腕骨骨折是医院的常见情况，特别是在紧急服务中。医生需要来自各种医疗设备的图像，以及患者的病史和身体检查，正确诊断这些骨折并采用适当的治疗。本研究旨在使用腕X射线图像的深度学习进行骨折检测，以帮助专门在现场专门的医生，特别是在骨折的诊断中工作。为此目的，使用从Gazi大学医院获得的腕X射线图像数据集的基于深度学习的物体检测模型来执行20个不同的检测程序。这里使用了DCN，动态R_CNN，更快的R_CNN，FSAF，Libra R_CNN，PAA，RetinAnet，Regnet和具有各种骨架的基于SABL深度学习的物体检测模型。为了进一步改进研究中的检测程序，开发了5种不同的集合模型，后来用于改革集合模型，为我们的研究开发一个独一无二的检测模型，标题为腕骨骨折检测组合（WFD_C）。根据检测到总共26种不同的骨折，检测结果的最高结果是WFD_C模型中的0.8639平均精度（AP50）。本研究支持华为土耳其研发中心，范围在持续的合作项目编码071813中，华为大学，华为和Medskor。
translated by 谷歌翻译
微观图像的清晰度在生物学研究和诊断中至关重要。当在细胞或分子水平处采取显微镜图像时，发生机械漂移并且可能是困难和膨胀的计数器。通过开发基于端基的深度学习的工作流程，可以克服这种问题，该工作流能够从聚焦超越的对应物中预测聚焦的显微图像。在我们的模型中，我们采用了多级U-Net的结构，每个级别连接头尾，彼此相应的卷积层。与传统的粗到精细模型相比，我们的模型使用从转移到更精细的网络的粗略网络蒸馏出来的知识。我们评估我们模型的性能，并发现我们的方法是有效的，并且通过将结果与现有模型进行比较，具有更好的性能。
translated by 谷歌翻译