垃圾填埋场用HDPE膜灭蝇的试验

垃圾填埋场苍蝇孳生的根本原因是覆土不及时造成的,而传统的灭蝇方法就是洒药,我们用一种替代材料-HDPE膜覆盖在垃圾上进行灭蝇,并进行试验。试验采用0.5mmHDPE膜,膜与膜的一种搭接方法是采用编织袋填土压力,另一种是采用焊接。试验结果用HDPE膜灭蝇在技术上是可行的,膜与膜的搭接最好是焊接后将周边用土压实,以保证膜内高温,高湿,使蛹不能正常羽化,从而达到灭蝇的目的。最后进行了经济效益分析。     

生活垃圾卫生填埋场覆盖HDPE膜下填埋气体安全性监测研究

通过监测杭州市第二生活垃圾填埋场HDPE膜下气体浓度,对HDPE膜下填埋气体的安全性进行了评价,提出采用HDPE膜覆盖填埋场在运营过程中应注意的安全事项。     

HDPE膜作为生活垃圾卫生填埋场临时覆盖材料的优越性探讨

以即墨市灵山固体废弃物综合处理场为例,对0.5mmHDPE膜作为卫生填埋场临时覆盖材料的优越性进行了技术、经济性探讨,结果表明,HDPE膜作为填埋场临时覆盖材料具有经济效益和社会效益。     

大型简易垃圾填埋场LFG横向迁移控制工程方案研究

结合深圳玉龙坑垃圾场封场工程,对简易垃圾填埋场LFG横向迁移的影响因素和控制措施进行了现场实验研究。研究结果表明,地质构造、地貌特征、土壤饱和度和地下构筑物等对LFG横向迁移的影响十分明显,如果采取适当的工程措施,将会有效提高气体防渗系统对LFG横向迁移的阻隔作用。     

基于GMS的某非正规垃圾填埋场地下水污染的模拟研究

针对上海市某非正规垃圾填埋场的地下水污染,通过GMS软件建立地下水流模型与溶质扩散模型,研究污染物在不同深度、不同地层、不同时间条件下的扩散规律,模拟结果表明该填埋场地下水污染扩散方向为自北向南,污染扩散已经对周边河流环境造成了近35 a的影响.为了防止污染进一步扩散,研究还围绕地下水的抽出进行了不同工况下的模拟研究,...     

脊椎分割和识别中的深度学习研究综述

回顾了与脊椎分割和识别相关的深度学习概念,介绍了深度学习在医学图像分割领域比较成熟的研究,以及深度学习在脊椎分割、脊椎识别和其他场景中的实际应用,并对当前的最新技术进行了系统总结,探讨了未来的研究方向。分析了深度学习虽然在脊椎分割与识别领域取得了一些引人注目的成果,但在分割精度、样本局限、标注挑战、超参数等方面存在的问题尚未得到很好解决的原因。展望可预见的未来,深度学习将会对医学图像分析,以及整个医学成像领域产生巨大影响。     

基于深度学习的医学图像识别研究综述

1943年McCulloch和Pitts首先提出了神经元模型(MP模型)[1]。1958年到1962年,Rosenblatt在神经元模型的基础上添加了学习功能,提出了单层感知器网络模型[2-3],并将此模型应用到实践中,但是此模型解决不了线性不可分问题。到1986年,Rumelhart等人提出了反向传播网络模型(BP模型)[4],解决了之前单层感知器网络模型不能解决的问题。在20世纪末,支持向量机(SVM)[5]被提出,SVM属于浅层机器学习模型,并取得巨大成功。直到2006年Hinton等人[6]认为具有多隐藏层的深层神经网络有很好的特征学习能力,从而引起了深度学习的热潮。深度学习(deep learning)就是通过无监督学习的方法训练每一个隐层,并将上一层训练的数据传递给下一层再训练,最后通过有监督学习的方法(如BP算法)调整训练好的整个网络[7]。目前流行的深度学习模型有卷积神经网络(CNN)[8]、循环神经网络(RNN)[9]、深信念网络(DBN)[10]、深自动编码器网络(DAN)[11]等。     

基于小波包和神经网络的血细胞识别方法的研究

根据血细胞信号的特点,提出了一种基于小波包分析和神经网络的血细胞识别方法。该方法首先对血细胞信号进行小波包分解,然后对分解系数进行重构,求得重构信号的能量;然后选取三个能量特征并结合7个时域特征参数构造成特征向量,作为神经网络的输入;最后建立神经网络模型进行训练。实验分析了不同条件下的信号识别情况,结果表明该方法识别效果较好。     

基于卷积神经网络的种植体周围牙槽骨关键点识别方法研究

目的:为了准确识别种植体周围牙槽骨的关键点,提出一种基于卷积神经网络(convolutional neural network,CNN)的种植体周围牙槽骨关键点识别方法。方法:首先,收集158例成人患者种植牙术后的锥形束CT(cone beam CT,CBCT)影像学资料,选择436张种植体的冠状位、矢状位的切片图像;其次,采用高分辨力网络(high-resolution network,HRNet)进行特征提取,通过属性分解热图实现单阶段牙槽骨关键点检测,并采用局部估计精化(refinement with local estimation,LE Refinement)方法减小由于热图分辨力低引起的量化误差;最后,将LE Refinement方法与None、Upsample、Offset regression方法进行对比,以验证其对种植体周围牙槽骨关键点的识别效果。结果:LE Refinement方法识别种植体周围牙槽骨关键点的平均精度均值为85.6%,均优于None、Upsample、Offset regression方法。结论:基于CNN的种植体周围牙槽骨关键点识别方法能够较好地识别种植体周围牙槽骨关键点,可以为临床医生提供参考。     

基于深度学习的脑血管分割方法研究

目的:针对磁共振血管造影(magnetic resonance angiography,MRA)图像存在部分血管微小、血管重叠等难以自动分割的问题,提出一种基于深度学习的脑血管分割方法。方法:采用由多生成器和判别器组成的生成式对抗网络(generative adversarial networks,GAN)构建脑血管分割模型(brain vessel segmentation model,BVSM)。首先,在生成器网络中引入特征融合、注意力机制模块,对患者的MRA图像进行分割提取;其次,判别器网络判断生成器网络生成的脑血管分割结果与专家手工标注分割结果的差距,迫使生成器网络不断优化,生成更真实的分割图像;最后,选用MIDAS数据集,设计消融实验,从Dice系数、精确率、敏感度、AUC 4个方面比较BVSM与原始模型[RVGAN(retinal vascular generative adversarial network)模型]、单独融入注意力模块的RVGAN+Attention模型、单独融入切片特征融合(slice-level feature aggregation,SFA)模块的RVGAN+SFA模型的脑血管分割效果。结果:BVSM的Dice系数为87.2%、精确率为88.3%、敏感度为86.3%、AUC为0.942,均优于RVGAN模型、RVGAN+Attention模型和RVGAN+SFA模型。结论:提出的方法整体分割准确率较高,可以清楚地观察脑血管结构的异常,为医生正确判断脑血管病变提供了一种辅助诊断方法。     

基于深度学习的结肠癌病理图片分类研究

目的 本研究探讨基于深度学习算法的结肠癌病理组织切片的诊断模型,对癌旁正常和肿瘤组织以及不同分化程度的肿瘤组织进行自动分类.方法 经公共数据库TCGA收集117名结肠癌患者的全切片病理图,分割成不重叠的4440张子图片,按8:1:1的比例随机划分成训练集、验证集和测试集.基于Python语言的TensorFlow框架,...     

基于深度学习的医学影像高效生成方法研究

目的：提出一种基于深度学习的医学影像高效生成方法,以解决医学影像数据获取困难、患病样本分布不均匀的问题。方法：将作为CycleGAN输入的2种真实图像进行图像风格迁移,在训练过程中CycleGAN学习2种图像的图像风格,并将这2种图像的图像风格进行转换,输出不同于原图像风格的图像。以肺部CT图像和眼底图像为例,分别对该方法的样本风格转换能力和患病样本生成能力进行测试。结果：经过训练后,该方法能够将肺部厚层CT图像转换为薄层CT图像,并能生成大量质量较高的眼底患病图像,且生成图像耗时短。结论：该方法可以高效生成医学影像,为临床研究以及相关人工智能模型训练提供了有力的保障,并且可为医学人工智能产品的泛化能力提供测试支撑。     

基于深度学习的冠状动脉IVOCT图像中易损斑块识别算法研究进展

介绍了冠状动脉血管内光学相干断层成像（intravascular optical coherence tomography,IVOCT）图像中易损斑块的智能识别算法的研究现状,分析了传统机器学习算法在易损斑块识别领域的不足及深度学习算法的优势。从斑块分类、检测、分割3个方面阐述了基于深度学习的斑块识别网络的结构特征及针对性的结构改进方法,指出了现有基于深度学习的识别算法的局限性,提出了提升识别精度、理解易损斑块破裂机理是该领域的未来发展方向。     

基于深度学习的脑肿瘤分级预测方法研究

目的：针对基于MRI图像对脑胶质瘤分级困难的问题,提出一种基于深度学习的脑肿瘤分级预测方法。方法：采用BraTS 2019数据集中的病例作为研究对象,基于深度学习构建由脑肿瘤分割模型、脑肿瘤分类模型及患者术后生存周期预测模型3个部分组成的脑肿瘤分级预测模型(brain tumor grading model,BTGM)。首先,基于MRI图像提取深度学习特征并完成脑肿瘤图像的分割;其次,基于监督学习方法对分割后的肿瘤图像进行分级预测;最后,基于多项式分析法,并结合患者的年龄等生理数据,预测术后脑肿瘤患者的生存周期。通过阳性预测值(positive predictive value,PPV)、Dice系数及敏感度(Sensitivity)评价分割模型的分割效果,通过预测准确率评价分类模型的分级效果,通过和方差(sum of squared error,SSE)、R平方系数评价患者术后生存周期预测模型的拟合结果。结果：分割结果表明,分割准确率(PPV)为89.1%、Dice系数为83.1%、Sensitivity为82.3%;分类结果表明,对脑肿瘤级别的预测准确率为98%;术后生存周期预测结...     

基于极坐标变换和深度学习的腔镜图像气泡分割方法研究

目的：针对腔镜手术中气泡边缘模糊、数量形态浮动较大所造成的图像分割困难的问题,提出一种基于极坐标变换和深度学习的腔镜图像气泡分割方法。方法：首先构建包含笛卡尔坐标系下的U-Net网络和极坐标系下的U-Net网络的级联U-Net模型;其次,由级联U-Net模型中的笛卡尔系网络初步分割气泡,之后进行连通域分析并提取质心,然后以质心为原点将输入图像转换到极坐标系下;再次,由极坐标系网络分别预测气泡分割结果并对结果加权求和从而得到最终的预测结果;最后,为验证级联U-Net模型的有效性,对比级联U-Net模型与U-Net模型、深度轮廓感知网络（deep contour-aware network,DCAN）模型和边缘感知网络（edge-aware network,EAN）模型3种经典图像分割模型在腔镜气泡数据集上的分割效果。结果：级联U-Net模型对于腔镜图像气泡分割的精度显著优于3种经典图像分割模型,Dice系数、平均交并比、准确率、召回率分别为0.891、0.812、0.920和0.871。结论：基于极坐标变换和深度学习的腔镜图像气泡分割方法可精确分割腔镜图像中的气泡,可为腔镜手术中气泡自动...     

基于深度学习的手术器械视觉图像高斯与椒盐噪声去除方法研究

目的 ：为消除手术器械视觉图像中的高斯与椒盐噪声,并恢复图像的细节特征,提出一种基于深度学习的手术器械视觉图像高斯与椒盐噪声去除方法。方法：首先,构建由多特征融合编码器解码器网络、注意力引导网络和细节恢复渐进式网络3个部分组成的轻量级多任务渐进式网络,使用多特征融合编码器解码器网络预测视觉图像中的噪声信息,并从原图像中去除,使用注意力引导网络进一步去除图像中的残留噪声,使用细节恢复渐进式网络对去噪图像的底层细节特征进行恢复。其次,对轻量级多任务渐进式网络进行轻量化设计,将细节恢复渐进式网络中的部分常规卷积替换为深度可分离卷积。最后,在公开的CBSD68、Kodak24数据集和自建的手术器械噪声数据集上进行去噪实验,比较基于轻量级多任务渐进式网络的去噪方法与经典去噪方法的去噪效果,ResNet-18模型和ResNet-34模型对采用轻量级多任务渐进式网络去噪后的图像的分类准确率,并分析轻量化设计前后的算力和内存占用情况。结果：在公开数据集上,所提出的方法较经典的去噪方法取得了更好的去噪效果。在手术器械噪声数据集上,ResNet-18模型和ResNet-34模型对采用轻量级多任务渐进式网络...     

基于深度学习的人工智能诊断模型在食管早癌内窥镜筛查中的研究

目的：研究基于深度学习的人工智能（AI）诊断模型应用于食管早癌内窥镜筛查。方法：利用Inception ResNet V2 CNN模型构建深度学习模型,并在Tensor Flow1.9.0框架下进行训练、验证及测试。选取医院收治的80例食管癌患者资料,另选同期在医院进行内窥镜检查的80例食管其他病变患者资料,收集160例患者内窥镜检查时获得的传统白光成像技术图像及窄带成像图像,按照7∶3的比例分为训练组（112例）和验证组（48例）,建立基于深度学习的AI诊断模型,收集两组临床基本资料。分析食管早癌内窥镜下特征。以病理学检查结果为“金标准”,分析传统白光成像技术及窄带成像技术对食管早癌的诊断结果。观察不同性质食管病变患者镜下检查结果。分析基于卷积神经网络（CNN）的深度学习方法构建的早期食管癌AI诊断模型与内窥镜医师诊断结果之间的差异。采用受试者工作特征（ROC）曲线下面积（AUC）分析AI诊断模型与低资历内窥镜医师、高资历内窥镜医师诊断的效能。结果：训练组患者基于传统白光成像技术图像及窄带成像图像的病灶表面不光滑占79.46%（89/112）,具有黏液附着占72.32%（81/112...     

基于深度学习与多模态生理数据的阿尔茨海默病分类方法研究

目的：为了提高阿尔茨海默病（Alzheimer’s disease,AD）的分类效果,提出一种基于深度学习与多模态生理数据的AD分类方法。方法：选用阿尔茨海默病神经影像学计划（the Alzheimer’s Disease Neuroimaging Initiative,ADNI）数据库中AD患者、早期轻度认知障碍（early mild cognitive impairment,EMCI）患者、晚期轻度认知障碍（late mild cognitive impairment,LMCI）患者和正常认知（normal cognition,NC）受试者的多模态数据,利用改进的New＿ResNet50网络提取受试者大脑MRI图像特征进行分类,利用3D-Unet-Attention网络对海马体图像进行分割后通过残差网络进行分类,利用多层感知机（multi-layer perceptron,MLP）网络基于患者的生理数据与海马体体积进行分类,并对3个网络给出的分类结果采用投票法确定最终分类结果。比较改进的New＿ResNet50网络、3D-Unet-Attention网络分类模型与传统网络分类模型对...     

基于感知觉学习的儿童视觉及智能虚拟现实数据库系统对弱视治疗效果的研究

目的评价基于感知觉学习的儿童视觉及智能虚拟现实数据库系统治疗弱视的效果及特点。方法用基于感知觉学习的儿童视觉及智能虚拟现实数据库系统对174例223眼3种类型的弱视进行治疗,对弱视的类型、弱视的程度、患者的年龄与疗效的关系及弱视治愈的时间进行观察。结果1个月总有效率达89.7%,其中基本治愈70.0%,有进步19.7%,无效10.3%。3个月总有效率为98.3%,其中基本治愈87.4%,有进步9.9%,无效2.7%。治疗效果与弱视的类型、程度、患者的年龄无显著关系。结论基于感知觉学习的儿童视觉及智能虚拟现实数据库系统是一种有效的治疗方法。     

基于深度学习的子宫内膜癌术后容积旋转调强治疗计划剂量预测的研究

目的：探讨基于三维深度残差网络(3DRes-Unet)模型深度学习对子宫内膜癌术后容积旋转调强治疗(VMAT)计划剂量精度的预测价值。方法：回顾性收集2019-2021年内江市第一人民医院放疗中心治疗的154例子宫内膜癌患者VMAT放疗计划,将数据集按7∶1∶2采用随机抽样法分为训练集108例,验证集15例和测试集31例,以临床批准的剂量作为“金标准”,对3DRes-UNet预测的放疗剂量与临床的放疗剂量进行比较。结果：深度学习与临床“金标准”之间的靶区适型度指数(CI)和平均剂量(D_mean)差异有统计学意义(t=-3.115、-0.124,P<0.05)。危及器官(OAR)膀胱40%处方剂量所覆盖的靶区体积(V₄₀)差异有统计学差异(t=0.510,P<0.05),直肠V₅₀差异有统计学差异(t=-2.121,P<0.05)。左股骨头V₃₀预测剂量小于临床剂量(t=0.415,P<0.05)。右股骨头V₃₀预测剂量小于临床剂量(t=-3.102,P&...