一种用于视网膜静脉阻塞分类和病变检测的混合卷积神经网络

视网膜静脉阻塞(Retinal Vein Occlusion,RVO)是最常见的视网膜血管疾病之一.提出一种用于视网膜静脉阻塞分类和病灶识别的混合卷积神经网络,将压缩优化后的VGG卷积神经网络(Convolutional Neural Network,CNN)结合类激活层(Class Activation Mappin...     

葛根素注射液治疗视网膜动脉阻塞疗效研究

本文对葛根素注射液在治疗视网膜动、静脉阻塞及视力近视的临床应用进行了研究分析,经研究发现,葛根素注射液在治疗视网膜动、静脉阻塞疗效很好,优于目前应用的其它药物,同时还可用于治疗近视,对葛根素注射液治疗视网膜动、静脉阻塞的作用机理作了初步探讨.     

sICAM-1与视网膜分支静脉阻塞性黄斑水肿的关系

目的研究可溶性细胞粘附分子-1（sICAM-1）与视网膜分支静脉阻塞性黄斑水肿的关系。方法取19例BRVO性黄斑水肿患者的房水样本,采用酶联免疫吸附试验测定sICAM-1的浓度。结果与正常对照（中位数：3.3ng/mL）相比,BRVO中房水sICAM-1浓度（中位数：6.8ng/mL）明显升高（P=0.005）,且与黄斑水肿的严重程度相关（P=0.02）。结论sICAM-1与BRVO中形成黄斑水肿相关。测定房水中sICAM-1的浓度有助于评估黄斑水肿的严重程度。     

概率统计分析在深度生成模型中的应用

为了弥补深度学习理论部分的欠缺,将从概率统计的角度对经典的深度生成模型——生成对抗网络和变分自编码器背后的数学机理进行分析,给出深度生成模型背后的概率统计解释,为深度生成模型的发展提供理论支撑。     

基于深度学习的图像语义分割技术综述

图像分割是计算机视觉领域的一个重要方向,是图像处理的核心环节.伴随深度学习技术的发展,结合深度学习的图像分割技术在精确度上远超传统图像分割方法.卷积神经网络(CNN)与全卷积神经网络(FCN)的提出极大促进了图像语义分割技术发展,研究人员提出了很多新型网络模型,分割精准度大幅度提升.从传统语义分割方法、深度学习与传统方...     

球后注射曲胺奈德致视网膜中央动脉阻塞护理1例

1病例介绍 患者王某,男性,76岁.主诉:左眼疼痛,视力下降,伴头痛二月余,于2008-09-21日来我院就诊.查体:全身检查未见异常,眼科检查:视力;右眼:0.4;左眼:0.1;双眼眼压:20mmHg.左眼球运动受限,眼睑水肿,球结膜睫状充血,角膜透明,前房浅,房闪(-),kp(-),瞳孔圆,约3cm,对光反应(+),晶体轻度混浊,眼底未见异常,经CT检查确诊为左眼炎性假瘤.     

基于深度学习的高分辨率遥感图像海陆分割方法

将高分辨率遥感图像进行像素级海陆分割是遥感应用领域的一项基础性工作,对海岸线提取和海洋近岸目标检测具有重要意义,但传统阈值方法往往由于高分辨率遥感图像覆盖范围广、地物纹理复杂等特点而难以取得预期效果。为了提升高分辨率遥感影像海陆分割精度,改善传统阈值方法的不足,基于深度神经网络模型利用编码器—解码器架构,并在编码层中引入残差块,以更好地对特征图进行高级语义信息提取,通过解码层将编码层生成的特征图还原成与输入尺寸相同的特征图,最后通过Sigmoid层对图像进行像素级海陆分割。在高分辨率遥感图像数据集上的实验结果表明,该网络模型取得良好了分割效果,准确率和Kappa系数分别达到了94.3%和93.7%。与传统方法相比,海陆分割精确度得到了有效提升。     

基于深度学习的心脏MRI图像分割综述

传统图像分割方法在心脏MRI图像上分割效果欠佳,深度学习为该领域带来了新的研究思路.目前使用最广泛且分割效果最好的3种深度学习分割模型为:CNN、FCN和U-NET.针对不同模型网络结构、网络特点、优缺点和分割结果进行比较,总结最新研究进展,介绍两种有潜力应用于心脏MRI分割领域的网络模型,最后指出基于深度学习方法的心...     

关注生成教学 驱动深度学习

深度学习的数学课堂教学是在教师精心预设前提下的动态生成过程.教师应深入研读教材,激活教材,提升生成动力;善待学生的偏差,在有效追问中促进生成;引领学生反思感悟,帮助学生在探究中生成,从而促进学生的深度学习,提升关键能力.     

基于移动学习的深度学习研究

在目前的移动学习中,由于学习者对使用移动设备进行学习的认识不足、移动学习设备自身的局限性以及移动学习时间、地点的随机性等问题,导致移动学习停留在较浅层面,达不到较好的学习效果。通过加深学习者对移动学习的认识、改善移动设备以及设计恰当的学习资源等途径,可以实现深度学习,提高移动学习质量。     

基于GAN的图像超分辨率方法研究

图像超分辨率是一种采用软件算法提高图像空间分辨率的技术,由于传统超分辨率方法超清程度有限,基于深度学习的图像超分辨率方法成为研究者们近年来的研究重点。基于生成对抗网络（GAN）的图像超分辨率方法,在其网络模型结构基础上增加批处理归一化（BN）层以提升网络收敛速度、加强网络训练稳定性,更改上采样层网络并对损失函数作相应修改。在网络训练过程中,选择当前比较通用的Adam优化器。实验结果表明,该方法具有很好的超分辨率图像重建能力,且在训练过程中训练稳定性得到提升,收敛速度也有所加快。     

基于深度学习的杂草识别系统

田间除草技术在农业生产中具有重要意义。针对复杂背景下农作物与杂草识别率低、算法鲁棒性差等问题,提出一种图像分割网络 Res-Unet。该网络为 unet 网络的改进版本,采用 resnet50 网络代替 unet 主干网络,解决复杂背景下农作物与杂草区域提取困难、小植株检测效果差、分割边缘震荡、变形问题。将图像的平均交并比、准确率、训练时长作为评价指标进行实验。结果表明：使用 Res-Unet 模型的平均交并比为 82.25%,平均像素准确率为 98.67%。改进的 Res-Unet 模型相对于 Unet 平均交并比高出 4.74%,相较于 segnet 平均交并比高出 10.68%,训练时间减少 3 小时。该方法对复杂背景下甜菜杂草检测效果良好,可为机器人精确除草提供参考。     

基于深度学习的视频目标检测算法的实现

由于光照变化、物体遮挡和复杂背景条件等众多因素的影响,目标检测一直是机器视觉领域最具有挑战性的问题。首先对视频目标检测算法中的孪生网络系列算法进行分析比较;然后将孪生网络与深度学习相结合,提出并构建全新的孪生网络跟踪器;最后将视频输入到设计好的孪生网络跟踪器中,通过网络对每一帧图像中物体的类别与位置进行准确地实时框选标注。分别将该算法和当前广泛应用的YOLOv3算法在OTB数据集上进行验证测试。测试数据表明:该算法的视频目标检测成功率和准确率均优于YOLOv3算法。     

基于深度学习的肺结节诊断识别研究

医学图像诊断领域的研究热点是病灶点特征和精准定位,将深度学习应用到该领域后诊断效果明显,但是不同深度学习模型之间存在差异性。重点介绍几种重要的深度神经网络模型,总结深度学习在肺结节诊断识别中的研究进展,并提出将深度学习应用于肺结节临床诊断识别所面临的挑战与机遇。     

基于深度学习改进的机器人轨迹规划算法

在公路环境巡逻机器人轨迹规划问题中,实时准确的交通流量预测对机器人轨迹规划尤为重要。然而由于车流量的随机非线性,使得机器人轨迹规划任务仍然充满挑战。提出一种深度神经网络与轨迹规划算法相结合的融合算法。通过深度学习预测短期交通流量,优化交通网络图并运用轨迹规划算法完成路径规划。实验表明,改进的机器人能够更快、更安全地完成道路巡逻任务。     

基于专业学习共同体的幼儿教师深度学习模型构建

专业学习共同体作为幼儿教师专业发展的重要载体,对幼儿教师深度学习的生成具有重要的支持功效,具体表现为能够通过专业引领,激发深度学习;情境创建,生成深度学习;协同合作,推动深度学习;问题驱动,达成深度学习。构建基于专业学习共同体的幼儿教师深度学习模型具有重要的价值意蕴,该模型由参与者、共同愿景、赋权、合作共享、实践与反思等要素构成,具体包括提炼愿景、制作计划、营造文化、发展技能、推动变革以及评价反馈。幼儿教师基于专业学习共同体的深度学习运行过程如下：首先,以幼儿教师的专业学习需求为目标,并成为全体成员的共同愿景,引导其持续投入学习,进入深度学习的状态;其次,构建平等互信的人际关系,促进自主深度学习;再次,建立依赖共生的文化氛围,保障深度学习;从次,以问题为驱动,形成创造性的深度学习成果;最后,形成性评价贯穿于幼儿教师深度学习的始终,是深度学习能力形成的助推器。