目的:采用深度学习方法,通过人在回路的方式进行迭代式标注-训练,建立垂体分割模型,实现垂体体积人工智能(AI)测量。方法:将1285例颅脑3D T 1WI图像按5~15岁、16~25岁、26~50岁、51~70岁年龄段分组,每个年龄组随机选择80例,分成4批次进...目的:采用深度学习方法,通过人在回路的方式进行迭代式标注-训练,建立垂体分割模型,实现垂体体积人工智能(AI)测量。方法:将1285例颅脑3D T 1WI图像按5~15岁、16~25岁、26~50岁、51~70岁年龄段分组,每个年龄组随机选择80例,分成4批次进行试验。初始每组选择3例图像进行人工预标注神经垂体和腺垂体,输入计算机进行学习,获取初始模型。应用模型对一批数据进行分割,获得分割后的神经垂体、腺垂体与垂体总体积数据,将分割结果进行人工校准,获得校准后相对应的体积数据作为金标准。用前一组校准后的分割图像进行计算机迭代式学习优化模型,再用优化后模型对新一组图像分割与校准,重复上述过程,最终将校准前后差异没有统计学意义的数据认定深度学习建模成功。数据采用配对t检验、Dice和Spearman相关性分析进行统计。结果:从第2批次开始,除5~15岁年龄段外,其它年龄段神经垂体体积在校准前后的差异没有统计学意义,腺垂体与垂体总体积的差异有统计学意义(P<0.05)。第4批次,各年龄段神经垂体、腺垂体与垂体总体积在校准前后的差异均无统计学意义(P=0.137~0.928),Dice值大于0.941,Spearman相关系数大于0.969。结论:通过迭代式训练进行深度学习建模可构建垂体分割模型,实现垂体体积AI自动测量。展开更多
针对机电设备领域相关语料匮乏、关系类型特征挖掘不充分以及文本包含重叠三元组的问题,提出一种融合提示学习与先验知识以迭代式对抗训练的三元组抽取方法TBPA(Triplet extraction Based on Prompt and Antagonistic training)。首先,...针对机电设备领域相关语料匮乏、关系类型特征挖掘不充分以及文本包含重叠三元组的问题,提出一种融合提示学习与先验知识以迭代式对抗训练的三元组抽取方法TBPA(Triplet extraction Based on Prompt and Antagonistic training)。首先,利用BERT(Bidirectional Encoder Representations from Transformers)模型在自构语料库上进行微调,以获取输入文本的特征向量;接着,采用投影梯度下降(PGD)方法在嵌入层进行迭代式对抗训练,提高模型对干扰样本的抵御能力和对真实样本的泛化能力;然后,利用单层头尾指针网络识别出头实体,并结合提示学习模板获取头实体对应的领域先验特征,将字向量与Prompt模板中预测得到的提示向量相结合;最后,在分层标注框架下,使用单层头尾指针网络逐个识别预定义的所有关系类型所对应的尾实体。与基线模型CasRel相比,TBPA在精确率、召回率和F1值上分别提高了3.10、6.12、4.88个百分点。实验结果表明,TBPA在煤矿机电设备领域三元组抽取任务中具有一定的优势。展开更多
文摘目的:采用深度学习方法,通过人在回路的方式进行迭代式标注-训练,建立垂体分割模型,实现垂体体积人工智能(AI)测量。方法:将1285例颅脑3D T 1WI图像按5~15岁、16~25岁、26~50岁、51~70岁年龄段分组,每个年龄组随机选择80例,分成4批次进行试验。初始每组选择3例图像进行人工预标注神经垂体和腺垂体,输入计算机进行学习,获取初始模型。应用模型对一批数据进行分割,获得分割后的神经垂体、腺垂体与垂体总体积数据,将分割结果进行人工校准,获得校准后相对应的体积数据作为金标准。用前一组校准后的分割图像进行计算机迭代式学习优化模型,再用优化后模型对新一组图像分割与校准,重复上述过程,最终将校准前后差异没有统计学意义的数据认定深度学习建模成功。数据采用配对t检验、Dice和Spearman相关性分析进行统计。结果:从第2批次开始,除5~15岁年龄段外,其它年龄段神经垂体体积在校准前后的差异没有统计学意义,腺垂体与垂体总体积的差异有统计学意义(P<0.05)。第4批次,各年龄段神经垂体、腺垂体与垂体总体积在校准前后的差异均无统计学意义(P=0.137~0.928),Dice值大于0.941,Spearman相关系数大于0.969。结论:通过迭代式训练进行深度学习建模可构建垂体分割模型,实现垂体体积AI自动测量。
文摘针对机电设备领域相关语料匮乏、关系类型特征挖掘不充分以及文本包含重叠三元组的问题,提出一种融合提示学习与先验知识以迭代式对抗训练的三元组抽取方法TBPA(Triplet extraction Based on Prompt and Antagonistic training)。首先,利用BERT(Bidirectional Encoder Representations from Transformers)模型在自构语料库上进行微调,以获取输入文本的特征向量;接着,采用投影梯度下降(PGD)方法在嵌入层进行迭代式对抗训练,提高模型对干扰样本的抵御能力和对真实样本的泛化能力;然后,利用单层头尾指针网络识别出头实体,并结合提示学习模板获取头实体对应的领域先验特征,将字向量与Prompt模板中预测得到的提示向量相结合;最后,在分层标注框架下,使用单层头尾指针网络逐个识别预定义的所有关系类型所对应的尾实体。与基线模型CasRel相比,TBPA在精确率、召回率和F1值上分别提高了3.10、6.12、4.88个百分点。实验结果表明,TBPA在煤矿机电设备领域三元组抽取任务中具有一定的优势。
