9、医疗图像与电动汽车领域的技术创新

医疗图像与电动汽车领域的技术创新

1. 宫颈癌细胞病变特征工程技术

在医疗领域，对于癌症的准确诊断一直是研究的重点。尤其是宫颈癌，它在全球女性癌症中排名第四。为了能够高效地筛查宫颈癌，研究人员提出了基于高斯混合模型的病变特征工程技术。

1.1 模型结构与特征提取

该技术的模型结构具有一定的特点。隐藏层的数量由特征输入的数量决定，而最终的输出层会读取阈值参数，并根据这些参数识别癌细胞病变的生长情况，从而实现对病变的准确诊断。
在特征提取方面，从子宫颈图像中提取的数据集构成了病变图像数据库（LID），其表达式为：
[LID = \prec I, R, A, L \succ]
其中：
- (R)：图像的感兴趣区域（ROI）
- (L)：病变图像
- (I)：图像
- (A)：属性/特征

通过高斯混合模型（GMM）从子宫颈图像中提取的特征包括病变区域的形状、大小和周长等。这些特征被用于深度学习网络来训练模型，以实现对癌细胞病变的有效诊断。

1.2 深度学习策略

在深度学习过程中，采用了特定的策略。首先使用ImageNet预训练模型EfficientNet B7对图像进行训练，这样可以加快网络的收敛速度。同时，将特征提取和融合网络合并为一个单一的网络，避免因掌握特征的复杂性而导致损失无法收敛。
还冻结了EfficientNet - B3的特征编码层，将特征图的输出作为特征融合系统的输入。冻结参数可以确保在训练过程中没有层被更新，从而保留从醋酸图像中提取的特征的优势，避免它们之间的干扰，并防止对结果产生负面影响。此外，采用交叉熵损失来最小化损失。