摘要：目的随着全球人口老年化趋势日益加剧,阿尔茨海默症(Alzheimer’s disease,AD)的及时诊断与病理区域的可视化及其准确定位具有重要的临床意义。目前的研究中,基于块级和区域级的检测,由于采用非线性交互很难解释影响模型决策的病理区域。针对此问题,提出了一种AD病理区域定位及诊断的联合学习框架。方法利用反事实推理的思想,基于前景背景注意力掩码构建注意力引导的循环生成对抗网络(attention-guided cycle generative adversarial network,ACGAN)可视化AD患者的病理区域,并使用生成的病理区域知识指导增强诊断模型。具体来说,通过在ACGAN模型的生成器中设计注意力掩码来引导生成方案,使模型更好地聚焦于疾病的病理区域,有效地捕捉突出的全局特征。并通过ACGAN模型中病理区域生成器实现结构磁共振图像(structural magnetic resonance imaging,sMRI)在源域和目标域之间的转换清晰地划分出细微的病理区域。利用生成的病理区域知识作为指导,并结合三维坐标注意力与全局局部注意力,获取三维图像之间的依赖关系及三维空间的位置信息,优化诊断模型。结果为了验证方法的有效性,在公开的ADNI(Alzheimer’s disease neuroimaging initiative)数据集上对模型进行评估,与传统的卷积神经网络(convolutional neural network,CNN)模型及几种较为先进的AD分类诊断模型相比,本文使用病理区域知识指导增强诊断模型显示出优越的诊断性能,相比于性能较好的方法,ACC(accuracy)、F1-score、AUC(area under curve)分别提高了3.60%、5.02%、1.94%。并对生成的病理区域图像进行定性及定量评估,本文方法得到的病理区域图像归一化互相关分数和峰值信噪比均优于对比方法。结论与现有方法相比,本文模型可以学习sMRI图像在源域和目标域之间的转换,能够准确地捕获全局特征及病理区域。并将学习到的病理区域知识用于AD诊断模型的改进,使分类诊断模型取得了卓越性能。

摘要：运动心电图是一种将人体对象置于非平静状态下检测到的心电信号,其特点是运动导致基线严重漂移,肌电干扰显著增加,信噪比低。介绍了一种用人工神经网络预滤波的自适应运动心电信号增强器。运用人工神经网络的非线性和自适应处理的跟踪特性有机地结合设计而成。能降低噪声,提高信噪比,有效地提取运动心电信号。

摘要：本文介绍了在C语言程序设计中进行的一些改革与实践,从如何激发学生的学习兴趣、提高课堂生动性和学生主动性以及教学方法的改进等几个方面进行了教学实践的探讨。

摘要：针对糖尿病视网膜病变的眼底图像数据,根据传统的卷积神经网络模型设计出一种能够针对此病程进行自动分类的网络模型.引入一种全新的基于双眼特征融合模型来比较不同模型结构的处理效果,通过实验证明了此模型在对糖尿病视网膜病变眼底图像进行分类时的有效性和优越性.通过对模型的损失函数进行调整,分析得出在不同评价准则下的最优损失函数.对错分的图像样本进行分析,总结了造成错误分类的两种主要原因:微血管瘤特征的不明显和相机伪影构成的图像噪声.