灰色系统残差GM(1,1)模型应用于前列腺癌流行趋势预测

根据武汉市城区居民 1990～ 1997年前列腺癌死亡资料建立灰色系统残差 GM(1,1)模型 ,预测 1998～ 2 0 0 0年该市居民前列腺癌流行趋势 ,旨在评价灰色系统残差 GM(1,1)的效果 ,并为前列腺癌的人群防治提供依据。拟和结果显示 ,模型的平均误差率为 6 .88% ,精度为优 (C=0 .32 ,P=1)。预测结果表明 ,武汉市城区居民 (男性 )此间前列腺癌死亡率呈缓慢增加趋势。     

SE-Res Block U型卷积神经网络应用于乳腺癌临床靶区与危及器官自动分割的研究

目的:实现引入SE-Res Block的U型卷积神经网络,探讨其应用于放疗中乳腺癌临床靶区与危及器官自动分割的可行性.方法:在传统U型网络的基础上引入SE-Res Block,以482例乳腺癌保乳术后(临床靶区中包含锁骨上颈部预防照射的靶区和需要照射腋窝的靶区不入组)进行调强放射治疗的乳腺癌患者的CT图像及结构信息作为...     

基于深度神经网络的颈动脉斑块超声图像诊断技术研究

目的 构建颈动脉斑块超声图像数据集并探讨深度学习技术对颈动脉斑块自动分类诊断的应用价值。方法 首先采集254例患者和354例正常人的颈部动脉超声图像,每例采集2幅图像,构建共包含1216幅图像的颈动脉超声图像数据集;然后,基于已构建的颈动脉超声图像数据集对传统的HOG+SVM方法和14种不同结构的深度神经网络模型进行训练;最后,通过三个量化指标(分类精确率、召回率和F1值)确定现有的颈动脉斑块超声图像分类性能最好的深度神经网络模型。 结果 通过综合比较15种不同的颈动脉斑块超声图像分类方法,得出性能最好的模型是深度残差网络模型ResNet50,其精确率、召回率和F1值分别为97.36%、97.32%和97.34%。 结论 本文通过数据集构建、模型选择、模型训练和测试验证了深度学习技术在颈动脉斑块超声图像自动诊断应用中的有效性,其中深度残差网络模型ResNet50对颈动脉超声图像能进行高准确度自动分类。     

灰色系统残差与Verhulst模型预测恶性肿瘤死亡

目的研究恶性肿瘤的流行趋势及其预测,为恶性肿瘤的综合防治提供准确、可靠、科学的依据。方法 根据香港特别行政区居民2001-2009年恶性肿瘤死亡资料建立灰色系统残差GM（1,1）模型与Verhulst模型,预测2001-2009年该市居民恶性肿瘤流行趋势。结果恶性肿瘤病死率趋势残差GM（1,1）模型精度检验结果显示：C=0.29,P=1.00,平均相对误差为1.01%,模型判为优。应用残差GM（1,1）预测2010-2013年恶性肿瘤病死率分别为183.2/10万、184.6/10万、186.1/10万和187.6/10万;用相邻做差的方式建立2002-2009年每年新增病死人数序列,每年新增病死人数的灰色Verhulst模型精度检验结果显示：C=0.634 2,P=0.45,平均相对误差为67.88%,模型结果提示效果较差。结论 分析结果说明香港特别行政区居民恶性肿瘤死亡率呈持续增加趋势,同时Verhulst模型结果提示香港每年新增病死人数尚未达到饱和状态,即未来几年每年新增恶性肿瘤死亡人数可能会有较大增幅。     

Logistic回归中不同Pearson残差估计方法的探讨

目的 探讨logistic回归中不同Pearson残差估计方法的差异,为回归诊断时残差估计方法及软件的选择提供参考。方法 通过对代表不同数据类型的两个实例构建logistic回归模型,并使用分别代表不同估计方法的SPSS与STATA软件计算其Pearson残差值,分析比较二者的异同。结果 Logistic回归模型的两种Pearson残差估计方法对协变量组数等于或近似等于研究对象个体数的数据的计算结果一致,而对协变量组数远小于研究对象个体数的数据的计算结果差异较大。结论 Logistic回归的两种Pearson残差估计方法在理论和应用上均有一定差异,针对协变量组数远小于研究对象个体数的数据,如何选择适当的Pearson残差估计方法,值得进一步深入研究。     

基于YOLO算法和ResNet深度卷积神经网络的结直肠息肉检测（含视频）

目的 构建一个基于YOLO算法和ResNet网络的自动检测结直肠息肉的深度卷积神经网络（deep convolutional neural network,DCNN）模型,并测试其功能。 方法 选取武汉大学人民医院消化内镜中心数据库2018年1月—2019年3月的肠镜图像及视频并分为3个数据集（数据集1、3、4）,另以公共数据集CVC-ClinicDB（由西班牙巴塞罗那医院提供的29个结肠镜检查视频中提取的612帧息肉图像组成）作为数据集2。数据集1（2018年1—11月的肠息肉图像3 700张,无息肉图像1 000张）用于DCNN模型构建、训练与验证;数据集2和数据集3（2019年1—3月的肠息肉图像320张,无息肉图像400张）用于DCNN模型在图像中的测试;数据集4（2018年12月肠镜视频15个,包含33个息肉）,用于DCNN模型在视频中的测试。主要观察DCNN模型检测肠息肉的敏感度、特异度、准确率和假阳性率。 结果 DCNN模型在数据集2中检测肠息肉的敏感度为93.19%（602/646）;在数据集3中检测肠息肉的准确率为95.00%（684/720）,敏感度为98.13%（314/320）,特异度为92.50%（370/400）,假阳性率为7.50%（30/400）;在数据集4中检测息肉逐息肉个数的敏感度为100.00%（33/33）,逐帧准确率为96.29%（133 840/138 998）,逐帧敏感度为90.24%（4 066/4 506）,逐帧特异度为96.49%（129 774/134 492）,逐帧假阳性率为3.51%（4 718/134 492）。 结论 构建的DCNN模型可用于自动检测结直肠息肉,在静止肠镜图像及肠镜视频中均具有较高的敏感度与特异度,且在视频中测试的假阳性率低,可用于帮助内镜医师检测结直肠息肉。     

适宜于空间可伸缩帧间编码的快速算法

为既保持可伸缩视频编码(SVC)有较高的编码效率,又能减少其编码时间,提出了一种适合于增强层的帧间快速编码算法:先计算出各个方式的权值,按照权值大小的顺序进行编码,同时结合残差预测和率失真预测进行提前终止。实验表明,本文算法能够显著地提高编码速度,同时对编码质量影响极小。     

基于卷积神经网络胃癌分割与T分期算法

基于胃癌CT图像准确分割胃癌和精准预测胃壁肿瘤浸润深度对于筛查胃部疾病、临床诊断、术前预测、术后评估计划至关重要。为了准确地从胃癌CT图像分割出胃癌并对肿瘤进行定性分期,提出一种基于卷积神经网络的胃癌分割与T分期算法（SC-Net）。SC-Net有两条主干线：分割主线、分类主线。这种新型算法分为两步进行训练：第一步只训练分割主线得到肿瘤的粗分割结果,然后在第一步基础之上联合训练分割分类主线得到最终的精分割和肿瘤T分期结果。为了提高算法对胃癌区域的关注度,提出了注意力机制加强算法的准确性。此外还使用多核残差模块和密集连接空洞卷积模块提取深层的特征信息。对所提算法进行定性定量分析。实验表明所提方法在胃癌分割和T分期上均优于同类方法,所提方法有作为筛查胃部疾病、辅助医生诊断的潜力。     

医用线性回归变量变换及诊断

本文运用近代回归分析的原理和方法，将残差图和偏回归杠杆图作为诊断回归模型缺陷的工具，利用变量变换使资料满足线性回归模型的基本要求。实例分析表明，这些方法在诊断模型缺陷。决定相应处理措施以及改进模型回归效果等方面均取得了满意效果。     

GM（1，1）模型在洞庭湖区濠口试点血吸虫病发病预测中的应用（摘要）

目的 对洞庭湖区退田还湖地区濠口试点血吸虫病发病进行预测，为国家卫生机构合理分配卫生资源提供决策依据。方法 应用GM(1，1)模型对濠口试点血吸虫病患病率建模并进行残差修正，进行三年预测。结果 濠口试点GM(1，1)模型平均相对误差为10．67％，模型精度为差，残差GM(1，1)模型平均相对误差为4．73％，模型精度为优。残差修正预测模型为X^(1)(k 1)=1．189654e^0.272225k-0.311351，连续三年预测值分别为9．12％，9．70％和10．48％．。结论 濠口试点残差GM(1，1)模型预测效果好；血吸虫病发病在未来三年内有缓慢上升的趋势，应加强血吸虫病防治工作。