医学检验论文选题方向参考如下:
1、分析血常规检验中影响采血标本质量的因素及控制对策。
2、PDCA循环教学法在体液检验实习教学中的应用。
3、以胜任力为导向的医学实验技术专业课程体系构建。
4、Orexin-A在癫痫患者血清中的表达及与认知功能的关系。
5、双源双能CT多参数定量与胃腺癌的相关性研究。
6、Pro-GRP、NSE结合MSCT征象在诊断小细胞肺癌中的价值。
7、APRI与肾综合征出血热疾病严重程度的相关性及对患者预后的预测价值短节段固定加强化与长节段固定对合并椎管狭窄Kümmell病的对比研究。
8、维生素A、E与妊娠合并症的相关研究。
9、膳食炎症指数与老年人非酒精性脂肪性肝病的关系研究。
10、NAFLD的认知度及合并2型糖尿病的危险因素的研究。
11、HER2与MUC2、MUC5AC、MUC6、CDX2和胃癌临床病理特征的相关研究。
12、西安市糖尿病足患者危险因素、自我管理与医养现状分析。
13、控烟对西安市社区成人高血压伴吸烟患者的影响研究。
14、体外冲击波联合氨基葡萄糖治疗膝骨关节炎的疗效分析。
15、排痰加蓖麻油预防颅脑损伤术后卧床并发症肺炎的效果分析。
16、陕西省汉族孕产妇甲功的流行病学调查。
17、血清TGF-β1对急性脑梗死静脉溶栓后出血转化预测的研究。
18、原发性乳腺血管肉瘤预后影响因素。
19、内镜手术和开颅手术治疗高血压脑出血安全性及有效性比较的meta分析。
20、基于就业导向的医学检验人才培养模式的探讨。
21、医学检验技术专业无机化学教学改革与思考——以滁州城市职业学院为例。
22、“互联网+”和茶文化背景下高职医学检验人才培养途径探讨。
23、临床医学检验中血液细胞检验质量控制方法的探讨。
24、自建检测系统与罗氏Cobas8000检测系统检测部分生化项目的一致性评价。
25、西藏“师带徒”带教的实践与体会。
26、基于支持向量机的男性血清瘦素参考值空间分布规律。
27、公共卫生硕士核心能力评价指标体系的构建及信效度检验。
28、寄生虫学检验课程教学改革探究。
流式细胞术用于临床检验中的一些问题医学检验技术论文方向好写。该论题方向明确,较为简单和热门。流式细胞术在检验HLA-B27抗原、淋巴细胞亚群、肿瘤标志物、白血病免疫、临床微生物等应用中有着明显的效果。
对于目标检测方向并不是特别熟悉,本文记录一下RCNN, fast-RCNN, faster-RCNN, mask-RCNN这4篇有关目标检测的论文笔记和学习心得。
R-CNN的意思就是Region based,主要思路就是根据一张图像,提取多个region,再将每个Region输入CNN来进行特征的提取。因此RCNN就可以分为 Region proposals , Feature extraction 两个主要部分,提取的特征就可以输入任意一个分类器来进行分类。 模型的流程图如下:
在训练的时候,首先使用的是已经训练好的CNN网络作为特征提取器,但是由于预训练是在分类数据集上,因此在应用到检测之前要做finetune。也就是说,为了将用ImageNet数据集训练的网络应用到新的任务(检测),新的数据集(region)上,作者将原来的CNN最后的1000类的fc层,更改为了 层, 代表待检测的物体的类别数。然后,对于所有的region,如果它和ground truth的重叠率大于0.5,就认为是正类。 对于分类器的训练,作者发现选择多大的IoU来区分正类和负类非常关键。并且,对于每一类,都会训练一个分类器。
框的回归非常重要,在对每一个region proposal使用分类器进行打分评价之后,作者使用一个回归器来预测一个新的框作为结果。这个回归器使用的特征是从CNN中提取的特征。回归器的训练中,输入是 region proposal 的 和ground truth的 ,目标是学习一种变换,使得region proposal通过该变换能够接近ground truth。同时,希望这种变换拥有尺度不变性,也就是说尺度变化的话,变换不会改变。 如下图所示,每一个regressor会学习一组参数,特征输入是pool 5的特征输出,拟合的目标是 。
Fast-RCNN 主要解决的问题是在RCNN中对于每一个region proposal都进行特征提取,会产生非常多的冗余计算,因此可以先对一张图像进行特征提取,再根据region proposal在相应的特征上进行划分得到对应region的特征(映射关系)。 这样便可以实现共享计算提高速度,但是与SPPnets不同,SPPnets在一副图像得到对应的特征后,从这张图像的特征上proposal对应的部分,采用空间金字塔池化,如下图:
RoI pooling的方法很简单,类似于空间金字塔pooling,它将proposal部分对应卷积层输出的特征(称之为RoI,因为用于做pooling的特征是 region of interest,也就是我们感兴趣的区域)划分成 块,然后对每一块求最大值,最终得到了一个 的特征图。可以看出,它只是空间金字塔pooling的一部分。 但是SPP-nets的空间金字塔也是可以求导的,那么它到底不好在哪里呢?因为当每一个RoI都可能来源于不同的图像的时候(R-CNN和SPPnets的训练策略是从一个batch的不同图像中,分别挑选一个proposal region),SPPNets的训练非常地低效,这种低效来源于在SPPnets的训练中,每个RoI的感受野都非常地大,很可能对应了原图的整个图像,因此,得到的特征也几乎对应了整张图像,所以输入的图像也就很大。 为了提高效率,Fast-RCNN首先选取 个图像,再从每个图像上选择 个RoI,这样的效率就比从每个图像提取一个RoI提高了 倍。
为了将分类和框回归结合起来,作者采用了多任务的loss,来进行联合的训练。具体来说就是将分类的loss和框回归的loss结合起来。网络的设计上非常直接,就是将RoI得到的特征接几个FC层后,分别接不同的输出层。对应于分类部分,特征会接一个softmax输出,用于分类,对于框回归部分,会接一个输出4维特征的输出层,然后分别计算loss,用于反向传播。loss的公式如下:
回归的target可以参考前面的R-CNN部分。
notes
为什么比fast还fast呢?主要原因是在这篇论文中提出了一个新的层:RPN(region proposal networks)用于替代之前的selective search。这个层还可以在GPU上运算来提高速度。 RPN的目的:
为了能够进行region proposal,作者使用了一个小的网络,在基础的卷积层输出的特征上进行滑动,这个网络输入大小为 ,输入后会映射(用 的卷积)为一个固定长度的特征向量,然后接两个并联的fc层(用 的卷积层代替),这两个fc层,一个为box-regressoin,一个为box-classification。如下图:
在每一个滑动窗口(可以参考 ),为了考虑到尽可能多的框的情况,作者设计了anchors来作为region proposal。anchors就是对于每一个滑动窗口的中心位置,在该位置对应的原图位置的基础上,按照不同的尺度,长宽比例框出 个不同的区域。然后根据这些anchors对应的原始图像位置以及区域,和ground truth,就可以给每一个滑动窗口的每一个anchor进行标记,也就是赋予label,满足一定条件标记为正类(比如和ground truth重叠大于一个值),一定条件为负类。对于正类,就可以根据ground truth和该anchor对应的原图的区域之间的变换关系(参考前面的R-CNN的框回归),得到回归器中的目标,用于训练。也就是论文中的loss function部分:
自然地,也就要求RPN的两个并联的FC层一个输出2k个值用于表示这k个anchor对应的区域的正类,负类的概率,另一个输出4k个值,用于表示框回归的变换的预测值。
对于整个网络的训练,作者采用了一种叫做 4-step Alternating Training 的方法。具体可以参考论文。
与之前的检测任务稍有不同,mask r-cnn的任务是做instance segmentation。因此,它需要对每一个像素点进行分类。 与Faster R-CNN不同,Faster R-CNN对每一个候选框产生两个输出,一个是类别,一个是bounding box的offset。Mask R-CNN新增加了一个输出,作为物体的mask。这个mask类似于ps中的蒙版。
与Faster R-CNN类似的是,Mask R-CNN同样采用RPN来进行Region Proposal。但是在之后,对于每一个RoI,mask r-cnn还输出了一个二值化的mask。
不像类别,框回归,输出都可以是一个向量,mask必须保持一定的空间信息。因此,作者采用FCN来从每个RoI中预测一个 的mask。
由于属于像素级别的预测问题,就需要RoI能够在进行特征提取的时候保持住空间信息,至少在像素级别上能够对应起来。因此,传统的取最大值的方法就显得不合适。 RoI Pooling,经历了两个量化的过程: 第一个:从roi proposal到feature map的映射过程。 第二个:从feature map划分成7*7的bin,每个bin使用max pooling。
为此,作者使用了RoIAlign。如下图
为了避免上面提到的量化过程
可以参考
作者使用ResNet作为基础的特征提取的网络。 对于预测类别,回归框,mask的网络使用如下图结构:
整体看完这几篇大佬的论文,虽说没有弄清楚每一个实现细节,但是大体上了解了算法的思路。可以看出,出发点都源于深度神经网络在特征提取上的卓越能力,因此一众大神试图将这种能力应用在检测问题中。从R-CNN中简单地用于特征提取,到为了提高速度减少计算的Fast R-CNN,再到为了将region proposal集成进入整个模型中,并且利用GPU加速的RPN,也就是Faster R-CNN。再到为了应用于instance segmentation任务中,设计的RoIAlign和mask。包括bounding box regression,pooling层的设计,训练方法的选择,loss的设计等等细节,无一不体现了大师们的思考和创造力。 可能在我们这些“拿来”者的眼中,这些方法都显得“理所应当”和巧妙,好用,但是,它们背后隐藏的选择和这些选择的思考却更值得我们学习。 以及,对待每一个问题,如何设计出合理的解决方案,以及方案的效率,通用性,更是应该我们努力的方向。
写完一篇论文后,我们都需要检测论文,但有些人可能不知道在检测论文时会检测哪些部分,所以让paperfree小编谈谈论文检测需要检测哪些内容?
1、论文正文:正文部分是论文中最重要的部分,也是查重要求最高的部分,还是论文查重率和查重比重最高的部分,这部分查重率几乎是论文的查重率,这部分必须检测。
2、摘要:摘要是论文画龙点睛的部分,也是比较重要的部分,一般只有200-500字左右,但这部分的调查要求也比较严格
3、论文主题:一般主题也需要查重,但查重的要求不严格,只要不抄写别人的主题即可
4、引言:引言部分也要查重,引言部分一般是吸引读者的部分,查重的要求也不特别严格。
5.结论:结论是对一篇论文的总结,也是对自己研究对象的期望和展望。这部分也需要在查重时进行。
6.参考文献:这部分也应该与论文一起参与论文的重复检测,但只要参考文献的格式是正确的,这部分就不会有太大的问题。
关于其它部分是否需要查重,如目录、感谢、附录等部分,要看自己的学校是如何规定的,只要按照自己学校的规定查重论文,就不会有其他问题。