基于小波变换区域的PET/CT医学图像像素级融合

为了使PET/CT医学图像融合达到更好的效果,讨论了小波变换和区域的最优融合方法。首先将PET图像和CT图像通过二维离散小波变换,得到低频子带和高频子带|其次采用邻域能量、邻域方差、邻域梯度3种算法对高频子带进行规范化,融合规则均选用绝对值取大的方法|然后选用取平均值的方法对低频子带进行融合,将融合后的PET/CT图像通过小波逆变换,获得最终的融合图像|最后对3种融合算法进行比较,得出最优算法。实验结果表明,基于邻域梯度的融合方法在客观评价指标和人眼视觉效果上均优于其它方法,且鲁棒性较强。     

主动时态数据库中事件的时态语义研究

在事件时态一致性的前提下详细讨论了主动时态数据库中事件的时态问题,给出了复合时态事件的时态关系以及任意两个事件之间的Allen关系.     

基于因子分析的高星级酒店管理层员工职业满意度研究——以SL酒店为例

作为旅游业的支柱产业,酒店业是旅游经济不可或缺的重要组成部分,酒店行业的市场竞争归根到底是管理人才的竞争,而管理人才的实力取决于职业满意度效果.文章以SL酒店的管理层员工为研究对象,通过问卷调查法获取相关评价数据并利用因子分析法对SL酒店管理层员工的整体满意度情况进行分析研究.结果 表明:酒店管理层员工对薪酬待遇和工作...     

分层教学 异步发展——南宁外国语学校外语教学改革的探索

教育学家布卢姆 (Ｂｌｏｏｍ)在《人类特性与学校学习》中 ,力图解释学生学习中的个别差异 ,并确定改变差异的方式 ,他认为 :“只要提供适当的先前与现时的条件 ,几乎所有人都学会一个人在世上所能学会的东西。”受这些精辟论述的启发 ,我校开展了分层教学的课堂教学改革实验。“只要给学生充分的学习时间 ,95 %的学生可以达到教学规定的要求 ,其差异仅在于掌握得快慢 ,而不在于能否学会”。在施行“多套教材 ,精泛并举”的基础上 ,对“分层教学异步发展”的教学模式进行了探索 ,并根据我校的实际不断地改进教学方法 ,取得了很好的效果。　…     

对中西医结合教育的思考

中西医结合医学是我国独创的一门学科,中西医结合学科综合中西医两种医学的优点,充分的吸收我国医学的有效之处,也学习现代医学的先进技术和研究成果,在近五十年间取得了举世瞩目的成果。但是目前中西医结合教育、培养和普及仍需要进一步的完善和发展。医学模式的转变和医学的发展都对中西医结合医学提出了更高的客观要求。因此,有必要认识中西医结合教育的重要性及现存的问题,寻找培养人才的重要途径,推动中西医结合教育逐步发展向更成熟、更规范化的高层次。中西医结合教育只有不断地传承和创新中才能稳步发展前进。     

seqAFF-ResNet：面向新冠肺炎的诊断模型

新冠肺炎的计算机辅助诊断是一种实现智能化影像诊断、临床诊断及临床分型的方法,在新冠肺炎的辅助诊断过程中,图像的病灶区域与组织边界对比不明显,导致模型不能较好地关注病灶区域,对有效特征的提取不够充分。针对上述问题,提出一个新冠肺炎辅助诊断模型seqAFF-ResNet(sequential attentional feature fusion-residual neural network)。设计串行注意力特征融合(sequential attentional feature fusion,seqAFF)模块,该模块串联条带注意力特征融合(strip attentional feature fusion,SAFF)模块和全局局部注意力特征融合(global local attentional feature fusion,GLAFF)模块,获取图像的纹理信息以及全局和局部信息,弥补卷积神经网络对于细节特征提取能力的不足,使得模型可以更好地关注于病灶区域;构造深浅层特征融合(deep and shallow feature fusion,DSFF)模块,使用深层特征的语义信息来影响浅层信息...     

WEB数据挖掘技术研究

对web数据挖掘进行了全面的论述，并讨论了Web挖掘的分类和应用．在此基础上阐述了当前流行的挖掘技术，给出了Web数据模型，指出Web数据挖掘的发展方向和趋势．     

基于遗传算法—BP神经网络的乳腺肿瘤辅助诊断模型

针对BP神经网络在辅助诊断建模过程中因输入特征的多维性而造成模型精度低、建模时间长等问题,提出基于遗传算法—BP神经网络的乳腺肿瘤计算机辅助诊断模型。首先提取乳腺肿瘤感兴趣区域的几何特征、形状特征、灰度特征、纹理特征、频率特征和边缘特征共79维;其次,用遗传算法（GA）对提取的特征进行约简,去掉一些冗余特征,选择最能体现肿瘤良恶性的特征组合17维;最后采用BP神经网络对17维特征进行乳腺肿瘤辅助诊断研究。实验结果表明,基于GA-BP的模型在乳腺肿瘤识别中取得了良好效果。     

单阶段实例分割——从局部到整体的网络结构研究综述

单阶段实例分割是近年来深度学习领域的研究热点,其通过将目标检测和目标分割并行的方式实现图像的实例级分割,该方法目前已被广泛应用于图像目标分割领域。首先,阐述了单阶段实例分割基本原理。然后,从局部和整体2个方面对单阶段实例分割的网络结构进行梳理,在局部网络结构方面,从特征提取、特征融合、特征预测3个方面进行归纳,其中,在特征预测部分,按照有锚框到无锚框的思路对目标边界框的生成方式进行分类,按照全局掩膜到局部掩膜的思路对目标掩膜的表示方式进行分类,全局掩膜包括原型系数方法、目标位置方法和目标边界方法,局部掩膜包括目标轮廓方法、目标位置方法和目标特征方法;在整体网络结构方面,对22个主流的网络结构进行总结。接着,归纳了单阶段实例分割在医学图像分割、视频图像分割、遥感图像分割等应用领域的发展现状。最后,对单阶段实例分割的发展方向进行展望。