BP神经网络在餐厨垃圾处理厂适宜性评价中的应用

在调研武汉市餐厨垃圾处理厂基础上,以CJJ 184-2012餐厨垃圾处理技术规范作为餐厨垃圾处理厂选址适宜性评价模型指标选取依据,选取规划适宜、交通运输、环境保护、建场条件和社会经济效益5个方面13个指标,采用BP神经网络构建模型,并以此模型对武汉市2个已建成的餐厨垃圾处理厂选址进行适宜性评价.结果表明,2个已建成的餐厨垃圾处理厂的选址为合格选址.评价模型较客观反映了武汉餐厨垃圾处理厂的实际情况,具有较强的适用性和可靠性.     

一种基于卷积神经网络的DIA数据预处理模型

目的数据非依赖性采集(data independent acquisition,DIA)是目前针对大通量蛋白质组学分析常用的一种数据采集方式。在对DIA数据无目标的分析方式中,由于无法预测肽段出现在DIA数据中的位置,需要对谱中所有的峰进行分析。但谱中含有大量的噪声峰,这些峰会严重影响后续蛋白质定性定量分析的效率与效果,所以在DIA数据的无目标分析过程中先进行预处理以去除噪声峰就成了很重要的一步。为了能充分利用从DIA数据中提取出来的肽段在一级质谱(first stage of mass spectrometry,MS1)和二级质谱(second stage of mass spectrometry,MS2)中的峰信息,提出质谱卷积神经网络(mass spectrometry convolutional neural network,MSCNN)模型。方法不同于传统的方法,本文首先提出适用于MSCNN网络结构的样本提取流程,然后利用MSCNN对样本进行训练和学习,该模型可以最大限度利用肽在MS1和MS2中的特征,最后通过观察模型在测试集中的结果来验证模型的效果。结果和传统算法相比,在保证真峰处理效果大致相同的情况下,MSCNN模型过滤噪声峰的数量提高了约11.2%。结论本文提出的MSCNN模型可以更有效地去除DIA数据中的噪声峰。     

基于神经网络学习的锥形束CT图像超分辨率重建算法

针对锥形束CT（CBCT）图像质量较差的问题,提出一种基于卷积神经网络的超分辨率重建（SRCNN）方法,旨在提高CBCT图像的分辨率。本研究分别对头颈、盆腔、胸部的CBCT图像进行研究,先使用非局部均值（NLM）方法对图像进行降噪处理,再分别使用双三次插值重建（BIC）方法和SRCNN重建方法进行超分辨率重建。结果表明,BIC方法和SRCNN重建方法均能提高CBCT图像的分辨率,SRCNN重建方法较BIC方法有更高的峰值信噪比,而在结构相似度和特征相似度上,BIC方法和SRCNN重建方法的差别不大。从图像峰值信噪比及特征相似度上看,此方法对盆腔部CBCT图像处理效果更为显著,对头颈部及胸部处理效果相近。     

利用Stein-Weiss解析函数结合反向传播神经网络进行血管分割

针对传统反向传播（BP）神经网络对血管进行分割存在耗时长且识别率不高的问题,本研究提出一种新的基于Stein-Weiss解析函数的BP神经网络算法用于血管分割。首先为每个体素构建一个Stein-Weiss函数,然后根据Stein-Weiss解析函数的解析性,计算出相应体素的16个特征值,将这些特征值输入到BP神经网络的输入层,采用BP神经网络的自学习能力对这些数据进行分类学习,最后通过BP神经网络的泛化能力来获取血管边缘。对肝脏血管分割的实验结果表明,相对于传统的BP神经网络分割算法,该算法提取的函数血管边缘识别率高、细节丰富,分割效率也明显提高。     

神经网络模型和多元线性回归预测肾结石CT值的比较

目的:比较神经网络模型(NNM)和多元线性回归(MLR)预测肾结石CT值的能力。方法:回顾性搜集2018年5月至2018年12月我院诊断为肾结石的患者121例(男95例,女26例),采用随机表法按3:1分为训练样本和验证样本。所有患者均进行CT平扫成像,比较两种模型的精确程度。结果:训练样本中,NNM计算得到C’与C的相关系数高于MLR;验证样本中,NNM得到C’与C的相关系数也高于MLR。训练样本中,NNM得到的MAE、MRE和RMSE均低于MLR,差异有统计学意义;验证样本中,NNM得到的MAE(17.351)、MRE(3.822)和RMSE(3.116)也低于MLR,两者间差异均无统计学意义。结论:NNM较MLR能更好地预测肾结石的CT值。     

遗传算法优化调强放射治疗射野权重初步研究

目的 研究调强放射治疗（IMRT）剂量计算与射野权重优化方法。方法建立基于二维卷积的IMRT剂量计算模型．用Visualc#．Nct编写剂量计算及基于遗传算法的IMRT射野权重优化程序,分析优化结果。结果用遗传算法优化射野权重能够在一个临床可接受的计算时间内得到较高适形度的剂量分布。结论遗传算法是一种有效的IMRT射野权重优化方法,在IMTR治疗计划优化中有广阔的应用前景。     

基于PCNN-LSTM神经网络的膝关节摆动信号分类识别

膝关节摆动(VAG)信号是指膝关节屈曲或伸展时发出的声音或振动信号,可灵敏、客观地描述膝关节的健康状态,在膝关节疾病的无创检测中具有重要作用.现有的对VAG信号正常和异常分类方法自动化程度低,且分类准确度较低,总体性能有待进一步提升.因此,提出一种基于改进卷积神经循环网络(PCNN-LSTM)的VAG信号分类算法.首先...     

基于BiLSTM-Attention混合神经网络的心律失常预测

目的 探讨BiLSTM-Attention混合神经网络模型在心律失常预测中的应用价值。方法 选取中国心血管疾病数据库27036条心电图（Electrocardiogram,ECG）数据,按照8∶1∶1的比例划分为训练集、验证集和测试集,采用中值滤波法与小波变换阈值法对原始ECG数据进行降噪预处理,采用BiLSTM对数据进行特征学习,融合注意力机制分配注意力权重,构建BiLSTM-Attention模型进行心律失常分类预测。将BiLSTM-Attention模型与长短期记忆网络（Long Short-Term Memory,LSTM）、LSTM-Attention和B i L S T M模型进行对比,采用F 1分数和曲线下面积（A r e aU n d e rC u r v e,AUC）对模型进行评价。结果 BiLSTM-Attention模型总体的F1分数为0.799,心房颤动、一度房室传导阻滞、窦性心律失常、窦性心律均获得了较高的F1分数,分别为0.955、0.862、0.954和0.917,9类心律失常的AUC均大于0.87。结论 BiLSTMAttention心律失常分类模型具备...     

基于注意力机制的卷积时序神经网络检测阵发性房颤模型

目的 为从动态心电图中准确、有效、快速地检测阵发性房颤（Paroxysmal Atrial Fibrillation,PAF）,降低患者的发病率和死亡率,设计一种基于注意力机制的卷积时序神经网络检测阵发性房颤的混合模型。方法 该算法首先通过卷积神经网络提取心电信号特征,然后由注意力机制帮助网络聚焦于重点信息部分,最后输入双向门控循环单元用于上下文信息的联系,从而准确检测PAF。结果 该模型使用Physionet 2021数据库作为预训练,在CPSC2021数据库上进行迁移学习,其灵敏度、特异性、准确度分别为96.86%、98.56%、98.54%。结论 相较于其他算法,该算法能够有效检测PAF,具有潜在的临床应用价值。     

基于改进LeNet-5模型的WHO Ⅱ/Ⅲ级脑胶质瘤影像自动分级的临床研究

目的 探讨基于改进LeNet-5模型的WHO 11/Ⅲ级脑胶质瘤影像自动分级的临床应用价值.方法 收集经手术病理证实的98例WHO Ⅱ级和Ⅲ级胶质瘤患者的MRI资料;按照就诊时间顺序将前67例患者作为训练集,后31例患者作为测试集.首先,用深度学习技术及训练集的760张MRI T2WI图像,在卷积神经网络下(LeNet...