3期47卷 267-273页

作者：莫梓阳林欢梁演婷潘细朋冯拯云刘再毅华南理工大学医学院广州510006 南方医科大学附属广东省人民医院(广东省医学科学院)放射科广东省医学影像智能分析与应用重点实验室桂林电子科技大学计算机与信息安全学院

目的探讨CT影像形态学特征对肺腺癌免疫表型的预测价值。方法回顾性分析302例经病理证实为浸润性肺腺癌病人的术前CT影像及临床资料。病人以7∶3的比例随机分为训练集(211例)及验证集(91例)。根据肺腺癌淋巴细胞密度和空间分布特点界定... 详细信息

目的探讨CT影像形态学特征对肺腺癌免疫表型的预测价值。方法回顾性分析302例经病理证实为浸润性肺腺癌病人的术前CT影像及临床资料。病人以7∶3的比例随机分为训练集(211例)及验证集(91例)。根据肺腺癌淋巴细胞密度和空间分布特点界定肿瘤免疫表型,并据此将病人分为热肿瘤组(训练集80例,验证集32例)及冷肿瘤组(训练集131例,验证集59例)。采用Kaplan-Meier法及Log-rank检验进行生存分析。采用单因素及多因素Logistic回归分析,构建基于CT影像形态学特征的肺腺癌免疫表型术前预测模型,采用受试者操作特征曲线下面积(AUC)评估模型的预测效能。结果Kaplan-Meier曲线提示,训练集及验证集中冷肿瘤组的无病生存期均较热肿瘤组缩短(训练集:P=0.001,验证集:P=0.005)。以病灶位置(周围/中央)、实性成分最大径、毛刺征(有/无)及边界(清晰/模糊)构建CT影像模型。在训练集和验证集中,预测模型的AUC分别为0.70(95%CI:0.60~0.83)、0.72(95%CI:0.63~0.77)。结论肺腺癌免疫表型可以辅助病理TNM分期对病人进行预后分层,以CT影像形态学特征构建的模型可以在术前良好预测肺腺癌免疫表型。

关键词：肺腺癌免疫表型体层摄影术,X线计算机预后

基于LesionMix数据增强和熵最小化损失的半监督肺癌CT影像分割

在线全文

学校读者我要写书评

暂无评论

广西医学 2024年第2期46卷 187-195页

作者：潘细朋陈明威卞新军陈家乐俸思洋张若杰桂林电子科技大学计算机与信息安全学院广西医科大学第二附属医院医院感染管理科

目的基于LesionMix数据增强和熵最小化损失建立一种半监督肺癌CT影像分割方法——熵最小化病灶增强（EMLM）。方法首先，提出LesionMix数据增强方法，即通过对少量有标注的CT影像进行病灶信息提取并重复利用，来提升标注数据的利用效... 详细信息

目的基于LesionMix数据增强和熵最小化损失建立一种半监督肺癌CT影像分割方法——熵最小化病灶增强（EMLM）。方法首先，提出LesionMix数据增强方法，即通过对少量有标注的CT影像进行病灶信息提取并重复利用，来提升标注数据的利用效率。其次，提出两阶段半监督训练策略，第一阶段通过LesionMix数据增强方法使模型快速学习到少量标注数据的病灶特征，第二阶段使用熵最小化损失函数使其拟合真实数据分布情况，提高模型分割效果。最后，在LIDC-IDRI数据集上，通过对比实验和消融实验评估EMLM方法的分割性能。结果对比实验结果显示，在30%和10%标注比例的情况下，EMLM方法的戴斯相似度系数（DSC）均高于当前6种最佳半监督分割方法（URPC模型、UAMT模型、RD模型、MT模型、AEM模型、CPS模型），在50%标注比例的情况下，EMLM方法的DSC高于MT模型、RD模型、CPS模型、UAMT模型（P0.05）。结论对于肺癌病灶分割，EMLM方法可以有效降低对标注数据的依赖并实现良好的分割效果。LesionMix数据增强方法与熵最小化损失实现了对肺癌病灶的重复利用，提高了标注的利用效率，同时可以更好地拟合真实数据分布情况而获得更佳的分割结果，从而有效提升了模型对肺癌病灶的分割能力。

关键词：半监督学习数据增强熵最小化损失肺癌CT影像病灶分割

基于改进深度卷积神经网络的病理图像有丝分裂检测算法研究

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

计算机应用与软件 2018年第9期35卷 199-204页

作者：齐莹刘振丙潘细朋杨辉华桂林电子科技大学电子工程与自动化学院广西桂林541004 北京邮电大学自动化学院北京100876

针对病理图像中有丝分裂核的形态多变,而难区分、难检测的问题,提出一种基于改进深度卷积神经网络的计算机辅助有丝分裂检测算法。对原病理图像利用人工标签分割出有丝分裂核和非有丝分裂核小块作为候选集;利用ZCA白化方法对其进行预处... 详细信息

针对病理图像中有丝分裂核的形态多变,而难区分、难检测的问题,提出一种基于改进深度卷积神经网络的计算机辅助有丝分裂检测算法。对原病理图像利用人工标签分割出有丝分裂核和非有丝分裂核小块作为候选集;利用ZCA白化方法对其进行预处理;对处理后的图像利用改进的卷积神经网络(CNN)逐层提取数据的高维特征;利用Softmax分类器进行分类。并用GPU进行加速实验以ICPR2012大赛数据集为例,通过实验其综合评价指标F-measure达到了0. 921 5。结果表明所提算法优于传统算法,可以更好地应用到有丝分裂检测中。

关键词： ZCA白化深度卷积神经网络 GPU 病理图像有丝分裂检测

基于MobileNet的移动端城管案件目标识别算法

在线全文

学校读者我要写书评

暂无评论

计算机应用 2019年第8期39卷 2475-2479页

作者：杨辉华张天宇李灵巧潘细朋桂林电子科技大学计算机与信息安全学院广西桂林541004 北京邮电大学自动化学院北京100876 桂林电子科技大学电子工程与自动化学院广西桂林541004

针对目前大量安装的固定监控摄像头存在监控死角,以及移动设备硬件性能较低等问题,提出一种可在较低性能的IOS移动设备上运行的城市管理案件目标识别算法。首先,在MobileNet中增加新的超参数,优化输入输出图像的通道数与每个通道所产生... 详细信息

针对目前大量安装的固定监控摄像头存在监控死角,以及移动设备硬件性能较低等问题,提出一种可在较低性能的IOS移动设备上运行的城市管理案件目标识别算法。首先,在MobileNet中增加新的超参数,优化输入输出图像的通道数与每个通道所产生的特征图数量;随后,将改进后的MobileNet与SSD目标识别框架相结合构成一种新的识别算法,并移植到IOS移动端设备上;最后,该算法利用移动端设备自带的摄像头拍摄案发现场视频,实现对8种特定城管案件目标的准确检测。该算法检测结果的平均精度均值(mAP)与原型YOLO和原型SSD相比,分别提升了15.5个百分点和10.4个百分点。实验结果表明,所提算法可以在低性能IOS移动设备上流畅运行,减少了监控死角,为城管队员加速案件分类与处理提供了技术支撑。

关键词：智慧城管目标识别 MobileNet 移动设备视频监控

在线全文

学校读者我要写书评

暂无评论

基于卷积神经网络的城管案件图像分类方法

计算机工程与应用 2018年第10期54卷 242-248,266页

作者：杨浩李灵巧杨辉华刘振丙潘细朋桂林电子科技大学计算机与信息安全学院广西桂林541004 北京邮电大学自动化学院北京100876

以智慧城市管理系统中上报的案件图像为研究对象,利用卷积神经网络能够自行学习图像特征的优势,提出一种改进的深层卷积神经网络算法,并利用该算法对智慧城市管理系统(下简称"智慧城管")的案件图像进行快速精确分类,从而完成城市管理系... 详细信息

以智慧城市管理系统中上报的案件图像为研究对象,利用卷积神经网络能够自行学习图像特征的优势,提出一种改进的深层卷积神经网络算法,并利用该算法对智慧城市管理系统(下简称"智慧城管")的案件图像进行快速精确分类,从而完成城市管理系统中案件的自动分类。采用ZCA白化处理降低图像数据特征之间的相关性;搭建八层卷积神经网络对白化后的图像进行分类,并在卷积层采用线性纠正单元(Re LU)加速训练过程,在pooling层利用dropout技术防止算法过拟合;在网络精调阶段采用BP(Back Propagation)算法进行优化,提高算法的鲁棒性。基于上述方法对道路交通类和市容环境类两类案件图像进行二分类实验,平均精度达到97.5%,F1-Score达到0.98,性能超过了LSVM、SAE以及传统的CNN等方法;同时该方法又对电动车乱摆放类、乱扔垃圾类、机动车违章停放类、垃圾桶周围脏乱类共四类案件进行四分类实验,平均精度为90.5%,F1-Score为0.91,性能依然超过了LSVM、SAE以及传统的CNN等方法。

关键词：智慧城管图像分类卷积神经网络零相位分量分析(ZCA)白化 dropout ReLU

结合卷积神经网络和超像素聚类的细胞图像分割方法

在线全文

学校读者我要写书评

暂无评论

计算机应用研究 2018年第5期35卷 1569-1572,1577页

作者：杨金鑫杨辉华李灵巧潘细朋刘振丙周洁茜北京邮电大学自动化学院北京100876 桂林电子科技大学计算机与信息安全学院广西桂林5410041

针对细胞图像尺寸大、细胞形状各异,导致从图像中分割出精准的细胞十分困难的问题,以卷积神经网络为基础,结合染色校正方法和简单线性迭代的超像素聚类算法,提出了一种新的结构来进行细胞图像分割。利用染色校正方法对细胞图像进行预处... 详细信息

针对细胞图像尺寸大、细胞形状各异,导致从图像中分割出精准的细胞十分困难的问题,以卷积神经网络为基础,结合染色校正方法和简单线性迭代的超像素聚类算法,提出了一种新的结构来进行细胞图像分割。利用染色校正方法对细胞图像进行预处理,提高图像的颜色对比度;利用卷积神经网络获得初步分割结果;将简单线性迭代聚类获得的超像素边界信息反馈到初分割图像上进行改进提升。提出的算法可以有效地减少图像局部信息的冗余,更准确地获得目标区域的边界位置。实验表明,提出的算法细胞分割准确率达到了92.72%,与经典卷积神经网络、阈值分割等其他细胞分割算法相比,具有更好的分割效果。

关键词：细胞分割卷积神经网络超像素聚类染色校正乳腺细胞图像