摘要：膀胱癌MRI图像存在肿瘤边界不清晰、肿瘤区域较小、肿瘤分布不连续等问题,现有的分割算法参数量庞大,计算复杂,且分割精度有待提高。因此,设计了一种多尺度特征融合的轻量化膀胱癌分割算法(pyramidal convolution lightweight network,PylNet),该算法在编码阶段设计的多尺度语义特征提取模块可提取不同尺度的肿瘤区域信息,确保对微小肿瘤信息提取的可靠性和全面性;在解码阶段设计的融合模块可以在保证分割精度的同时,极大地减少算法参数量和复杂度。实验结果表明,相较于FCN8s、DeepLabV3+、U-Net等算法,PylNet算法分割精度有一定的提高,Dice系数达88.40%,参数量是FCN8s的1/13,可实现对膀胱MRI的快速分割。

摘要：偏头痛是一种严重危害人类健康的脑疾病,其中无先兆偏头痛在临床中占比最多且诊断困难。当前无先兆偏头痛辅助诊断算法研究中,基于机器学习的脑影像功能连接分析方法是最主要的研究方向。由于此类方法多依赖于预定义的脑图谱模板,受模板选择主观因素及分类器性能影响,现有方法的智能化程度和准确率较低,难以满足临床及研究需求。基于设计的新型3D-CNN技术,提出了一种无先兆偏头痛智能辅助诊断算法MwoA3D-Net(3D convolutional neural network based diagnosis of migraine without aura)。该算法采用组信息指导的独立成分分析方法,生成被试的静息态脑网络,并以此作为输入训练MwoA3D-Net,实现对无先兆偏头痛患者与健康对照的自动诊断,可避免因先验模板不同导致的结果差异。在算法设计中引入3D数据增强、L1和L2正则化等一系列优化策略,可有效防止过拟合现象的发生。在60名无先兆偏头痛和65名健康被试数据集上的实验结果表明,MwoA3DNet的平均诊断准确率为98.40%,鲁棒性较高,且所选静息态脑功能网络均具有较强的辨识性,可作为无先兆偏头痛的潜在生物标志物用于个体化诊断。

摘要：自动指纹识别一般包括指纹采集、图像预处理、特征提取、特征匹配等。细化是预处理中的一个重要环节,如果细化不好,很难使用常规的特征提取算法提取特征信息。现有的指纹细化算法存在很多问题,如细化不彻底、纹线吞噬、骨架偏离纹线中心等,各种问题的存在严重影响了细节点的准确提取。将现有的几种细化算法进行融合,应用于指纹二值图像的细化,得到了较好的细化效果,在细化纹线基础上可以准确地提取细节点。

摘要：为了改进传统教学方式的不足,将BOPPPS模式引入《数据结构实验》的教学过程。以“抽象数据类型三元组”为例,提出基于BOPPPS模式的教学设计方案。在参与式学习阶段,为了帮助学生增强信心和激发学习兴趣,将实验内容划分为“由易到难”的三个阶段。通过精心设置“陷阱”,使学生在动手实践过程中深入体会函数参数的“传值”调用与“传地址”调用的差别,达到体验式教学的效果。此外,在教学过程中综合运用“雨课堂”工具、类比教学法和图解教学法等辅助手段,确保了教学目标的顺利达成。