简介:目的:探讨肝脏快速容积采集技术(LAVA)动态增强扫描对前列腺癌的诊断价值,并结合病理初步分析前列腺病变与血管生成的相关关系。方法:回顾性分析经穿刺活检及手术病理证实的前列腺癌和前列腺增生各40例的MRI表现,术前均行MRI常规平扫和LAVA动态增强扫描,观察病灶LAVA动态强化特征并获得TIC,分析其参数变化,同时对证实的病理标本行血管内皮生长因子(VEGF)和微血管密度(MVD)测定。结果:病变TIC分为3型:Ⅰ型为缓慢强化型,Ⅱ型为平台型,Ⅲ型为速升下降型;Ⅰ型多见于前列腺增生,Ⅱ型既可见于前列腺癌,又可见于前列腺增生,Ⅲ型以前列腺癌为主。前列腺癌组病灶强化峰值时间早于前列腺增生组,强化程度和强化率均高于前列腺增生组(均P<0.05)。前列腺癌组MVD值及VEGF表达明显高于前列腺增生组(均P<0.05)。结论:LAVA动态增强扫描强化特征有助于前列腺增生与前列腺癌的诊断与鉴别诊断,且能反映前列腺癌及前列腺增生血管生成的不同状况。
简介:研究了入侵检测系统中海量数据分类的问题.讨论了深度信念网络(DBN)的原理,提出了基于DBN的入侵检测模型.DBN由多层无监督的限制玻尔兹曼机(RBM)网络和一层有监督的反向传播(BP)网络构成.该入侵检测模型采用一种快速、贪婪的方法对DBN网络进行预训练,利用对比分歧算法逐层训练每一个RBM网络;然后,利用有监督的BP算法对整个DBN网络进行微调,并同时对RBM网络输出的低维特征进行入侵数据分类.基于KDDCUP1999数据集的实验结果表明,使用3层以上的DBN模型分类效果优于自组织映射和神经网络方法.因此,DBN是一种有效且适用于高维特征空间的入侵检测方法。
简介:摘要:针对土木工程结构施工现场人员安全帽佩戴情况识别问题,对基于卷积神经网络的施工人人员佩戴安全帽智能判别方法进行了研究,并设计了一套安全帽佩戴智能识别软件系统。卷积神经网络模型主要包括 AlexNet网络和 Faster R-CNN网络。网络模型在 Matlab中进行了训练和验证,训练损失小于 0.2%,验证了该智能判别方法的有效性。