基于广义逆的无谱逆反卷积算法

在时域循环卷积运算实现反卷积方法的基础上，基于广义逆的概念提出了一种改进算法，该算法不仅可以有效地避开无谱逆问题，而且运算量增加较少，易于编程实现。     

采用修正正交分段线性函数求解时滞系统和卷积的方法

应用修正正交分段线性函数的时滞和反向特性，推导出求解时滞系统和卷积的公式。数字仿真表明，它具有计算简单，精度高的优点。     

用反卷积法校正X线图像散射的方法

在数字Ｘ线摄影中，散射造成了图像对比度的下降，在影像增器－电视链成像系统中来自病人的散射和来自探测器系统的眩光更是恶化图像质量的主要原因。为了提高数字Ｘ线图像的质量，我们利用高斯曲线近似散射点扩展函数，并在一特定的系统上用实验的方法确定了散射量ρ和散射分布参数σ，     

基于数据挖掘的低增生性骨髓增生异常综合征与再生障碍性贫血分类模型研究

目的 构建低增生性骨髓增生异常综合征（hypo-MDS）与再生障碍性贫血（AA）鉴别诊断的决策树、贝叶斯、卷积神经网络、改进的支持向量机四种模型并选择出最优模型。方法 收集2010—2019年华北理工大学附属医院的AA与hypo-MDS患者的病例资料,使用统计学方法筛选指标,将处理后的样本以4[DK]∶1随机分为训练集和测试集,构建决策树、贝叶斯、卷积神经网络、改进的支持向量机四种模型,采用五折交叉验证法多次重复验证,通过灵敏度、AUC等指标评价鉴别诊断效果。结果 hypo-MDS患者红细胞、血红蛋白含量等指标低于AA患者,成熟单核细胞比例等指标高于AA患者,年龄和职业分布也存在差异(P＜0.05）;最终选出21个特异性指标。四种模型的分类效果比较:灵敏度分别为82.56%、65.12%、87.21%、79.07%;AUC分别为0.81、0.68、0.82、0.83;准确率分别为75.32%、69.48%、77.27%、74.03%。对卷积神经网络的误判病例分析得出年龄、血成熟淋巴细胞等7个指标均存在差异（P＜0.05）。结论 在决策树、贝叶斯、卷积神经网络、改进的支持向量机四种诊断模型中,卷积神经网络具有最佳分类效果。     

基于卷积神经网络和Transformer的肝脏CT图像分割方法

针对现有的卷积神经网络在肝脏图像分割上精度较低的问题,提出了一种以U-Net网络模型为基础的分割算法。将多头自注意力机制引入到U-Net网络的跳跃连接中,在编码器部分使用空洞卷积,采用混合损失函数从而提高分割精度。在LITS数据集上通过实验结果表明,利用本文方法进行肝脏分割与传统U-Net方法相比Dice系数提升3.3%,平均交并比提升了2.4%,平均像素准确率提升了3.66%。     

脱卷积法进行自制尼群地平缓释制剂体内外相关性研究

目的用脱卷积法进行自制尼群地平缓释制剂体内外相关性的研究。方法以自制尼群地平口服溶液剂的犬体内血药浓度数据为权函数，根据3种自制尼群地平缓释制剂试验犬体内血药浓度数据，采用脱卷积法计算体内释药特性，与相应的体外释药特性进行比较，考察体内外相关性。结果用脱卷积法计算3种尼群地平缓释制剂的体内外释药相关性良好。结论脱卷积法适用于自制尼群地平缓释制剂的体内外相关性研究。     

应用体内外相关性模型研究红霉素缓释微囊的体内外相关性

 目的 对红霉素缓释微囊的体内外相关性进行了研究,并对模型在预测体内数据方面的性能进行了考察。方法 应用美国缓、控释制剂专业委员会推荐的水平A、水平B两种体内外相关的模型。收集红霉素缓释微囊12 h的体外溶出数据。同时以家兔为实验动物,灌服微囊后收集血药浓度。应用水平A相关性模型,采用反卷积方法获得体内吸收百分数,并与体外溶出百分数进行比较。同时进一步运用基本的和扩展的卷积-反卷积方法对微囊的体内外相关性进行研究。对水平B相关性模型在药物相关性研究上的应用也进行了考察。结果 水平A模型和水平B模型都得到比较好的结果。结论 两种模型都能刻画体内外的相关性,水平A相关性模型可以得到较水平B相关性模型更多的关于药物体内外相关性的信息。     

ECG信号的时频分析

ECG信号是最主要的生物信号之一,它反应了心脏的活动,单用时域或频域的方法不能够很好地研究心电问题,只有利用时频方法对正常或不正常病人的ECG信号进行识别和分析.时频计算中采用了迭代的去卷积算法.这种方法用于时频分析领域,可以提高信号的分辨率.其优点是能够指示信号的非平稳行为和观测到任何瞬时现象,特别对非正常信号,其结果有利于分析心脏问题.     

基于Faster-RCNN的肺结节检测算法

针对目前的肺结节检测中存在的个体差异、同病异影、同影异病的问题,提出一种大样本条件下的基于Faster-RCNN的肺结节检测算法,对比研究目前的深度学习模型的适应性,给出一种通用的随着样本数量增加肺结节检测率持续提升的策略。首先搭建深度学习的软硬件环境,设置影像数据接口与Faster-RCNN的网络接口匹配;然后搭建Faster-RCNN的单类分类网络,并对网络结构的参数进行调整优化;最后用包含2 000例病人的肺结节数据集,通过不同的卷积神经网络模型 (包括ZF和VGG),计算CT图像在各自模型中的特征。对测试结果进行分析评估,分别统计其漏检率、检测准确率,并探讨不同训练数量和数据增广类型对最终检测准确率的影响。最终ZF模型的检测准确率为90.82%,准确率的波动方差为13.30%;VGG模型的检测准确率为87.02%,准确率的波动方差为37.10%。ZF模型的波动方差小,检测精确度高,综合考虑,ZF模型对肺结节的检测效果优于VGG模型的检出效果。所提出的肺结节检测技术具有良好的理论价值和工程应用价值。     

两室模型药物体内释放(溶出)速率估算的半参数随机模型

目的:为两室模型药物体内释放(溶出)速率估计提供一种半参数随机模型。方法:在生物药剂学意义上,同一药物的受试制剂(test preparation,TP)与参比制剂(reference preparation,RP)的纯吸收及处置过程相同,所需时间相等。将TP总驻留时间(Th)视为TP体内释放(溶出)时间(Tf)与RP总驻留时间(Tg)之和,Tf与Tg相互独立,Th、Tf及Tg均为非负且连续型随机变量。对TP:假设Tf概率分布未知,故Th亦服从由一次血管外给药后的血药浓度-时间数据用数值方法求得的概率密度函数(PDF)的数值解的某一未知概率分布(非参数模型)。对RP:由于无释放(溶出)过程或释放(溶出)过程可忽略不计(相对于TP),故假设药动学呈两室模型分布、一级动力学吸收、室间转运与消除特征,则可推导出Tg的PDF公式(参数模型)。根据卷积公式,得卷积型Volter-ra积分方程,运用数值反卷积分法求解,得到TP体内各时间间隔平均释放(溶出)速率值。结果:半参数随机模型可估计出TP体内释放(溶出)速率、TP的PDF之数值解及RP的PDF的函数形式与参数估计值。结论:半参数随机模型可用于两室模型药物体内释放(溶出)动力学研究。