神经网络(计算机)

摘要： 目的观察基于腰椎螺旋CT图像以卷积神经网络技术全自动识别及重建椎间盘的可行性。方法回顾性分析400例腰痛患者的腰椎CT资料,以其中320例为训练集、40例为验证集、40例为测试集。以人工智能(AI)系统进行学习训练和测试。以深度学习(DL)卷积神经网络3D V-Net技术分割腰椎轴位CT图像中的椎体与椎间盘,并轴位重建椎间盘;以Dice系数评估分割精度。由2名放射科医师分别对AI重建图像及人工重建图像进行图像质量评分并进行对比。结果AI分割骶椎椎体、L5椎体、L1~L4椎体及椎间盘的Dice系数分别为0.953、0.940、0.940及0.926,平均为0.940。针对测试集40例,采用腰椎螺旋CT数据经卷积神经网络技术完成197个椎间盘重建。2名放射科医师对197幅AI重建图像及人工重建图像的中位评分均为4分,差异无统计学意义(P均>0.05);评分一致性加权Kappa值为0.862[95%CI(0.778,0.946),P<0.001]。结论基于腰椎螺旋CT图像卷积神经网络全自动识别及重建椎间盘的可行性令人满意。

摘要： 目的构建可以用来预测肝硬化食管胃底静脉曲张破裂出血患者1年内再出血风险的预测模型。方法选取2008年8月—2017年10月于首都医科大学附属北京地坛医院住院的肝硬化食管胃底静脉曲张破裂出血患者441例,并对其进行为期1年的随访观察。以再出血作为研究终点,根据1年内是否发生再出血事件将患者分为再出血组(249例)和未再出血组(192例)。计数资料采用Fisher精确检验或者χ2检验。计量资料符合正态分布两组间比较采用t检验,不符合正态分布的两组间比较采用Mann-Whitney U检验。采用Cox单因素和多因素回归分析影响食管胃底静脉曲张破裂出血患者1年内再出血的独立影响因素,并构建预测模型,利用ROC曲线下面积评估该模型的预测性能。结果有249例(56.5%)患者在1年内发生食管胃底静脉曲张破裂再出血事件,Cox多因素分析显示:INR(AHR=1.566,95%CI:1.023~2.398,P=0.039)、NLR(AHR=1.033,95%CI:1.009~1.058,P=0.006)是1年内再出血的独立危险因素;而CHB(AHR=0.769,95%CI:0.597~0.991,P=0.042)、Na(AHR=0.967,95%CI:0.936~0.999,P=0.044)、内镜(AHR=0.829,95%CI:0.743~0.926,P=0.001)及手术治疗(AHR=0.246,95%CI:0.120~0.504,P<0.001)是保护因素。利用上述6个独立影响因素,成功构建了一个人工神经网络模型(https://wangxianbo.math.ink/PoRiEV-zq/index.html),其预测1年内再出血的ROC曲线下面积为0.782(95%CI:0.740~0.825),明显优于Cox回归模型的0.672(95%CI:0.622~0.722,P<0.001)、Child-Pugh评分的0.557(95%CI:0.504~0.610,P<0.001)和MELD评分的0.562(95%CI:0.509~0.616,P<0.001)。结论人工神经网络模型具有良好的个体化预测性能,可以作为临床食管胃底静脉曲张破裂再出血的风险评估工具。

摘要： 目的 研发基于人工智能深度学习技术的全髋关节置换术(total hip arthroplasty,THA)髋臼假体型号算法并进行初步验证.方法 回顾性分析2019年4月至2020年4月30例股骨头坏死患者资料,其中男15例,女15例;年龄(54.8±10.5)岁(范围33～72岁),左侧13髋,右侧17髋,均接受初次单侧THA.在完成髋关节图像手工标注的基础上,训练人工智能深度学习卷积神经网络对患者髋关节CT骨质进行分割,而后识别骨盆解剖标志位点,并对骨盆位置进行矫正并模拟安放髋臼杯,分别采用dice overlap coefficients(DOC)、平均误差等参数对上述步骤的精度进行评估,最终形成人工智能髋臼假体型号算法.并使用该算法与Orthoview二维术前规划软件分别对患者髋臼杯大小进行规划,将两组规划结果与已完成的实际手术结果进行比对,分别计算其符合率,从而回顾性验证本算法的规划效果.结果 在算法方面,与其他经典分割网络相比,G-net网络可更精准的完成对股骨头坏死髋关节骨质的分割,DOC为92.51％±6.70％,且具有更好的鲁棒性(robustness),点识别网络平均误差为0.87个像素值.在临床应用效果方面,人工智能组完全符合率为96.7％(29/30),较Orthoview组的73.3％(22/30)高23.4％,差异有统计学意义(x2=6.405,P=0.011).结论 深度学习技术可精准分割患者髋关节CT图像,识别髋关节特征点,人工智能THA髋臼杯放置算法与传统二维术前规划方式相比具有较高的准确性.此算法有望实现准确、快速的THA三维术前规划.

摘要： 目的 基于基因组学的数据,通过机器学习,构建胃癌相关甲基化预测模型.方法 下载TCGA(The Cancer Genome Atlas)数据库中胃癌基因突变数据、基因表达数据和甲基化芯片数据,进行特征选择,构建支持向量机(径向基核函数)、随机森林和误差反向传播(error back propagation,BP)神经网络模型,并在新的数据集中进行模型的验证.结果 在3个模型中BP神经网络的检验效能最高(F1值=0.89,Kappa=0.66,受试者工作特征曲线下面积=0.93).结论 BP神经网络能够充分利用分子检测的基因组数据进行机器学习,可以用于胃癌相关甲基化预测.

摘要： 目的 探讨基于卷积神经网络的血肿分割算法对硬膜下和硬膜外血肿的测量结果与手动分割结果的一致性.方法 纳入2017年1月至2019年6月中国颅内出血影像数据库129例硬膜下和硬膜外血肿患者计352张CT影像(硬膜下血肿33例计104张影像、硬膜外血肿96例计248张影像),均采用手动分割、算法分割、多田公式3种方法对血肿体积进行测量,以手动分割作为“金标准”,分别与算法分割和多田公式进行一致性检验,并探讨血肿形态和边界对算法的影响.结果 与多田公式相比,算法分割的百分误差最小(23.62％),有94.89％ (334/352)的测值在95％一致性界限(95％LoA)内,与“金标准”的一致性良好;但算法分割的波动范围更大,在不对称(P=0.000)和边界清晰(P=0.000)的血肿中表现更佳.结论 基于卷积神经网络构建的算法分割具有一定的临床应用前景,但尚待进一步验证.

摘要： 目的 探讨基于深度学习的人工智能在非炎性主动脉中膜变性中的辅助诊断及其应用价值.方法 选取2018年1-6月首都医科大学附属北京安贞医院保存的89例非炎性主动脉中膜变性标本组织HE切片,扫描成数字切片后进行人工标注,在标注区域总提取1 627幅中膜病变HE图像.结合一种改进的基于ResNet18的卷积神经网络模型,进行非炎性主动脉病理图像的4分类研究,并对模型应用进行检测.结果 4分类模型对中膜变性病理改变中最常见的平滑肌细胞核缺失病变的识别准确率、灵敏度及精确率分别为99.39％、98.36％、98.36％.弹力纤维断裂和/或缺失病变识别精确率为98.08％;层内型黏液样细胞外基质聚集病变识别准确率为96.93％.模型整体准确率为96.32％,受试者工作特征曲线下面积值可达0.982.结论 初步验证了深度学习神经网络模型在非炎性主动脉病变图像分类方面的准确性,该方法可以有效提升病理医师诊断效率.

摘要： 目的 评价基于胸部X线卷积神经网络(CNN)模型诊断儿童不同病原体社区获得性肺炎(CAP)的价值.方法 纳入1769例CAP患儿,根据病原学诊断分为病毒组(n=487)、细菌组(n=496)及肺炎支原体(MP)组(n=786),对比组间胸部X线征象的差异;将患儿以7∶1∶2比例随机分为训练集、验证集和测试集,对测试集患儿根据性别和年龄分为不同亚组进行分层分析.基于胸部X线片分割全肺和病灶ROI,分别训练全肺模型和局部模型,通过混淆矩阵评估2种模型的整体效能;绘制受试者工作特征(ROC)曲线,计算曲线下面积(AUC),评价2种模型诊断不同病原CAP的效能;采用Delong检验比较模型诊断效能的差异.结果 3组病变累及范围、受累肺组织密度改变特点、肺过度通气及空洞差异均有统计学意义(P均＜0.05).全肺模型及局部模型诊断不同病原CAP的准确率分别为61.85％及58.04％,精确度分别为63.77％及54.05％.全肺模型和局部模型诊断MP性CAP的效能最佳,AUC分别为0.798及0.819;全肺模型诊断病毒及细菌性CAP的AUC均大于局部模型(P均＜0.05).全肺模型和局部模型诊断测试集中男性亚组和女性亚组不同病原CAP的AUC、诊断高年龄亚组和低年龄亚组病毒性及细菌性CAP的AUC差异均无统计学意义(P均＞0.05),诊断高年龄亚组和低年龄亚组MP性CAP的AUC差异均有统计学意义(P均＜0.05).结论 基于胸部X线片建立CNN模型诊断儿童不同病原体CAP的效能较好;全肺模型优于局部模型,2种模型均对MP性CAP诊断效能最佳.

摘要： 乳腺癌是女性最常见癌症之一,早期筛查、诊断对改善预后、降低死亡率至关重要.近年来,随着计算机性能的提高、海量医学影像数据的累积及新算法的不断出现,乳腺超声领域中人工智能(AI)研发已取得重大突破.乳腺超声AI可自动识别成像信息并定量评价,更准确、快速地诊断乳腺疾病.本文对AI在乳腺超声中的研究及应用现状进行综述.

摘要： 背景 现阶段我国2型糖尿病(T2DM)患者数量较多,亟须开发简单、有效的亚临床动脉粥样硬化发生风险评估工具.目的 依据多项指标构建预测T2DM患者亚临床动脉粥样硬化的多层人工神经网络分类模型并验证其预测准确性.方法 选取2010年1月至2016年12月在安徽医科大学第三附属医院住院的T2DM患者3627例,均行双侧颈动脉彩色多普勒超声检查,其中检出亚临床动脉粥样硬化者2196例(观察组),未检出亚临床动脉粥样硬化者1431例(对照组).比较两组患者一般资料、实验室检查指标及脂肪肝发生情况并据此构建多层人工神经网络分类模型.从3627例T2DM患者中随机选取3027例患者作为训练集,其余600例患者作为测试集,验证多层人工神经网络分类模型的预测准确性.结果 两组患者体质指数、舒张压、有吸烟史者所占比例、有饮酒史者所占比例、饮酒量、直接胆红素、总蛋白、天冬氨酸氨基转移酶、血尿酸、三酰甘油、低密度脂蛋白胆固醇/高密度脂蛋白胆固醇比值、促甲状腺激素、游离三碘甲状腺原氨酸、游离甲状腺素、糖化血红蛋白、空腹血糖、空腹C肽、HOMA-C肽指数、严重脂肪肝所占比例比较,差异无统计学意义(P>0.05);观察组患者女性所占比例、收缩压、有高血压病史者所占比例、球蛋白、总胆汁酸、尿素氮、血肌酐、胱抑素C、尿微量白蛋白排泄率、总胆固醇、低密度脂蛋白胆固醇、高密度脂蛋白胆固醇、白细胞计数、中性粒细胞计数、糖化血红蛋白、空腹血糖高于对照组,年龄、吸烟量大于对照组,病程、吸烟时间、饮酒时间长于对照组,有糖尿病家族史者所占比例、总胆红素、间接胆红素、白蛋白、丙氨酸氨基转移酶、肾小球滤过率、三酰甘油/高密度脂蛋白胆固醇比值、淋巴细胞计数、红细胞计数、血红蛋白、脂肪肝发生率低于对照组(P<0.05).结合临床实际,将上述49项指标作为输入变量构建多层人工神经网络分类模型;在测试集上,Logistic模型预测T2DM患者亚临床动脉粥样硬化的准确率为59％,而多层人工神经网络分类模型隐藏层数为3时预测T2DM患者亚临床动脉粥样硬化的准确率为76％.结论 本研究构建的多层人工神经网络分类模型对T2DM患者亚临床动脉粥样硬化的预测准确率较高,可作为T2DM患者亚临床动脉粥样硬化发生风险评估工具.

摘要： 神经网络计算机能模拟人脑的并行处理方式.具有惊人的自学习、思维、推理、判断和记忆的功能.本文针对我军未来无人平台、侦察系统、指挥系统、导弹武器系统等平台对计算机智能化的需求,对神经网络计算机的原理及体系架构进行了分析,神经网络计算机主要由硬件实现层、模拟训练层以及应用部署层构成，硬件实现层通过获取知识进行模拟人脑的神经元运算，并将结果以知识推理的方式返回。神经网络计算机的基础是人工神经网络，对于脑细胞的活动原理，用简单数学语言来说，一次乘法和累加就相当于一个神经突触接受一次信息的活动。许许多多简单的乘法和累加计算，就形成了脑细胞决定是激活状态还是抑制状态的简单数学模型。从这种模型出发，任何复杂的大量的脑神经细胞活动与只是大量乘法、累加和判别是否达到激活值的简单运算的并行与重复而已。因此用这种大量并行的简单运算就可以来模拟大脑的活动。神经网络的基本单元是人工神经元。它是根据人脑的工作原理提出的。

摘要： 结合弹载图像匹配计算特点,提出一种基于HPI互连的神经网络图像匹配计算机结构,在这种并行计算结构中,主控计算机通过HPI接口与各个神经匹配处理单元直接连接,主控计算机通过HPI接口可以直接访问各个神经元的片上和片外存储器,实现实时图像数据的直接转发和神经元中间运算结果的读取.理论分析表明,该设计可有效优化神经计算结构,提高图像匹配的实时性.

摘要： 结合弹载图像匹配计算特点,提出一种基于HPI互连的神经网络图像匹配计算机结构,在这种并行计算结构中,主控计算机通过HPI接口与各个神经匹配处理单元直接连接,主控计算机通过HPI接口可以直接访问各个神经元的片上和片外存储器,实现实时图像数据的直接转发和神经元中间运算结果的读取.理论分析表明,该设计可有效优化神经计算结构,提高图像匹配的实时性.

摘要： 结合弹载图像匹配计算特点,提出一种基于HPI互连的神经网络图像匹配计算机结构,在这种并行计算结构中,主控计算机通过HPI接口与各个神经匹配处理单元直接连接,主控计算机通过HPI接口可以直接访问各个神经元的片上和片外存储器,实现实时图像数据的直接转发和神经元中间运算结果的读取.理论分析表明,该设计可有效优化神经计算结构,提高图像匹配的实时性.

摘要： 结合弹载图像匹配计算特点,提出一种基于HPI互连的神经网络图像匹配计算机结构,在这种并行计算结构中,主控计算机通过HPI接口与各个神经匹配处理单元直接连接,主控计算机通过HPI接口可以直接访问各个神经元的片上和片外存储器,实现实时图像数据的直接转发和神经元中间运算结果的读取.理论分析表明,该设计可有效优化神经计算结构,提高图像匹配的实时性.

摘要： 本发明实施例公开了一种网络计算机，通过在网络计算机中增加相应的媒体信号处理功能模块，并使新增加的模块与网络计算机原有的功能结构相匹配，使得网络计算机能够实现媒体信号的传输。本发明实施例公开了一种用网络计算机实现媒体信号传输的方法，该方法通过使网络计算机具备处理媒体信号的功能，从而使得网络计算机在传输人机交互信息的同时还能实现媒体信号的实时传输。

摘要： 本发明涉及一种计算机外设，特别是指能将个人计算机(PC)改装为网络计算机(NC)的计算机可读存储装置的计算机外设，与个人计算机IDE总线连接。所述的外设具有能够存储和读写的Flash RAM，该Flash RAM包括存储有linux内核及PC硬件驱动程序的驱动程序模块，存储有RDP client和ICA client标准程序的标准程序模块，RDPclient提供RDP协议服务，ICA client提供ICA协议服务，使NC能够通过RDP协议和ICA协议与服务器通讯。改装后PC不需要安装硬盘，并设置PC由本外设启动。本发明最大限度利用现有资源、不需要进行大规模改造、投入低、节省软件和硬件更新的投入、节省了日常运行维护费用。

摘要： 本发明涉及一种用于生成深度神经网络（10）和用于定位输入图像（2）中的对象（30）的方法（1）、深度神经网络（10）、对应的计算机程序产品和对应的计算机可读存储介质。本发明提出了将判别性计数模型训练成：根据在每一个图像（2）中描绘的预定类型的对象（30）的数量来对图像（2）进行分类，并且将分割模型训练成：通过根据像素属于什么图像部分（30、31、35‑38、42、60）来对每个像素进行分类从而分割图像（2）。对两个模型的部分（11）和/或特征进行组合以形成深度神经网络（10），其中深度神经网络（10）被适配成在单个前向传递中针对每个输入图像（2）生成指示任何对象（30）的位置的图（14、16、52、58、63）。

摘要： 本发明实施例公开了一种网络计算机，通过在网络计算机中增加相应的媒体信号处理功能模块，并使新增加的模块与网络计算机原有的功能结构相匹配，使得网络计算机能够实现媒体信号的传输。本发明实施例公开了一种用网络计算机实现媒体信号传输的方法，该方法通过使网络计算机具备处理媒体信号的功能，从而使得网络计算机在传输人机交互信息的同时还能实现媒体信号的实时传输。

摘要： 提供了神经网络计算系统、神经网络计算方法和计算机系统。所述神经网络计算系统包括处理器和在处理器控制下的深度学习框架。框架通过读取至少一个神经网络模型文件获得神经网络模型的模型信息；使用模型信息来创建神经网络模型的神经网络图；调整神经网络图，使得神经网络模型对应于第一硬件计算装置的操作和第二硬件计算装置的操作；将神经网络模型划分为包括第一子模型和第二子模型的多个子模型；通过将第一子模型和第二子模型分别分配给第一硬件计算装置和第二硬件计算装置对第一硬件计算装置和第二硬件计算装置进行流水线化；和从通过改变第一子模型和第二子模型的硬件延迟中的至少一个而获得的多个硬件延迟测量之中检测减小的硬件延迟测量。

摘要： 本发明涉及一种计算机外设，特别是指能将个人计算机(PC)改装为网络计算机(NC)的计算机外设。本发明提出的将PC改装为NC的计算机外设是一种计算机可读存储装置，与个人计算机的IDE总线连接。所述的外设具有Flash RAM，能够存储和读写，用于存储linux内核及PC硬件的驱动程序，并存储有RDP client和ICA client标准程序，使NC能够通过RDP协议和ICA协议与服务器通讯。改装后PC不需要安装硬盘，并设置PC由本外设启动。第一次开机时，将PC硬件的驱动程序存储到Flash RAM中。客户机不进行计算，只负责接收用户输入、与服务器通讯、图形界面显示。本发明最大限度利用现有资源、不需要进行大规模改造、投入低、节省软件和硬件更新的投入、节省了日常运行维护费用。

摘要： 一种对用于在汽车安全应用中的认知计算系统中使用的目标神经网络计算机1进行编程的方法。将各个观察者神经网络计算机2集成到多个车辆3的相应的主动安全系统中仅观察信号。每个相应的观察者神经网络计算机2被布置来观察来自面向前的相机5的信号4和来自一个或多个驾驶者动作监视装置7的信号6，并且处理来自其所述面向前的相机5的所述观察信号4并将它们和来自所述一个或多个驾驶者动作监视装置7的所述观察信号6互相关联；组合来自多个所述观察者神经网络计算机2的互相关联的信号8

摘要： 一种模式识别专用神经网络计算机系统及应用方法，其中的模式识别专用神经网络计算机系统包括：一总线；一存储器部件，该存储器部件在系统中提供数据存储空间；一算术/逻辑运算和控制部件，该算术/逻辑运算和控制部件在系统中承担算术/逻辑运算任务，并通过总线控制系统其它各个部件的运行和数据交换；一神经网络硬件，该神经网络硬件根据算术/逻辑运算和控制部件的指令通过总线从存储器部件接收数据进行神经网络计算，并将结果保存到存储器部件；一环境接口部件，该环境接口部件根据算术/逻辑运算和控制部件的指令从环境获取信息，或将系统运行结果通过语音或其它方式表达出来。

摘要： 一种对用于在汽车安全应用中的认知计算系统中使用的目标神经网络计算机1进行编程的方法。将各个观察者神经网络计算机2集成到多个车辆3的相应的主动安全系统中仅观察信号。每个相应的观察者神经网络计算机2被布置来观察来自面向前的相机5的信号4和来自一个或多个驾驶者动作监视装置7的信号6，并且处理来自其所述面向前的相机5的所述观察信号4并将它们和来自所述一个或多个驾驶者动作监视装置7的所述观察信号6互相关联；组合来自多个所述观察者神经网络计算机2的互相关联的信号8

摘要： 一种模式识别专用神经网络计算机系统及应用方法，其中的模式识别专用神经网络计算机系统包括：一总线；一存储器部件，该存储器部件在系统中提供数据存储空间；一算术/逻辑运算和控制部件，该算术/逻辑运算和控制部件在系统中承担算术/逻辑运算任务，并通过总线控制系统其它各个部件的运行和数据交换；一神经网络硬件，该神经网络硬件根据算术/逻辑运算和控制部件的指令通过总线从存储器部件接收数据进行神经网络计算，并将结果保存到存储器部件；一环境接口部件，该环境接口部件根据算术/逻辑运算和控制部件的指令从环境获取信息，或将系统运行结果通过语音或其它方式表达出来。