【摘 要】
：
为解决癌症的诊断问题,提高诊断的效率与准确率,增强诊断的可靠性,运用了TensorFlow搭建训练基于卷积神经网络的癌症分类模型,基于VGG16架构,采用深度单类分类算法,使用迁移学习,采集正常细胞病理学数据,来训练出可以识别癌变数据的模型,从而精准自动地将正常细胞与肿瘤病理学数据分类.结果表明建立的基于迁移学习的分类模型可以很好地帮助病理学家检测癌症,缩短诊断时间.
论文部分内容阅读
为解决癌症的诊断问题,提高诊断的效率与准确率,增强诊断的可靠性,运用了TensorFlow搭建训练基于卷积神经网络的癌症分类模型,基于VGG16架构,采用深度单类分类算法,使用迁移学习,采集正常细胞病理学数据,来训练出可以识别癌变数据的模型,从而精准自动地将正常细胞与肿瘤病理学数据分类.结果表明建立的基于迁移学习的分类模型可以很好地帮助病理学家检测癌症,缩短诊断时间.
其他文献
在有雨的天气下,摄像机捕获的雨天图像通常成像模糊不清,能见度降低,在很大程度上干扰了计算机自动检测、识别还有目标跟踪的能力.例如,在交通事故中的责任划分和警察对犯罪分子的跟踪定位上,因为雨线对重要地理位置摄像头的干扰,导致摄像头没有办法提供清晰的图像作为证据,就会产生不良的影响.基于残差ResNet能通过改变映射范围加强深度学习、把输入分为高频细节层和基础层、通过输入的直接映射到输出加强图像特征等操作构建网络:通过频域变换来分离图像使得操作目标进一步稀疏化,把图像分成高频部分和低频部分,因为雨线几乎只存在
该文介绍了基于Visual Basic语言程序开发,该程序从气田工区数据核算、气井单井数据核查、不同时期报表数据核算对比入手,实现问题输出、相关数据整理.该程序高效核查核算数据,有效减少异常数据、错误数据传播带来的危害,为后续气田开发分析提供更高质量的数据.
图像处理在当今社会各个方面都有应用.随着人工智能的发展和大数据时代数据体量的节节攀升,日常生活中图像也呈现出爆发式增长.面对庞大的图像数据库,需要有效工具来快速处理复杂海量信息.具有不确定特性的粗糙集为图像处理提供有效的手段.
现有Unet网络分割视网膜血管精度较低,为了更精确地分割出视网膜血管,提出一种基于多分支卷积神经网络的视网膜血管的分割方法.在原有UNet网络模型进行改进,即增加级联结构获取更多信息流,有利于复杂特征的提取,同时提出共享权重残差模块来优化模型.实验在DRIVE数据集上进行验证,实验结果表明所提的网络模型与Unet网络分割结果相比,在准确率、灵敏度等评价指标上均有所提升,显示出更好的性能.
当前用户在互联网中发布的一些文本信息中包含色情、暴力、政治敏感或恶意广告等不良信息,对网络生态环境造成破坏,特别对广大青少年网民的健康成长影响较大.本文提出一种基于SVM的不良信息识别方法,该方法包括文本标记、文本分词、Doc2Vec文本向量化、SVM不良信息分类器训练、SVM不良信息测试5个步骤.实验结果表明该方法能有效识别网络不良信息,为网络不良信息的甄别提供了一种方法参考.
人们在日常生活中常常会遇到因为遗忘个人物品的摆放位置,导致找不到物品的苦恼;另一方面,由于老年人记忆力衰退、年轻人丢三落四的坏习惯以及小孩戏耍打闹,对定位物品的需求也成为问题.基于家庭场景的特殊性,笔者设想通过“新一代AI可寻物对讲机”这一中控平台,实现对各种贴上电子标签的个人物品的精准定位.随着AI+IOT迅速发展,万物互联成为一种发展趋势.
多目标跟踪领域以基于检测的跟踪方法为主,CenterTrack算法提出了以目标中心点为检测对象,每帧输出基于目标中心点生成的热图以辅助下一帧的检测和跟踪的方法.此方法在保证帧率的前提下有效提升了多目标跟踪准确率,但由于其缺乏对目标重识别的关注,当目标遭遇到遮挡或噪声影响从检测结果中丢失时无法将随后重新出现的同一目标识别为原目标,导致ID切换较频繁.该文在CenterTrack算法模型中加入近期丢失跟踪链队列和重识别模块以改善其在重识别方面的表现.输入商场监控录像并取得跟踪结果后,根据行人目标移动与停驻时间
基于深度学习算法,在交通中不同路况中对重载车辆进行检测与流量统计问题有待解决.首先对YOLOv4原理及主要算法进行介绍;之后进行了数据集的标注等预处理,将数据输入到YOLOv4模型中进行训练;最后对实验结果进行了一定的分析,并进行了模型检测,实验效果较好.该算法基本能够实现对不同路况中重载车辆的检测和流量统计.
在利用神经网络进行文本情绪分析时,不同的词嵌入会得到不同的判断结果.该文对比了由文本自身建立的基线模型和预训练词嵌入模型GloVe以及FastText的识别效果,通过实验得出了在不同情况下两种类型的识别优劣性.此外,针对两种预训练词嵌入,得出高频词汇的缺失对总体结果无重要影响的结论.
随着信息技术的不断发展,人工智能技术日臻完善,在医学影像诊断中应用人工智能技术,以提高医学影像诊断的工作效率和正确率,成为近几年研究的热点问题.深度学习技术在图像处理领域取得了巨大成功,在医学影像辅助诊断中的应用也更加普遍.该文首先分析了深度学习技术在医学影像辅助诊断中的应用现状,然后从分类、检测、分割三个项目应用领域介绍了深度学习在医学影像的具体应用,最后具体分析了深度学习技术对于不同成像方式的不同应用.