摘要： 在高中化学学习中，传统方法侧重于记忆和理解单个知识点，碎片化的知识难以形成系统的化学思维。大概念学习方法有助于我们整合知识点，构建完整的知识体系。一、大概念在化学学习中的重要性大概念是学科知识的基础，帮助我们建立知识间的联系。化学学习中的大概念包括物质组成、化学反应本质、能量转化等。以“化学反应与能量”为例，此概念涉及反应中的能量转化和物质变化及影响因素。

关键词： 磁共振成像   肝细胞癌   影像组学   深度学习   Ki-67   磁共振成像   肝细胞癌   影像组学   深度学习   微血管密度  

摘要： 目的 探讨基于多模态MRI的传统机器学习方法及深度学习方法术前预测肝细胞癌（hepatocellular carcinoma,HCC）Ki-67表达的价值。 材料与方法 回顾性收集2016年1月2023年3月于我院行1.5T或3.0T MRI检查且术后病理证实为HCC的患者87例,包括T2WI、扩散加权成像（diffusion-weighted imaging,DWI）及动态增强序列。根据免疫组化染色情况,分为Ki-67高表达组（阳性细胞比例>15%,n=45）,Ki-67低表达组（阳性细胞比例≤15%,n=42）。按8:2比例将所有患者随机分为训练集和测试集,其中训练集中Ki-67高表达组35例,Ki-67低表达组34例;测试集中Ki-67高表达组10例,Ki-67低表达组8例。使用GE AW 4.6工作站Functool软件对所有患者DWI序列进行后处理,获得表观扩散系数（Apparent diffusion coefficient,ADC）图。将T2WI、ADC、动脉期（arterial phase,AP）及门静脉期（portal venous phase,PVP）图像导入ITK-SNAP软件（version 3.6.0,http://***/）,逐层沿肿瘤边缘勾画感兴趣区（regions of interest,ROI）,经融合获得肿瘤全域感兴趣容积（volume of interest,VOI）。在所有数据集中随机抽取30例患者,分别由具有3年及9年的影像诊断经验的放射科医师完成所有序列ROI的勾画,以评估影像组学特征在观察者内和观察者间的一致性。使用Python语言的Pyradiomics包,每个序列提取107个纹理特征,包括一阶特征、形状特征、灰度共生矩阵（gray level co-occurrence matrix,GLCM）、灰度依赖矩阵（gray level dependence matrix,GLDM）、灰度大小矩阵（gray level size zone matrix,GLSZM）、灰度游程矩阵（gray level run length matrix,GLRLM）及邻域灰度差矩阵（neighbouring gray tone difference matrix,NGTDM）。使用组内相关系数（intraclass correlation coefficients,ICCs）及独立样本t检验进行特征降维。通过5折交叉验证,使用传统机器学习分类器逻辑回归构建影像组学模型。收集患者临床资料及常规放射学特征,包括患者的性别、年龄、肝炎病史、甲胎蛋白（alpha-foetoprotein,AFP）、丙氨酸氨基转移酶（alanine aminotransferase,ALT）、天冬氨酸氨基转移酶（aspartate transaminase,AST）、谷氨酰转肽酶（γ-glutamyltranspeptidase,GGT）、碱性磷酸酶（alkaline phosphatase,ALP）、总胆红素（total bilirubin,T-BIL）、白蛋白（albumin,ALB）、Child-Pugh分级（A级或B级）、肿瘤形状、肿瘤直径、肿瘤数目、肿瘤边缘、肿瘤内坏死、肿瘤内出血、肿瘤内脂肪、包膜强化、瘤周强化、肿瘤内动脉及影像学肝硬化,采用单因素及多因素logistic回归分析筛选HCC Ki-67表达的临床放射学独立预测因素,基于独立预测因素建立临床放射模型。将从影像组学模型中获得的影像组学特征和临床放射因素相结合,建立临床放射-影像组学联合模型。使用Antspy的Quick Rigid配准将T2WI、ADC及PVP图像分别配准到AP图像。将每个序列图像及肿瘤ROI输入预训练的卷积神经网络（convolutional neural network,CNN）。使用Res Net网络架构构建深度学习模型。将深度学习特征、降维得到的影像组学特征及临床放射特征输入到全连接层中,通过Res Net架构进行联合训练,并进一步构建深度学习与影像组学和临床放射融合模型（简称“融合模型”）。采用R语言、Python语言及SPSS26.0进行统计分析。临床放射特征中的变量采用卡方检验或Fisher精确检验进行分析。采用受试者工作特征曲线（receiver operating characteristic curve,ROC）评估不同模型预测效能,得到准确性、敏感度和特异度,并计算曲线下面积（area under curve,AUC）。采用Delong检验比较不同预测模型的AUC,P<0.05认为差异有统计学意义。 结果 基于传统机器学习方法的多模态MRI影像组学模型在训练集中的AUC、准确性、敏感度、

关键词： 汽车检测   模糊图像   深度学习   TensorFlow   卷积神经网络   Faster R-CNN   ResNet-50   计算机视觉   图像处理  

摘要： 在这项研究中,我们解决了模糊图像中的车辆检测这一具有挑战性的任务,这是交通监控和自动驾驶等现实应用中的一个常见问题。在交通监控和自动驾驶等现实应用中,模糊图像中的车辆检测是一个重大挑战。图像模糊会严重影响检测系统的性能,导致不准确和漏检。传统方法经常难以解决这个问题,因此开发能够处理图像质量下降的稳健解决方案至关重要。我们提出了一个基于Faster R-CNN框架的稳健模型,该框架具有Res Net-50主干,以应对这一挑战。我们的模型专门设计用于处理图像质量的下降,并保留基本特征以进行准确的车辆识别。 在这项利用具有Res Net50主干的Faster R-CNN模型进行的车辆检测研究中,该方法需要生成带有边界框注释的车辆照片数据集,将其划分为训练集和测试集,并以CSV格式存储。预先训练的Faster R-CNN模型会根据类的数量进行加载和调整。自定义数据集类用于数据处理,并定义转换。在这种情况下,选择具有来自COCO数据集的预训练权重的模型作为后续训练过程的基础。COCO数据集包含约33万张图像,分为约80类,专门用于对象识别和分割。 在专用汽车检测数据集上的实验结果表明,我们的方法实现了98.3%和99%的平均精度,同时优于难以处理模糊图像的传统方法。这项研究不仅证明了深度学习模型在不利条件下的车辆检测中的有效性,还强调了这种模型在无法保证图像清晰度的实际应用中的潜力。 本研究的结果证明了深度学习技术在提高模糊图像中汽车检测性能方面的有效性。本研究中使用的现有数据集可用于该领域的进一步研究。此外,这种使用深度学习的汽车检测具有多种应用,包括启用自动驾驶汽车和提高行人安全性。

关键词： 联邦学习   图神经网络   类不平衡  

摘要： 在当今以数据为核心的时代,图数据的重要性正日益上升。社交网络、生物信息学、推荐系统等领域都以图结构来表示和分析复杂的关系和模式。图神经网络作为一种强大的工具,在学习图数据的表示时被广泛采用。它能够深入挖掘节点的属性和图的拓扑结构,从而有效地提高了相关下游任务的性能水平。 然而,图数据常常面临着类别不平衡的复杂图数据问题。这意味着某些类别的样本数量远远少于其他类别,这可能会导致传统的图神经网络模型在少数类别上表现不佳。同时,随着社会对数据隐私和安全性的日益重视,在现实场景中,这种类别不平衡的图数据通常分布在不同的地方或组织中,形成了数据孤岛。这不仅造成了数据的碎片化,还使得信息无法有效集成,给传统的集中式学习方法带来了挑战。联邦学习,作为一种新兴的解决方案,可以在不共享原始数据的前提下,实现模型的协同训练,有效地保障了数据隐私。 因此,本文围绕联邦学习环境下类别不平衡的图数据问题展开研究,探索图联邦学习的方法,旨在提高处理类不平衡图数据的效率和性能。主要研究内容如下: (1)针对图结构数据中的类别不平衡问题,提出了一种图联邦学习框架LTNIFGML。具体来说,该框架包括两个主要阶段。在第一阶段,提出一种数据增强策略sageMixup,该策略可以充分利用每个客户端图数据的拓扑和特征信息来提高全局模型的泛化性能。在第二阶段,提出了一种混合机制,结合了层级注意力机制和模型知识校准技术,以解决类不平衡和非独立同分布数据的挑战。最后,LTNI-FGML在四个真实数据集上进行了实验,验证了其在处理类别不平衡图数据的联邦学习能力。 (2)针对图结构数据的类别不平衡问题,以及在标记样本稀缺的背景下,提出了一种基于生成对抗网络的图联邦学习框架FL-IMGAN。首先,针对客户端局部类不平衡问题,提出一种个性化模型GraphSGAN-Plus,该模型核心是基于条件生成对抗网络,主要在图中低密度区域生成虚假样本,并利用聚类属性帮助分类。其次,在服务器端,提出了Balance-Attention机制,为每个客户端生成个性化的云模型,促进具有相似标签分布的客户端之间的协作训练,并学习每个客户端的数据结构信息。最后,通过在四个真实数据集上的实验验证,FL-IMGAN在半监督学习环境中的节点分类任务上展现了显著的优势,并证明了它能够自适应处理类别不平衡的图数据问题。 综上所述,本文主要分析了图数据上的类不平衡问题,并基于图神经网络和联邦学习提出了图联邦学习方法。这些方法在处理图数据应用中具有重要意义,可以有效地解决图结构数据的类不平衡问题,提高模型性能和泛化能力。

关键词： 转录组信息   多模态脑网络   机器学习   精神分裂症  

摘要： 精神分裂症是一种对社会和个人影响深远的精神疾病,其成因涉及复杂的脑结构异常和遗传因素。在脑网络上,精神分裂症表现出广泛的失连接现象,过往的研究已经证明多模态脑网络在疾病分类以及生物标记物识别上的卓越能力,但对于更有效的多模态网络融合方法还需要进一步研究。同时,作为一种与遗传转录组信息相关的脑疾病,过往研究已经发现了多个与精神分裂症相关的基因点位,但如何将转录组信息应用到分类模型中还需要进一步研究。因此,本文通过构建个体水平上的多模态脑网络和群体水平上的基因共表达网络,并基于传统机器学习和图神经网络方法,研究多模态脑网络的融合以及转录组信息的应用问题。 工作一通过个体水平的多模态脑网络,探究了一种考虑模态间关系的多模态加权网络构建方法。结果显示,该方法在多种分类流程上都优于传统的多模态拼接方法以及单模态网络,且该方法对模态间关系的考虑起到了作用。在分类中表现优异的脑区揭示了精神分裂症患者皮层下组织的突出作用,尤其是丘脑、基底神经节。 工作二通过构建包含动态图卷积网络的分类模型,并基于类激活图的方法、临床信息以及转录组信息进行模型可解释性分析。结果说明,该模型对比传统模型能够对精神分裂症患者进行有效地分类,模型中设置的各个组件都对分类起到了作用。且背后的分类原理与患者的临床表现以及转录组信息表达相关。 工作三通过构建群体水平的基因共表达网络,将转录组信息有效地加入研究二的分类过程中,并在验证数据集上研究了方法的可迁移能力。结果表明,该方法有效地提高了模型的分类表现,且对比加入前后的可解释性研究发现,模型发现的显著脑区与临床表现、转录组信息有着更强的相关性,说明了转录组信息对模型性能的提升不是一种偶然性。此方法在验证数据集上同样有着改善模型表现的能力,且在验证集与发现集上都观测到了丘脑、基底神经节的突出表现,暗示了其作为精神分裂症生物标记物的可能性。 综上,本文通过机器学习方法和多模态脑网络,探究了多模态数据的融合以及转录组信息在分类过程中的作用。结果表明,考虑了模态间关系的融合方式能够进一步加强多模态网络在分类中的应用,且转录组信息不仅仅可以用于对复杂模型的解释,更有可能在分类过程中起指导作用。