摘要：深度学习模型训练时需要大量的注释样本,但在医学领域注释数据难以获取。针对此问题,提出了一种结合部分注释数据的自监督学习算法,以提高3D肺结节的分类性能。在传统自监督训练的网络结构基础上,设计了一种多任务学习的网络结构,以同时利用医学图像处理任务中大量未注释数据和少量注释数据。通过先训练未注释数据然后加入注释数据继续训练的方式,实现了注释数据与未注释数据间部分网络结构和参数的共享。相较于传统自监督学习方法,所提算法在保证模型泛化能力的同时能够学习到更多与肺结节相关的鉴别特征,因此将模型迁移学习用于肺结节分类时也能表现出更佳的性能。所提算法在公开数据集LIDC-IDRI上的分类准确率达0.886,曲线下面积(AUC)值达0.929,实验结果表明,所提算法能够有效提升肺结节的分类性能。

摘要：介绍了中子活化元素在线分析仪的组成及内部采用小模块化结构、无需切断皮带、通道高度可根据工艺调整、具有水平调节机构、便于整体吊装和运输、采取特殊减震措施等结构特点,从上机架、中机架、下机架、内托架、压板、两端防护等方面解析了装置的结构,详述了中子源输出器、探测器等主要装置部件的设计,指出采用中子活化瞬发γ分析(PGNAA)技术可对胶带流经的所有物料进行无接触在线检测,通过精确分析各元素含量及相关质量控制参数等实时检测信息以有效控制生产过程。各领域的中子活化元素在线分析仪可采用模块化设计,以符合不同应用领域、不同现场尺寸的结构要求。