基于加权损失函数的粘连白细胞分割算法

针对粘连白细胞很难精准分割的问题, 提出一种基于深度学习的粘连白细胞分割算法. 首先, 将急性淋巴细胞白血病患者的血液细胞显微图像的色彩空间由RGB转换至HSV, 滤除红细胞并提取白细胞; 其次, 对提取结果中的粘连白细胞, 将细胞边界设定为除前景和背景外的第三类, 在深度学习分割模型训练过程中引入基于类别权重的加权交叉熵损失函数, 使模型学习到更多的细胞边界特征. 实验结果表明, 用该方法分割数据集ALL_IDB1中的白细胞, 准确率达95.19%.     

基于隐含主题和语义树的医学文本自动批注

针对医学文本缺乏可量化数据结构,基于关键词模型的文本处理方法不适用的问题,在研究词之间潜在语义关联和关键词树结构的基础上,构造了一种基于潜在语义树的语义分析模型用于医学文本的数据挖掘。进一步地将隐含主题与潜在语义的研究相关联,设计出一种基于潜在狄利克雷分配和潜在语义树模型的文本处理方法,可针对不同类型的医学文本生成有一定可读性的自动批注。该方法形成的自动批注主观性低,其准确度和可读性均高于关键词模型的处理结果,可辅助医生进行医学文本的批注和分类,从而减轻其工作量。程序结果表明,该方法目前可应用于对医学图像所见形成诊断意见、对病人病历进行摘要形成和对病症描述给出对症处方等方面,批注的语义匹配度可达67.7%,文本的平均可读性为60.02%。