武警哨兵国产CPU 芯片集成多生理参数及环境信息智能监测系统的设计与应用研究

 目的 利用信息化途径构建起武警哨位与执勤监控站点,以及上级管理站点间武警哨兵生理信号参数、环境信息参数监测信息初筛,为武警监管站点提供直观的哨兵的生理状态及环境状况预警。方法 应用大数据和人工智能,设计一套基于国产CPU芯片的武警哨兵集成多生理参数及环境信息的智能监测系统,对在一个集成融合的监控中心实现对武警哨兵的生理信号参数和哨位环境信息参数进行实时监测分析。结果 通过该系统的建设最大限度地依托国产CPU芯片进行开发,极大地优化了信息安全手段,提高对武警哨兵的多途径实时有效看护,武警监管站点能及时根据参数的改变和预警判断哨兵身体突发状况,及时给出处置方案,严防武警哨兵在执勤过程中的意外事件发生。结论 实现对武警哨兵的生理信号参数和哨位环境信息参数进行实时监测分析 ,为执勤监控站点及上级管理站点预警。     

基于改进U-Net的肝脏分割方法

针对现有肝脏图像分割方法存在分割精度较低的问题,提出一种改进U-Net的肝脏分割方法。该方法对U-Net结构做出以下改进,即引入改进的残差模块、重新设计跳跃连接,然后采用混合损失函数,从而提高特征信息的利用率,减少编码器和解码器之间的语义差异,缓解类不平衡的问题并且加快网络收敛。在CodaLab组织提供的公共数据集LITS（Liver Tumor Segmentation）上的实验结果表明,利用该方法达到的Dice相似系数值、敏感度、交并比分别为93.69%、94.87%和87.49%。相比于U-Net和Attention U-Net等分割方法,该方法分割出的肝脏区域结果更加准确,取得了更好的分割性能。     

基于特征融合的U-Net肺自动分割方法

目的:将肺部颜色特征与纹理特征融合形成一种更有效的特征,并利用改进的U-Net深度学习网络结构对肺部CT影像进行图像分割以准确提取肺实质区域。方法:使用的CT影像数据来源于LIDC-IDRI数据库,首先通过色彩空间转换、高阶邻域统计的方法分别提取颜色特征和纹理特征,然后采用加权平均直方图融合两类特征,最后将特征输入改进后的U-Net模型,进行1 000次CT扫描测试,以达到完整的肺实质输出。结果:该方法最终的骰子系数、灵敏度、特异性分别为93%、96%和97%。结论:本方法较单一特征分割方法具有较高的分割精度,有效提高肺实质的分割精度,可为后续的肺部疾病自动诊断提供可靠基础,减少临床诊断的成本并节省医生诊断时间。