亚洲精品无码专区在线,两根大肉大捧一进一出好爽视频 ,成年女人免费v片,少妇无码一区二区三区免费

硬件架構：雙Xeon可擴展處理器（最大56核，最高3.8GHz）+最大9塊GPU+20盤位并行存

機器特點：目前最強大的CPU+GPU異構計算

數據規模:建模與仿真計算、高性能科學計算、機器/深度學習

目的：采用基于深度學習的胃癌病理切片分割算法實現對胃癌區域的識別。

方法：以U-Net網絡為基本框架設計深層次的胃癌病理切片分割算法模型Deeper U-Net（DU-Net）。采用區域重疊分割法將數據分割成若干小塊圖片，然后利用預先訓練好的DU-Net網絡模型對分割的小圖片進行初次分割，并使用圖片分類器清楚假陽性樣本，重新合成新樣本。采用重復學習的方法使用新樣本進行多次重復訓練，將得到的結果應用全鏈接條件隨機場（CRF）進行后續處理。最終得到胃癌分割圖片并驗證結果。

結果：經過3次重復學習后，DU-Net網絡模型的平均精度為91.5%，平均交叉聯合度量（IoU）為88.4%，相比于未經重復學習的基礎DU-Net模型，其平均精度提升了5.6%，平均IoU提升了2.9%。

結論：基于深度學習的胃癌病理切片分割算法實現了精準的分割，提升了模型的泛化能力和魯棒性，可用于輔助胃癌病理診斷。

1.深度學習網名模型

1.1 網絡整體框架

該網絡包含14個卷積塊(convolution block)、7個最大池化層（max-pooling layer）、7個上采樣層（upsampling layer）和一個Sigmoid激活函數層，其中每個卷積塊包含有1個卷積層（convolution block）、1個批規范層（batch normalization layer）和1個PRelu激活層。

2.訓練方法

2.1數據處理

由于標注的胃癌區域中存在很多白色背景區域，直接對其訓練會導致模型將白色背景區域看作胃癌區域的一個特征。為此需要過濾大部分背景區域圖片，以消除白色背景區域的干擾。對于深度學習來說，大規模數據集有利于提高模型的準確度。本文采用了隨即旋轉、平移、隨機裁剪、隨機顏色空間變換方法來進行數據的擴充。

2.2區域重疊分割法

使用無重疊分割法得到的圖片進行訓練。會使模型將白色背景區域占較大比例的圖片誤認為正常區域，從而增加了預測的不準確性。區域重疊分割法增加了圖片視野（即觀測域）的范圍，對不同視野下的相同癌癥區域進行重復預測，可有效避免上述情況。