检索结果-内蒙古大学图书馆

您好，读者！请登录

内蒙古大学图书馆

首页
概况
党建
资源
服务
科研支持
- 论文收录引用证明
- 科技查新
知识产权
档案馆
帮助

咨询与建议

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

您的常用邮箱：*

您的手机号码：*

问题描述：

当前已输入0个字，您还可以输入200个字

全部搜索
期刊论文
图书
学位论文
标准
纸本馆藏
外文资源发现
数据库导航
超星发现

高级检索

时间限定

出版年份：

文献类型

图书期刊文献学位论文多媒体

馆藏选择

电子馆藏纸本馆藏

核心期刊

全部期刊 SCI 收录期刊 SSCI 收录期刊 EI 收录期刊 CSCD 收录期刊 CSSCI 收录期刊

语言

中文英文

文献类型

期刊文献图书学位论文标准纸本馆藏

帮助

文字说明：

T=题名（书名、题名），A=作者（责任者），K=主题词，P=出版物名称，PU=出版社名称，O=机构（作者单位、学位授予单位、专利申请人），L=中图分类号，C=学科分类号，U=全部字段，Y=年（出版发行年、学位年度、标准发布年）

检索规则说明：

AND代表“并且”；OR代表“或者”；NOT代表“不包含”；(注意必须大写,运算符两边需空一格)

检索范例：

范例一：(K=图书馆学 OR K=情报学) AND A=范并思 AND Y=1982-2016
范例二：P=计算机应用与软件 AND (U=C++ OR U=Basic) NOT K=Visual AND Y=2011-2016

分类表

所选分类

>> <<

限定检索结果

文献类型

3 篇 学位论文

馆藏范围

3 篇 电子文献
0 种 纸本馆藏

日期分布

学科分类号

3 篇 工学
- 2 篇 机械工程
- 2 篇 控制科学与工程
- 2 篇 计算机科学与技术...
- 2 篇 软件工程
- 1 篇 生物医学工程（可授...
- 1 篇 生物工程
2 篇 管理学
- 2 篇 管理科学与工程(可...
1 篇 理学
- 1 篇 数学
1 篇 医学
- 1 篇 临床医学

主题

3 篇 模型的可解释性
1 篇 轻量化模型
1 篇 高斯嵌入
1 篇 振动光谱
1 篇 医学图像分析
1 篇 分类模型
1 篇 新型冠状病毒肺炎
1 篇 网络对齐
1 篇 光谱数据合成
1 篇 近红外光谱
1 篇 图神经网络
1 篇 卷积神经网络
1 篇 宫颈癌tct图像
1 篇 机器学习

机构

1 篇 兰州大学
1 篇 电子科技大学
1 篇 东华大学

作者

1 篇 赵炳强
1 篇 潘兴文
1 篇 温子敬

语言

3 篇 中文

检索条件"主题词=模型的可解释性"

共 3 条记录，以下是1-10 订阅

全选清除本页清除全部题录导出标记到"检索档案"

详细简洁

排序：

宫颈癌TCT图像轻量化分类模型及可解释性研究

宫颈癌TCT图像轻量化分类模型及可解释性研究

引用

作者：潘兴文东华大学

学位级别：硕士

宫颈癌是女性常见恶性肿瘤之一,发病率处于女性肿瘤的第二位。经临床追踪观察显示,通过早期的筛查和治疗,宫颈癌可以预防治愈。宫颈癌的早期预查方式有很多种,其中宫颈癌TCT图像检测是目前最先进和普及的一种细胞学检查方法,因为该方法... 详细信息

宫颈癌是女性常见恶性肿瘤之一,发病率处于女性肿瘤的第二位。经临床追踪观察显示,通过早期的筛查和治疗,宫颈癌可以预防治愈。宫颈癌的早期预查方式有很多种,其中宫颈癌TCT图像检测是目前最先进和普及的一种细胞学检查方法,因为该方法检查准确性高,成本低,已经广泛地应用于宫颈癌疾病的早期筛查中。然而随着两癌政策的普及,对于宫颈癌TCT图像筛查的需求日益增多,通过传统人工筛查的方法已经不能满足当前的筛查需求。目前将人工智能技术应用到实际筛查任务中,仍然面临着很多的挑战。宫颈癌图像分辨率高、切片数量众多,现有的复杂分类模型具有庞大的参数量和计算量,需要部署在高算力的运行设备上,不利于实际的临床筛查。此外,基于深度学习的分类模型是一个黑盒模型,无法给出分类的决策过程,难以获得医生的信任。因此,研究并设计轻量级的宫颈癌TCT图像可解释分类模型对于宫颈癌TCT图像筛查的实际应用有着至关重要的意义。本文针对宫颈癌TCT图像分辨率高、切片数量大等特点,提出了基于Ghost Module和ECA注意力机制的轻量级宫颈癌TCT图像分类模型,能够在维持预测精度的前提下,显著的降低分类模型的参数量和计算量。同时,针对分类模型带来的不可信任的问题,提出了一种基于Noise的Grad-Cam可解释方法,来对模型的分类结果进行可解释性输出,为病理医生的复核和诊断提供了可靠的依据。主要工作包括以下几个方面:(1)提出了基于Ghost Module和ECA高效通道注意力机制的轻量级宫颈癌TCT图像分类模型。本文根据宫颈癌TCT图像的特点,采取了轻量化的模型架构设计,以深度可分离卷积代替传统的卷积并引入了倒残差线性瓶颈结构显著降低模型的参数量和计算量。然后,针对样本图像在进行特征提取中产生的冗余特征图像,在模型中采用了Ghost Module来对冗余的卷积特征进行优化。此外,为了解决使用轻量化架构带来的精度下降以及样本图像背景带来的干扰等问题,本文在模型中还添加了基于ECA的高效通道注意力机制,通过较少的参数量和计算量来显著提高模型的分类精度。最后进行对比实验和消融实验证明了所提出的轻量级分类模型在宫颈癌TCT图像分类任务上的有效性。(2)提出了基于Noise的Grad-Cam分类模型可解释方法。宫颈癌TCT图像分类模型是一个黑盒模型,在输出模型预测结果的同时不能给出模型判断的依据。本文使用了基于Noise的Grad-Cam可解释方法来对模型最终的预测结果进行可解释性的热力图输出。该方法首先采用了基于Smooth Grad的梯度策略来对输入样本图像中存在的冗余噪点进行优化。然后,在分类模型的权重中引入基于Noise Grad的梯度策略来对权重进行优化,以提升模型的可解释效果。最后进行对比实验和消融实验证明了所提出的可解释方法在宫颈癌TCT图像分类模型可解释任务上的有效性。(3)设计并实现了宫颈癌TCT图像分类系统。本文首先对宫颈癌TCT图像筛查流程进行了需求分析,接着设计并实现了图像分类系统来辅助医生进行样本诊断。该系统将本文提出的轻量级宫颈癌TCT图像分类模型和可解释性方法应用在样本图像分类预测模块中。在对图像进行采样过后,系统会采用图像处理技术对样本进行快速切片,然后通过轻量级分类模型对每份切片样本进行分类预测,最后通过本文提出的可解释性方法来对分类结果进行可解释性的热力图输出。病理医生可以通过输出的结果对诊断结果进行判断和复核,提升临床应用中宫颈癌TCT图像筛查的效率。

关键词：宫颈癌TCT图像轻量化模型分类模型模型的可解释性

来源：评论

学校读者我要写书评

暂无评论

基于图神经网络的网络对齐及其可解释性研究

基于图神经网络的网络对齐及其可解释性研究

引用

作者：温子敬电子科技大学

学位级别：硕士

随着社交媒体的快速发展,越来越多的用户开始同时使用多个社交网络平台进行通信、工作、学习和娱乐等活动,如何在各种不同社交网络中找出共同用户成为人们关注的重点,我们将这类问题称为网络对齐问题,将这里的共同用户称为锚节点。由于... 详细信息

随着社交媒体的快速发展,越来越多的用户开始同时使用多个社交网络平台进行通信、工作、学习和娱乐等活动,如何在各种不同社交网络中找出共同用户成为人们关注的重点,我们将这类问题称为网络对齐问题,将这里的共同用户称为锚节点。由于网络对齐可以被广泛应用于多个领域,比如网络融合、链接预测和跨网络的推荐等,所以本文的研究目的是去解决社交网络中的网络对齐问题。现有的一些方法可以解决网络对齐问题,这些方法一般包括两个部分,第一部分为网络的表示学习过程,即利用网络结构信息和用户的特征信息将每个用户表示成为一个特征向量,我们将这个特征向量称为节点的嵌入表示;第二部分是匹配过程,即在多个网络之间,学习一个匹配函数来预测锚节点。但是这些已有的方法仍然存在以下问题:1、匹配混乱:在网络表示学习过程中,相邻的用户节点被非常紧密地嵌入到单个网络空间中,使得相邻节点之间难以区分,但是在匹配过程中,我们需要区分真正对应的锚节点和邻居节点,所以这两部分的目标相互矛盾,从而导致网络对齐效果不理想;2、缺少不确定性信息:之前的模型将节点表示成简单的点向量,而忽略了用户节点的潜在不确定性信息;3、点对点(P2P)匹配限制:之前的很多方法采用点对点的方式去匹配锚节点,这将导致严重的过拟合现象,从而影响网络对齐的正确率;4、缺少模型的可解释性分析:之前的方法将模型当成一个黑盒子,并没有对网络对齐过程进行可解释性的分析,比如哪些训练数据对模型真正起到了作用?影响网络对齐表现的真正因素是哪些?在本文中,我们提出了dNAME和UANA这两种方法来解决上述问题,其中dNAME使用核方法和图神经网络来学习网络节点的嵌入表示,然后使用一个匹配函数来预测锚节点,由于核方法的应用,使得dNAME能够区分锚节点和邻居节点,从而解决了匹配混乱的问题。UANA采用高斯嵌入和图神经网络的方法去捕获网络中的不确定性信息,并且使用生成对抗匹配来解决点对点(P2P)匹配的限制问题。此外我们还对两种模型的可解释性做出分析,这使得我们可以更好的理解网络对齐模型。最后,我们在两个真实数据集上对所提出的方法进行验证,实验证明,我们提出的两种方法的网络对齐表现均优于其他方法。

关键词：网络对齐图神经网络高斯嵌入模型的可解释性

来源：评论

学校读者我要写书评

暂无评论

面向化学图谱和医学图像分析的机器学习方法及其应用研究

面向化学图谱和医学图像分析的机器学习方法及其应用研究

引用

作者：赵炳强兰州大学

学位级别：博士

众所周知,化学、物理、材料及生物医学等学科领域的研究过程中充满了“大数据”,从实验设计、实验过程、相关测试到实验验证等环节,科学家们都离不开数据的搜集、选择和分析。而建模分析是通过对已有实验事实（量测数据）进行归纳分析... 详细信息

众所周知,化学、物理、材料及生物医学等学科领域的研究过程中充满了“大数据”,从实验设计、实验过程、相关测试到实验验证等环节,科学家们都离不开数据的搜集、选择和分析。而建模分析是通过对已有实验事实（量测数据）进行归纳分析并形成可供应用之模型（模式）的基本思路。人工智能是计算机科学的一个分支,最擅长在海量数据中寻找“隐藏”的因果关系,毫无疑问它也逐渐被应用到各个学科领域中。随着以机器学习为代表的人工智能快速发展与应用,人们对于建模分析的研究与应用也有了更加深刻的认识。本学位论文基于化学图谱和医学图像开展了系列机器学习方法及其应用研究,主要围绕两个问题展开:一是基于机器学习和深度学习的化学图谱建模分析方法的探索及其应用（第二章、第三章、第四章）,二是基于迁移学习的可解释深度学习医学图像分析方法研究（第五章）。各章节主要内容如下: 正如新型冠状病毒肺炎（Coronavirus disease 2019,COVID-19）大流行期间的大规模核酸检测工作,快速准确地检测感染患者对于控制传染病的传播至关重要。因此,必须通过早发现、早治疗和阻断病毒传播链来降低新冠病毒的传播。本章工作提出了一种基于改进灰狼优化算法（Grey wolf optimization,GWO）的支持向量机（Support vector machine,SVM）分类模型GWO-SVM,用于受试者唾液傅里叶红外（FTIR）光谱和血清拉曼光谱的分析,以快速筛查COVID-19患者。为了获得具有更好泛化性能的分类模型,我们通过改进GWO优化并确定SVM的最佳超参数（惩罚系数和核函数系数）组合,建立了分类预测模型,分别用于区分唾液FTIR光谱和血清拉曼光谱,并计算分类模型性能评估指标。同时,还测试了包括线性判别分析、k-最近邻、随机森林、朴素贝叶斯和基于网格搜索（Grid search,GS）的SVM（GS-SVM）在内的其他五种机器学习方法作为参考。结果表明,对于唾液FTIR光谱测试数据集,GWO-SVM模型的准确率、特异性和F1-score值分别为0.9825、0.9714和0.9778;对于血清拉曼光谱测试数据集,GWO-SVM的平均准确率、特异性和F1-score值分别为0.9085、0.9552和0.9036,优于其他分类模型。因此,基于唾液FTIR光谱和血清拉曼光谱的GWO-SVM模型有望用于COVID-19患者的临床快速筛查。根据实验结果,与其他机器学习技术相比,本论文所提出的GWO-SVM模型具有更好的预测性能。因此,振动光谱结合GWO-SVM模型可应用于COVID-19检测,以提高临床及时诊断的准确性。（第二章）数据合成是通过对已有数据添加微小改动或从已有的数据新创建数据,以增加数据量的方法,缓解了深度学习中数据不足的问题。作为一种数据获取的补充方法,数据合成主要是增加训练数据的多样性,从而提高模型泛化能力。本章工作比较了两种数据合成技术在有限光谱数据条件下在两种深度学习模型上的性能表现。数据合成方法包括基于统计学方法的加权混合和一种深度生成模型变分自编码器（Variational Autoencoder,VAE）。我们在COVID-19拉曼光谱数据集上训练了一个卷积神经网络（Convolutional Neural Network,CNN）和一个全连接神经网络（Fully-Connected Neural Network,FCNN）,用于识别新型冠状病毒的健康与阳性患者。与加权混合方法相比,VAE需要更多的训练时间,合成数据结果是非确定性的,并且需要对参数空间进行详尽的搜索。但是,通过改变模型架构、潜变量空间设计和添加的噪声量,VAE可以使新样本保持在一个真实的样本空间中。即使在训练数据有限的情况下,VAE也可以产生大量且规律变化的逼真合成光谱。研究结果证明了数据合成方法具有改善深度学习模型和克服过拟合以及维度诅咒等问题的潜力。（第三章）近红外光谱（Near infrared spectroscopy,NIR）通常具有较高的数据维度,其中许多波长数据点可能对所关注的分析目标没有贡献。深度学习技术在NIR分析中的应用已经取得了显著的进展,它能够处理大规模和高维度的数据,提高了模型的预测准确度。尽管NIR检测技术在药品检测中有着广泛应用,但检测模型共享问题成为该技术推广应用的瓶颈。本章构建了一种基于深度学习技术的NIR一维卷积神经网络模型共享方法,实现了药片主要活性成分检测模型的智能共享和更新评价。采用基于高斯过程回归（Gaussian process regression,GPR）的贝叶斯优化（Bayesian optimization,BO）对模型超参数进行优化。结果显示,BO-CNN定量模型在数据集1和数据集2上的预测2分别为0.986和0.

关键词：机器学习振动光谱近红外光谱卷积神经网络光谱数据合成医学图像分析新型冠状病毒肺炎模型的可解释性

来源：评论

学校读者我要写书评

暂无评论

没有更多数据了...

全选清除本页清除全部题录导出标记到“检索档案”

共1页 << < 1 > >>

检索报告对象比较合并检索0

隐藏清空

合并搜索

回到顶部

执行限定条件

内容：

评分：

请选择保存的检索档案：

请选择收藏分类：

订阅名称：

通借通还

温馨提示：

图书名称：

借书校区：

取书校区：

手机号码：

邮箱地址：

一卡通帐号：

电话和邮箱必须正确填写，我们会与您联系确认。

联系人：

所在院系：

联系邮箱：

联系电话：

内蒙古自治区呼和浩特市赛罕区大学西街235号邮编: 010021

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：