检索历史 清除

【中文期刊】 赵娜娜 韩向敏  等 《北京生物医学工程》 2024年43卷5期 478-485页 ISTIC

【摘要】 目的 基于CT图像的肺腺癌精确诊断对后续治疗具有重要的临床意义.卷积神经网络(convolutional nerual network,CNN)图像分类方法大多侧重于图像的局部特征,难以完全捕获全局知识和空间特征.为了充分学习这些有效特征,...

【关键词】 肺腺癌分类； 自监督学习； 卷积神经网络；

【中文期刊】 贾伟 江海峰  等 《计算机工程与应用》 2023年59卷19期 140-150页

【摘要】 针对肺癌图像分类中出现的已标记肺癌病理图像较少且细胞形态复杂的问题,提出一种基于细胞形态特征对比学习的肺癌病理图像分类方法,通过对比学习将置信度较高的未标记数据混入到训练数据中,解决已标记数据不足的问题.在最近邻对比学习的基础上,提出基于最...

【关键词】 肺癌； 病理图像分类； 对比学习；

【中文期刊】 杨慧舟 刘云飞  等 《生物医学工程学杂志》 2024年41卷4期 732-741页 MEDLINEISTICPKUCA

【摘要】 针对前额单通道脑电信号特征提取能力不足,导致疲劳检测精度降低的问题,本文提出一种基于有监督对比学习的疲劳特征提取及分类算法.首先,通过经典模态分解对原始信号进行滤波,提高信噪比;其次,考虑到一维信号在信息表达上的局限性,利用有重叠采样将信号...

【关键词】 单通道脑电信号； 驾驶疲劳检测； 特征提取；

【中文期刊】 Li Rui Li Xiaoyan  等 《智慧医学（英文）》 2024年04卷4期 256-267页

【摘要】 Background:Colorectal cancer is a prevalent and deadly disease worldwide, posing significant diagnostic challenges. Trad...

【关键词】 Colorectal cancer； Few-shot learning； Transfer learning；

【中文期刊】 王江涛 吴新红  等 《中华放射医学与防护杂志》 2022年42卷2期 95-102页 ISTICPKUCSCDCA

【摘要】 目的:比较不同神经网络由磁共振成像(MRI)图像生成伪CT图像的本领，探讨伪CT用于临床放疗计划的可行性。方法:选取29例同时具有计划CT和诊断MRI的脑癌患者，23例用于训练，6例用于测试。分别采用循环生成对抗网络(cycleGAN)、对...

【关键词】 磁共振成像； 对比学习； 伪CT；

【中文期刊】 许涛  《昆明医科大学学报》 2013年11期 128-132页 ISTICCA

【摘要】 目的：提高法语教学和双语教学质量和水平，提升医科生外语和专业外语的学习和应用能力。方法借鉴应用对比语言学理念，以昆明医科大学临床医学法语班为研究对象，介入英、法语言类比教学法，实践、研究、总结此教学法的效果和利弊。结果有效利用了昆明医科大学...

【关键词】 语言； 对比； 教学；

【中文期刊】 Siyu Li Songming Tang  等 《定量生物学（英文版）》 2024年12卷1期 85-99页

【摘要】 Recent advances in single-cell chromatin accessibility sequencing(scCAS)technologies have resulted in new insights into ...

【关键词】 cell type annotation； chromatin accessibility； novel type；

【外文期刊】 Li J. ; Wang H. ; 等 《Neural Networks: The Official Journal of the International Neural Network Society》 2022年145卷 128-138页 SCISCIEMEDLINE

【关键词】 Attention mechanism; Contrastive learning; Domain adaptation;

【外文期刊】 Zhang Ran ; Wang Xuezhi ; 等 《Briefings in bioinformatics》 2023年24卷6期 SCISCIEMEDLINE

【关键词】 drug–drug interaction prediction; multi-view; graph contrastive learning;

【外文期刊】 《Medical Physics》 2020年47卷2期 541-551页 SCISCIEMEDLINE

【关键词】 contrast agent; machine learning; material decomposition;