目的:构建基于卷积神经网络的甲状腺液基细胞学病理辅助诊断模型。方法:收集700例甲状腺液基细胞学涂片，扫描成数字图像，经良、恶性标注后按比例分成训练集和测试集，噪声滤除后提取有效区域分别在10×和40×分割成512×512的小图像块，构建分类模型对训练集深度学习并对测试集自动判读，经数据增强和参数迭代优化，统计辅助诊断模型的准确率、灵敏度、特异度、阳性预测值和阴性预测值等评价指标。结果:训练集560例含4 926个细胞团的11 164个图像块，测试集140例含977个细胞团的1 402个图像块，选取YOLO网络构建细胞团检测模型，用ResNet50作为分类模型，经过40轮迭代训练，10×倍率下准确率为90.01%，灵敏度89.31%，特异度92.51%，阳性预测值97.70%，阴性预测值70.82%，曲线下面积高达0.97，平均判读时间不足1 s。40×时虽极为灵敏（98.72%）但特异性较差，提示10×放大倍率下辅助诊断模型更为可靠。结论:该辅助诊断模型与病理医师水平基本相当，且诊断效率远远超出。可大大提高阅片一致性和效率，降低漏诊率。未来可继续扩大样本量获取更多病变形态，提高准确率，达到临床应用水平。

目的:深入剖析大数据与AI技术在江西省药品智慧监管中的应用情况,分析存在的问题,并提出改进措施,以提升药品监管效率和公众用药的安全性.方法:通过详细分析国家和江西省内的相关政策,总结江西省药品智慧监管现状,全面探讨了大数据与AI技术在药品监管领域的实际应用.结果及结论:大数据和AI技术已在江西省药品监管中有所应用,但仍存在信息孤岛、监管资源短缺和技术更新缓慢等问题.为此,本研究认为应构建药店智慧监管大数据平台,利用大数据、云计算、电子政务网络等先进技术,并引入YOLO算法模型和Level大模型等AI手段,以增强药品监管的科学性、精确性和整体效率.本研究为江西省药品监管的现代化提供了理论支撑,同时也为全国范围内的药品智慧监管贡献了实践经验和未来发展方向的参考.通过整合大数据和AI技术,可有效解决当前药品监管面临的挑战,从而提升监管水平,确保公众用药安全.

目的 基于YOLOv8神经网络开发针对结直肠息肉内镜图像的语义分割模型.方法 收集2018年6月至2024年2月期间的结直肠息肉内镜数据,包括静态图像和视频.所有样本均经过病理学验证,分为锯齿状病变和腺瘤性息肉两类.使用LabelMe工具进行了图像的多边形标注,并转换为YOLO模型兼容的格式.利用这些数据,进行了不同规模的YOLO神经网络模型的迁移学习和微调训练.模型的性能在验证集和测试集上进行了评估,包括精确率(Precision)、检测速度、准确率(ACC)、平均交并比(mIoU)等指标.结果 本研究开发了 5种不同版本大小的YOLOv8语义分割模型,包括v8n、v8s、v8m、v8l、v8x.其中YOLOv8l在速度(107.5帧/s)和精确率(94.50％)达到了最佳平衡,在内部验证集中YOLOv8l的准确率达0.924,mIoU达83.06％,Dice系数达0.941.在外部测试集中,准确率为0.902,mIoU为80.08％,Dice系数为0.923.结论 基于YOLOv8l构建的结直肠息肉语义分割模型具有良好地预测性能,能够自动对息肉进行定位和分类,并精确描述息肉的像素级轮廓.

海榄雌瘤斑螟Ptyomaxia syntaractis,红树植物白骨壤Avicennia marina最重要害虫,严重影响白骨壤生长和生态功能的发挥.为高效监测海榄雌瘤斑螟的种群发生动态,实时获得预警信息,本研究通过引入目标检测算法YOLO V5进行深度学习,对监测设备上的海榄雌瘤斑螟进行识别与计数,实时发布种群数量.采用黑光灯诱捕装置获取海榄雌瘤斑螟成虫图像,构建两种不同图像大小的数据集,采用旋转、增噪等方式增强图像数据集;对比了不同训练模型对采集图像的检测性能和不同图像大小对数据集识别结果的影响,用精确率、召回率、F1值、平均精度评估各模型的差异.测试结果表明,模型YOLO V5s对海榄雌瘤斑螟识别的精确率、召回率和F1值分别为96.13％、92.06％和0.93,并且能够很好的识别原始尺寸的图像.基于YOLO V5网络模型设计的海榄雌瘤斑螟识别计数模型识别准确率高,可满足海榄雌瘤斑螟种群监测与预警.

目的 设计一套基于深度学习的自动化检测流程,评估该流程在形态检测的效率、准确性、可靠性.方法 使用预训练YOLO目标检测模型和VGG16分类模型分析1 000例样本的各14张图片,每例样本至少分析200条精子,人工镜检等量样本,对比两方法效率、准确性、相关性.结果 使用预训练的分类模型对人工分类但未训练的精子头进行形态检测,预测准确性达到95.5％,临床每例样本检测时间仅用10 s,准确性与效率高于人工镜检,两种检测方法的正常形态精子百分率呈显著正相关(r=0.84,P＜0.01).结论 本研究设计的检测流程能极大程度地提高工作效率,可靠性、准确性超过人工镜检.

为实现农牧区牲畜目标的快速、准确检测,提出一种改进YOLOV3-tiny的轻量级牧区牲畜目标检测算法,并在Jetson Nano嵌入式主板上实现实时检测.该算法首先根据牧区牲畜体型相差较大的特点优化了网络结构,引入一种锚框复合聚类算法,并增加预测输出尺度,增强浅层信息的利用;其次,采用金字塔网络进行多尺度特征融合,在保证大目标检测率的同时提高小目标检测率;最后针对复杂光照条件下(如太阳光直射下)检测精度下降问题,加入注意力机制,提高复杂光照条件下目标检测精度.实验结果表明:改进后YOLOV3-tiny算法检测精度达83.2％,在嵌入式平台Jetson Nano主板上的检测速度为12帧·s-1,相较于YOLOV3-tiny算法平均检测精度提高了 8.7％.

目的 以股骨转子间骨折数据集为研究对象,探究医用X线图像输入分辨率的改变对YOLO系列目标检测网络识别效果的影响.方法 收集陆军特色医学中心2017-2022年间患转子间骨折患者的X线正位数据,按排除标准排除后共保留426例患者,847幅图像.结合2018版Arbeitsgemeinschaft für Osteosynthesefragen/Orthopaedic Trauma Association(AO/OTA)分型指南和临床实际发病率,将转子间骨折重新整理划分为A1.2、A1.3、A2.2、A2.3、A3等5个亚组,并按8:1:1的比例划分为训练集(678幅)、验证集(84幅)和测试集(85幅),每次试验中保持严格一致.将YOLOX-Swin-Transformer、YOLOX、YOLOv5、YOLOv4目标识别网络图像输入大小分别设置为8种常用的分辨率,使用从头训练和迁移学习方法分别训练转子间骨折数据集,记录训练耗时,利用测试集进行模型测试并记录评价指标.采用SPSS20.0统计软件回归分析对训练耗时和均值平均精度(mean average precision,mAP)做曲线拟合,利用频数统计功能对各输入分辨率下评价指标评级为优的频数进行统计,以此判断最优区间.结果 图像输入分辨率与各网络训练耗时呈正相关,所有P＜0.05,线性回归分析有统计学意义.图像输入分辨率与网络mAP均值二次曲线拟合R2=0.834,P=0.011,说明曲线拟合优度较好,回归分析有统计学意义.当图像输入分辨率在480×480、576×576、640×640范围内时,数据评级为优出现的频率最高(占42.86％).结论 训练耗时随分辨率的增加而增加.在不改变网络结构的前提下采用YOLO系列网络做医学图像识别的下游任务时,要取得最佳的识别效果,图像输入分辨率应控制在480×480、576×576、640×640 范围之内.

为解决大量红外相机监测影像数据量庞大、亟待快速和自动识别的问题,本研究以东北虎豹国家公园为例,应用卷积神经网络,通过深度学习算法对红外相机影像实现物种自动识别.本研究选择8个物种的红外相机视频影像,以50帧率均匀采集成图片格式,每个物种筛选不同角度、不同环境条件的图片,建立图片数据集,包括训练集2 074张,测试集519张.对图片进行目标打框、类别标注,选用darknet框架下的YOLO v3模型进行训练.首先不区分昼(RGB)夜(灰度)图像进行训练,再区分昼夜进行训练,最后分别对昼夜图像利用微调(fine-tune)进行训练.研究初步结果显示,基于YOLO v3模型对自然条件下拍摄的红外相机图像进行物种自动识别能够一定程度减轻人力负担,但其效果还需通过完善数据集进行提升.fine-tune在小数据集时或可作为辅助.模型对8个物种识别的平均精确率达到84.9％～96.0％,且模型收敛.

肺癌一直是严重威胁人类健康的疾病之一,肺结节作为早期肺癌的一个重要征象,在肺癌的早期诊断与治疗中具有重要的意义.传统的CT影像肺结节检测方法不仅步骤繁琐、处理速度慢,而且对于结节的检出率及定位精度都亟待提高.提出一种基于非对称卷积核YOLO V2网络的CT影像肺结节检测方法:首先将连续的CT序列叠加构造为伪彩色数据集,以增强病变和健康组织的差异;然后将含有非对称卷积核的inception V3模块引入到YOLO V2网络中,构造出一种适用于肺结节检测的深度网络,一方面利用YOLO V2网络在目标检测上的优势,另一方面通过inception V3模块在网络的宽度与深度上进行扩增,以提取更加丰富的特征;为进一步提高结节的定位精度,对损失函数的设计与计算方法也进行一定的改进.为验证所提检测模型的性能,从LIDC-IDRI数据集中选取1 010个病例的CT图像用于训练和测试,在大于3 mm的肺结节中,检测敏感度为94.25％,假阳性率为8.50％.实验表明,所提出的肺结节检测方法不仅可以简化肺部CT图像的处理过程,而且在结节检测率及定位精度方面均优于传统方法,可为肺结节检测提供一种新思路.

海面目标的检测和识别在军用和民用方面都有着重要的意义,传统的目标检测方法在海面目标检测和识别中受到尾浪、海杂波等问题影响,容易出现虚警和漏检的情况.本文主要研究通过深度学习的方法对海面目标进行检测与识别.本文首先分析并讨论了深度学习在目标检测中的应用及在海面目标检测中的可行性,并构建了海面目标图像数据集,然后研究基于回归思想的YOLO v2网络模型,用于对海面目标的定位和识别,实现了海面目标实时检测,最后提出了通过在线难例挖掘和Faster R-CNN网络相结合的方法对海面目标进行检测,解决正负样本不均衡及复杂样本检测效果差的问题.实验结果表明该方法能够有效地对海面目标进行检测且效果优于传统方法.