|
|
|
题名
|
作者
|
年代
|
出处
|
被引量
|
| 1 | 应急指挥系统的结构化和可视化预案研究显示文摘对结构化预案和可视化预案的实现技术进行研究,结合规则推理与案例推理,对其进行智能化推理及分析,根据突发事件信息主动推送有针对性的智能应急方案。设计并实现基于结构化和可视化预案的应急指挥系统,以满足应急指挥过程中智能应急方案的生成需要,提高预案在事件处置过程中的针对性与时效性。 | 童庆 张敬谊 陈诚 丁偕 汪科豪 | 2011 | 计算机工程2011，37，13： | 15 |
| 2 | 基于GIS的土地利用规划公众参与研究显示文摘在介绍公众参与在土地利用规划中的地位、作用、方式的基础上,提出将GIS应用于土地利用规划公众参与,提出了GIS辅助土地利用规划公众参与的主要功能,对照国内外GIS应用探讨了GIS辅助土地利用规划公众参与的模式,结合土地利用规划各阶段公众参与的特点提出的GIS辅助土地利用规划公众参与的框架。 | 丁偕 李满春 | 2006 | 现代测绘2006，29，3： | 8 |
| 3 | 面向远程医疗的病理会诊系统设计与实现显示文摘目的:通过建设面向远程医疗的病理会诊系统,克服地域、时间障碍,提高基层医疗机构病理诊断质量及水平。方法:借助高通量快速医学玻片扫描仪,通过现代化的信息技术实现病理数字化切片及病历信息的传输,实现远距离的病理会诊。结果:提高了基层医疗机构病理诊断准确率,提升了基层医疗机构整体医疗服务能力。结论:通过该系统的建设,很好地解决了病理资源分布不均的问题,促进了偏远地区医院、基层医院病理诊断的发展,为远程病理会诊的发展提供实践经验,起到创新应用引领示范效应。 | 丁偕 张敬谊 张传国 | 2021 | 中国数字医学2021，16，1： | 3 |
| 4 | 不同弥散加权成像对基于生成对抗网络的前列腺癌检测的影响显示文摘目的探讨不同扩散敏感系数(b值)的弥散加权成像(DWI)对基于生成对抗网络(GAN)的前列腺癌(PCa)检测影响的价值。方法回顾性收集2012年1月—2018年6月同济大学附属同济医院就诊的前列腺疾病病例446例,其中PCa有174例、前列腺增生(BPH)有272例,所有病例均采用Siemens Verio 3.0T MRI扫描并经直肠超声引导下前列腺穿刺活检或前列腺根治术后病理证实。MRI成像序列包括横断位、矢状位高分辨T2加权成像(T2WI),扩散敏感系数(b值)分别为0、500、1000 s/mm^2横断位弥散加权成像(DWI)及动态对比增强(DCE)扫描,通过Matlab后处理计算化合成b分别为1500、2000 s/mm^2的DWI图像。本研究提出一个新型神经网络模型SegDenseAN,并结合不同b值DWI图像进行检测。将不同b值DWI与ADC影像的组合作为SegDenseAN网络的输入,各组合分别为:组合1:ADC图;组合2:ADC+DWI0+DWI500;组合3:ADC+DWI0+DWI1000;组合4:ADC+DWI0+DWI1500;组合5:ADC+DWI1000+DWI1500;组合6:ADC+DWI1000+DWI2000,分析比较不同组合对准确率的影响。结果组合1~6的准确率分别为0.871、0.887、0.903、0.903、0.903、0.935;组合1~6的灵敏度分别为0.935、0.935、0.968、0.968、0.968、0.968;组合1~6的特异度分别为0.806、0.839、0.839、0.839、0.839、0.903;组合6的前列腺癌病灶区域识别最接近于前列腺癌标注的金标准。结论SegDenseAN可以实现对于病灶区域的自动分割进而有助于前列腺癌的自动检测;多b值尤其是多高b值DWI与ADC影像的不同结合对算法的检测效果有影响,多个高b值DWI图像与ADC图结合有助于提高前列腺癌的智能检测结果。 | 王伟 黄兴鸿 丁偕 刘全祥 王培军 | 2020 | 同济大学学报(医学版)2020，41，4： | 2 |
| 5 | 基于细胞图卷积的组织病理图像分类研究显示文摘针对传统CNN(Convolutional Neural Network)在组织病理图像分类中存在的两个问题:其一,受限于内存大小,CNN无法对高分辨率的病理图像直接进行训练,这不可避免地破坏了细胞之间的空间结构信息,且无法学习全局的特征信息;其二,病理图像中的正常细胞和癌变细胞均有自身的病理学图像特征并且在空间上具有一定的关联性,但在结构化的二维阵列图像中无法被充分的表达。提出一种基于细胞图卷积(Cell-Graph Convolutional Network,C-GCN)的组织病理图像分类方法,将高分辨率的病理图像转换为图结构,在传统的GCN中将GraphSAGE(Graph SAmple and aggregate)模块与图池化相结合,提取出更具有代表性的一般性特征,使得C-GCN可以直接在高分辨率的组织学图像中学习特征,提高了模型的鲁棒性。 | 崔浩阳 丁偕 张敬谊 | 2020 | 计算机工程与应用2020，56，24： | 1 |
| 6 | 基于注意力机制网络的多实例学习框架实现慢性胃炎多项病理指标的自动识别显示文摘目的应用注意力机制网络的多实例学习(Attention-MIL)框架技术,实现慢性胃炎多项指标的自动识别。方法收集2018年1月1日至12月31日复旦大学附属肿瘤医院诊断为胃炎活检病例1015例和上海市浦东医院诊断为胃炎活检病例115例,所有病理切片经扫描仪进行数字化处理,转化为全载玻片成像(whole slide imaging,WSI),WSI标签依据胃炎病理报告,包含活动性、萎缩和肠化3项指标。所有的WSI分为训练集、单一测试集、混合测试集和外部测试集,Attention-MIL模型在3个测试集上评价自动识别的准确性。结果Attention-MIL模型在240例WSI单一测试集上的受试者工作特征曲线下面积(AUC)值分别为:“活动性”0.98,“萎缩”0.89,“肠化”0.98,3项指标的平均准确率为94.2%。模型在117例WSI混合测试集上的AUC值分别为:“活动性”0.95,“萎缩”0.86,“肠化”0.94,3项指标的平均准确率为88.3%。模型在115例WSI外部测试集上的AUC值分别为:“活动性”0.93,“萎缩”0.84,“肠化”0.90,3项指标的平均准确率为85.5%。结论在慢性胃炎的人工智能辅助病理诊断中,Attention-MIL模型的诊断准确性非常接近病理医师的诊断结果,这种弱监督下的深度学习模式适于病理人工智能技术的实际应用。 | 黄丹 王奕 游庆华 王鑫 张敬谊 丁偕 张伯强 崔浩阳 赵嘉旭 盛伟琪 | 2021 | 中华病理学杂志2021，50，10： | 1 |
| 7 | 人工智能在前列腺癌MRI诊断中的研究进展显示文摘人工智能(artificial intelligence,AI)近年来在医疗领域得到了快速发展,本文回顾了AI技术在前列腺磁共振成像(magnetic resonance imaging,MRI)领域的发展情况。本文介绍AI相关研究方法,包括机器学习及其常见分类,分析其在前列腺MRI研究中的应用方向。然后综合介绍目前AI技术在前列腺方向的检测、分类、分级以及诊疗、监控等方面的应用现状。虽然目前的研究已经取得了很多令人满意的结果,但是在更加广泛的临床应用之前,还需要进行更多的可靠性验证。未来AI的算法、软件可能在前列腺肿瘤的诊疗领域辅助临床医生进行决策。 | 黄兴鸿 王伟 曹学香 丁偕 王培军 | 2021 | 同济大学学报(医学版)2021，42，4： | 1 |
| 8 | 基于特征的土地利用空间数据库模型显示文摘目前普遍使用的基于图层的空间数据库模型存在许多问题。基于特征的空间数据库模型是一种新的空间数据存储模式,它在很大程度上代表了GIS的发展方向。采用超图数据模型分析、设计和描述土地利用特征在概念和逻辑层次的提取与定义,建立土地特征分类体系,进行基于特征的土地利用空间数据库建模。 | 李满春 周丽彬 丁偕 | 2006 | 地理与地理信息科学2006，22，2： | 0 |
| 9 | 面向智能诊断的数字病理标注管理系统的设计显示文摘目的:通过构建面向智能诊断的数字病理标注管理系统,满足病理智能诊断中模型训练对标注数据的要求,从而加速图像识别技术、AI技术在医学诊断,尤其在病理诊断方面的应用,提高诊断的效率与准确率。方法:系统通过OpenSlide实现将不同格式数字病理切片转换成为DZI格式,应用端使用OpenSeadragon实现大尺寸、高分辨率图像展示,标注绘制功能基于Paper.js插件提供铅笔、多边形等多种工具,服务端使用Springboot框架实现对业务流程的控制。结果:实现了系统设计的总体功能,系统能够满足对大尺寸、高分辨率病理图像的标注与管理工作。结论:系统解决现有标注数据采集系统存在的问题,有效提升获取大尺寸、高分辨率病理图像上标注数据的效率,并帮助管理者进行标注数据质量的维护。 | 丁偕 刘鸣 张传国 | 2022 | 中国数字医学2022，17，1： | 0 |
| 10 | 基于小波分解卷积神经网络的病理图像分类显示文摘组织病理图像分析是癌症诊断的'金标准',在患者的预后治疗中起到至关重要的作用.目前在AI医学影像领域,利用CNN(Convolutional Neural Network)网络对数字病理图像的分类已经成为研究热点.但是传统CNN网络中广泛使用最大/平均池化(Max/Average pooling)模块,不可避免的丢失了大量病理图像中的特征信息,造成分类准确率低且模型不易收敛.因此,本文提出一种基于小波分解卷积神经网络的病理图像分类方法(Wavelet Decomposition Convolutional Neural Networks,WDCNN),该方法能够使传统CNN模型学习到频域信息,它将小波变换的多尺度分析引入到CNN模型中,利用小波分解代替传统的池化层,相比于最大值和平均值池化减少了特征的丢失.鉴于空域与频域具有不同的特性,将小波分解后的高频分量通过捷径连接的方式添加到下一层,弥补了在池化过程中丢失的细节特征信息.本文在Camelyon16数据集上评估了不同的池化方法和不同小波基函数在病理图像分类方面的性能.根据实验结果表明,引入小波分解的CNN模型能够提升网络的分类准确率. | 丁偕 崔浩阳 张敬谊 | 2021 | 计算机系统应用2021，30，9： | 0 |
您所在的机构暂未开通此部分的功能，请联系管理员