简介:摘要目的研究和搭建人工智能深度学习网络,在两个公开的大脑MRI图像数据集上实现高准确率的MRI脑肿瘤的四分类。材料与方法提出一种多尺度残差网络的MRI脑肿瘤分类模型,实现脑肿瘤的四分类任务。模型包括多尺度输入、改进残差、下采样和双通道池化共四个模块。将Kaggle中正常人和Figshare中肿瘤患者的脑部MRI图像进行数据集组合,对提出的模型进行训练和性能评估,优化网络超参数,提高分类准确率。结果在352张MRI图像上测试模型,仅使用多尺度输入模块时,得到平均分类准确率为96.59%。添加下采样模块后,准确率达到98.58%。对比最大池化、均值池化和双通道池化,准确率分别为96.02%、97.16%、98.58%。多尺度残差网络对脑肿瘤具有很好的分类效果,对胶质瘤、脑膜瘤、垂体瘤和正常无肿瘤图像的分类准确率分别为99.14%、99.14%、99.42%和99.42%。结论MRI是一种典型的检查脑肿瘤的医学成像方法,但放射科专家手工对脑肿瘤进行准确分类极具主观性和不确定性。提出的多尺度残差网络能为脑肿瘤自动分类提供有效的方法,且该网络提高了MRI脑肿瘤分类的准确率,很好地解决了梯度消失问题,提升了模型的泛化能力。
简介:摘要:齿轮箱是旋转机械的关键部件,而旋转机械的机械故障约30%是由齿轮箱发生故障引起的。而对机械设备进行定期的故障诊断之后,可以将事故的发生率减少75%,维修的费用也可以降低25%~50%。伴随着深度学习的快速发展,科研人员逐渐将浅层的机器学习方法应用到旋转机械的故障诊断之中,常见的有支持向量机、深度置信网络、循环神经网络和卷积神经网络等故障分类方法或模型。残差网络(Residual Neural Network,ResNet)作为卷积神经网络的一种优异模型,在图像识别领域等二维信息之间应用广泛,本文对其进行改进使其具有良好的抗噪能力,以剔除具体工业环境下噪声的干扰,以利于机械故障诊断。基于此,对改进残差网络的齿轮箱故障诊断进行研究,仅供参考。
简介:摘要目的探讨残胃出血的临床特点及外科治疗方法。方法回顾性分析2006年一月至2014年十月我院收治的36例的上消化道出血患者的临床资料。结果残胃出血患者的主要症状是黑便。残胃出血的发生率为(24例,66.7%)对于II型术后来说,其明显高于I型组(12例,33.3%)。发送出血的原因是残胃-吻合口炎并糜烂5例、10例血管畸形、3例吻合口破裂出血、吻合口溃疡6例和残胃癌出血5例、7例残胃炎。全部患者均经药物及内镜止血等治疗。手术后全部患者都顺利完成手术。操作方法全胃切除16例;黏膜缝扎止血并胃周血管离断3例,胃空肠吻合口缝扎止血12例,6例胃部分切除术。死亡3例,主要死亡原因为多器官功能衰竭和肺部感染。结论手术是治疗残胃出血的有效方法。