搜索到
12
篇与
的结果
-
Docker和Docker compose的区别 Docker和Docker Compose之间的区别最近沉迷于云服务器和docker，喜欢找一些好玩的docker项目来部署到服务器上。总是会看见docker和docker compose这两个概念，之后便看了一下之间的区别，发文总结一下。Docker一个轻量级、可移植的容器化平台。允许在隔离的环境中运行应用程序，而不受底层基础设施的影响。使用Dockerfile创建Docker镜像，其中包含应用程序及其依赖项。镜像可以部署到Docker主机上，创建运行容器。Docker Compose一个用于定义和管理多个Docker容器的工具。使用YAML文件定义服务，其中包含容器的配置信息。支持连接多个容器并管理它们之间的依赖关系。提供了一个单一的命令来启动、停止和管理所有定义的容器。Docker和Docker Compose之间的主要区别：目的：Docker：用于创建和管理单个容器。Docker Compose：用于创建和管理多个容器的编排。配置：Docker：使用Dockerfile定义单个容器的配置。Docker Compose：使用YAML文件定义多个容器的配置，包括它们之间的连接和依赖关系。部署：Docker：镜像部署到Docker主机上，创建容器。Docker Compose：一个命令即可启动和管理所有定义的容器。用例：Docker：适合于在隔离的环境中运行单个应用程序或服务。Docker Compose：适合于管理复杂的应用程序，涉及多个相互关联的容器。通俗来说Docker 就像火车车厢。 每个车厢可以容纳一节火车，并且每个车厢都可以独立地移动和管理。 您可以使用 Docker 创建、运行和管理单个火车车厢。Docker Compose 就像一整列火车。 它使您可以将一组连接在一起的车厢组合在一起，并作为一列火车进行操作。 您可以使用 Docker Compose 定义和运行由多个车厢（容器）组成的火车（应用程序）。即：使用 Docker 创建和管理单个容器。使用 Docker Compose 创建和管理由多个容器组成的应用程序。总结：Docker是一个容器化平台，而Docker Compose是一个编排工具。Docker用于创建和管理单个容器，而Docker Compose用于创建和管理多个容器的编排，简化了复杂应用程序的部署和管理。主要区别特征DockerDocker Compose目的容器化应用程序管理多容器应用程序配置DockerfileYAML文件容器数量单个容器多个容器依赖关系无支持部署单个命令单个命令复杂性较低较高可扩展性有限高何时使用Docker：适用于需要在隔离环境中运行单个应用程序的情况。Docker Compose：适用于需要管理具有相互依赖关系的多个容器的复杂应用程序。示例Docker：FROM python:3.9 WORKDIR /app COPY requirements.txt . RUN pip3 install -r requirements.txt COPY . . CMD ["python3", "main.py"]Docker Compose：version: "3.7" services: web: image: my-web-image ports: - "80:80" db: image: my-db-image volumes: - db-data:/var/lib/postgresql/data volumes: db-data: -
机器人超声学家：在贝叶斯优化中使用领域专业知识的自主机器人超声-1 Deepak Raina12、SH Chandrashekhara3、Richard Voyles2、Juan Wachs2、Subir Kumar Saha1摘要超声是一种重要的成像方式，用于各种诊断和介入手术。然而，需要专业的声谱学家在人体上准确地操纵探头，同时为了诊断目的理解超声图像。这一程序需要大量的培训和长达几年的经验。在本文中，我们提出了一种自主机器人超声系统，该系统使用贝叶斯优化（BO）与领域专业知识相结合来预测并有效扫描可以获得诊断质量超声图像的区域。质量图是扫描区域中图像质量的分布，使用BO中的高斯过程进行估计。这依赖于使用专家对高质量探测操作的演示建模的先验质量图。将超声图像质量反馈提供给BO，BO使用深度卷积神经网络模型进行估计。该模型之前是在放射科医生为诊断质量标记的图像数据库上进行训练的。在三种不同膀胱模型上的实验验证了所提出的自主超声系统可以获取超声图像其探测位置和力的准确度分别为98.7%和97.8%。引言超声由于其低成本、非电离性质、便携性和实时反馈，是诊断和手术干预中最常用的成像方式。与其他成像方式（如磁共振成像（MRI）和计算机断层扫描（CT））相比，超声具有几个优势，然而，超声诊断是一种高度依赖于操作员的方式这是因为手动控制探头和对采集图像进行质量评估所需的技能。超声学家采用定向和随机探索策略来搜索诊断质量的图像。超声探头最初通过手动操作在感兴趣区域内移动，随后对探头的平移和旋转运动进行微调。这些操作还包括通过探头安全精确地调整压力，同时分析采集图像的质量。如此复杂的手术需要声谱学家的大量技能、专注力、经验和手动操作。在农村地区，熟练的声谱师的可用性有限并且需要替代的解决方案。 这项工作得到了SERB（印度）OVDF奖SB/S9/Z-03/2017-VIII的部分支持；PMRF-印度理工学院德里分校，参考F.第35号-2017年5月TS.I:PMRF；美国国家科学基金会（NSF）2140612；Daniel C.Lewis教授和PU-IUPUI种子基金。为了减轻专家的负担，介绍了一种机器人超声系统。RUS由一个dex-terous机械臂和一台超声波机组成，超声波机的探头连接在机器人的末端执行器上，如图 1所示，RUS可以帮助确保超声程序的准确性、安全性和一致性。最近，为了满足上述需求，已经提出了几种远程机器人或人类辅助超声系统与这些系统相比，全自动超声系统提供了各种潜在的好处，包括更短的手术时间、更短的学习曲线、最小的通信延迟和降低的认知负荷然而，有效的自主RUS面临着关键挑战。最重要的挑战之一与超声图像采集的手部运动有关。这样的图像表现出相当大的受试者间和受试者内的可变性，并且图像质量高度依赖于超声探头的精确位置、定向和压力。如果探头操作不正确，生成的图像会出现噪声、伪影、边界模糊和能见度低，从而无法进行诊断。超声学家依靠视觉和触觉反馈、解剖信息以及先前医学教育中的诊断专业知识来快速获取高质量图像。因此，RUS必须以最少的探索步骤定位具有可接受诊断图像质量的区域，用于患者间和患者内手术。在本文中，我们提出了一种自主机器人超声系统，该系统使用基于贝叶斯优化搜索的领域专业知识来扫描解剖区域，以获取诊断质量的超声图像，从而消除了彻底扫描整个区域的需要。我们工作的主要贡献如下：我们在BO中提出了从专家对高图像质量探测姿态的演示中收集的先验，称为专家的先验。BO然后将区域的未知图像质量估计为具有专家先验的半参数高斯过程模型。提出了一种新的图像质量度量，该度量使用由专业放射科医生标记为诊断质量的超声图像数据集进行训练，该数据集向BO提供该区域的图像反馈。我们使用三个膀胱模型进行了实验验证，这些模型需要不同的探测操作来获得高图像质量。结果表明，我们的系统在所有体模中一致且自主地获取高质量的超声图像。我们相信，将BO与领域专业知识相结合来进行自主超声扫描，将减少对专家可用性的依赖，并在偏远和服务不足的人群中更广泛地应用。A.相关工作自主式机器人超声系统：近年来，人们提出了一系列自主式机器人超声波系统，以最大限度地减少人类干预。早期的工作将图像特征用于基于超声图像的视觉伺服后来，各种系统使用了基于像素的置信图方法以及用于优化探针姿态和力的结构分割。然而，这些基于图像特征和像素的方法是模态特定的，计算成本高昂，并且没有考虑诊断方面的重要性。Hennersperger等人。使用术前MRI扫描开发了自主系统，然而，MRI的获取成本相当高。Ma等人。提出了通过使用RGB-D传感器数据定位目标区域的自主肺部扫描。然而，该系统仅使用力反馈，不依赖于超声图像反馈，从而限制了其诊断准确性。最近，李等人提出了一种深度强化学习（RL）框架来控制脊柱超声探头，将图像质量优化纳入奖励公式中。然而，这些系统的成功仅限于在训练期间包含数据的模型和患者。此外，在医疗系统中部署RL非常具有挑战性，因为它需要与人体进行大量的物理交互，并带来安全和伦理问题。与这些系统相比，所提出的自主超声系统缩小了使用BO扫描的区域，消除了彻底扫描整个区域的需要。我们进一步建议以BO先验和图像质量度量的形式使用从专家那里收集的领域专业知识，以获取诊断质量的超声图像。医疗机器人的贝叶斯优化：由于其快速优化能力，BO已被用于安全关键的机器人医疗程序，如自主机器人触诊，半自主手术机器人, 髋关节外骨骼的控制器调谐和自主机器人超声波。 我们的工作是对Goel等人的工作的非琐碎扩展。他们提出使用BO进行自主超声，利用超声图像中血管的分割作为对BO的反馈，扫描具有高血管密度的区域。他们使用混合位置力控制在（x，y）平面上移动机器人，同时保持恒定沿z方向施加力至接触点。在里面相比之下，我们的工作提出了两个技术改进以增强这种方法的实用性。首先，我们建议使用深度学习模型来生成超声图像的质量分数，作为对BO的反馈，而不是依赖于组织或结构的分割掩模。后一种方法对专家来说可能非常耗时和耗费精力，因为他们需要注释解剖结构的边界，同时考虑到超声图像噪声和由于机器设置、探头压力和患者解剖结构引起的可变性。其次，我们扩展了BO的功能，使其能够沿（x，y，z）轴搜索最佳扫描区域。值得注意的是，z轴处于可变力控制下，以应对变化的生理条件。BO中的领域专业知识：BO可以以专家（从业者）对最优的潜在位置的先验（信念）的形式利用专家的知识。 这种技术主要用于图像和文本数据集的超参数调整。开源机器学习数据集和机器人仿真实验。最近的一些工作将专家的知识以先验的形式用于医疗机器人，Ayvali等人提出了使用BO检测组织异常的机器人触诊。他们修改了BO的采集功能，其值在用户提供的位置达到峰值。朱等提出了一种使用BO定位最佳音质位置的自主机器人听诊系统。方法论自主机器人超声系统的管道如图 2所示，在离线阶段，专家将展示潜在的探测姿态，以获取诊断质量的图像。该演示的数据将用于构建先验质量图，该先验质量图对关于预期图像质量的先验解剖近似进行编码。我们还建立了一个具有标记图像质量的人类和幻影膀胱超声图像数据集，并训练了图像质量评估指标的深度学习模型。在在线阶段，我们使用BO来选择探头姿态，以利用先前的映射和从领域专业知识中收集的质量度量来找到最佳超声图像质量。A.贝叶斯优化公式我们使用BO自适应地搜索探测姿态，以在指定的范围内产生高质量的超声图像解剖区域。设A是人体上包围解剖结构的感兴趣区域，则BO的目标是解决： 其中q(I(p))表示超声图像的质量分数, I在探头姿态p处。BO将计算概率使用先验和图像质量度量形式的领域专业知识来估计整个人体的未知质量图q(I(p))。采集功能被优化以产生新的探测姿态。一旦发现新的观察结果，就将估计值重新拟合到数据中，并重复该过程，直到达到终止标准，终止标准是最大合理迭代Nmax或充分诊断所需的估计质量分数阈值。算法1概述了整个算法。完成度{progress percentage="25%" color="#e172e3"/}
-
测试 ``居中 居右 颜色大小2024-06-18 23:49:35 星期二 { } {music id="1306507078" color="#1989fa" autoplay="autoplay"/}{abtn icon="" color="#ff6800" href="" radius="" content=""/} {dotted startColor="#ff6c6c" endColor="#1989fa"/}隐藏内容，请前往内页查看详情{message type="warning" content="你会"/}{progress percentage="80%" color="#ff6c6c"/}{callout color="#f0ad4e"}标注内容{/callout}{tabs}{tabs-pane label="标签一"} 标签一内容{/tabs-pane}{tabs-pane label="标签二"} 标签二内容{/tabs-pane}{/tabs}{collapse}{collapse-item label="折叠标题一" open} 折叠内容一{/collapse-item}{collapse-item label="折叠标题二"} 折叠内容二{/collapse-item}{/collapse}{alert type="info"}警告提示{/alert}
-
基于深度学习的超声人体血管识别算法研究 一、选题依据(简述国内外研究现状、生产需求状况,说明选题目的、意义，列出主要参考文献)1、国内外研究状况超声血管识别是医学图像处理领域的重要研究方向。随着深度学习技术的快速发展和应用，基于深度学习的超声血管识别算法逐渐受到关注。医学图像处理技术特别是血管图像处理技术对于疾病的诊断和治疗以及手术规划发挥着越来越重要的使用 1。在这其中识别血管技术和智能自动分割技术已经成为如今包括临床医学等众多领域中诊断和操作治疗疾病过程中必不可少的一个辅助手段。血管分割技术是指将照片中的血管和背景图像分割开，形成不重叠的图形，其分辨的精确性将会直接影响到对病患的分析以及后续的治疗，甚至造成误诊。因此，如何提高血管分割的精确性和准确度成为了我们亟待解决的问题。血管图像分割就是将组成整幅图像的不同对象进行分类或聚类，准确地提取出医生感兴趣的区域（Region of Interest，ROI）即血管，然后获取血管相关参数值以便后续医生对其进行诊断和治疗2。在国内贾蒙丽等人在2023年针对目前存在的细小血管和低对比度血管分割能力不足的问题，以改进U型网络为基础，提出一种眼底血管分割方法3。2022年侯松辰等人将Attention机制与RU-Net结构融合应用到生成对抗网络(generative adversarial network, GAN)的生成器中,形成了一种新的结构——Retina-GAN，同时在对眼底图像的预处理步骤上选择了自动色彩均衡(ACE)，提高图像对比度，使血管更加清晰4。在国外Abdel-Dayem等人提出一种基于超声图像提取颈动脉轮廓的新方法，该方法从动脉内用户自定义的种子点开始，利用模糊区域生长算法为图像创建模糊连通性图，然后使用阈值选择机制对模糊连通性图进行阈值化处理以分割动脉区域5。在人工智能快速的发展推动下，国内外的各种血管分割算法也在不断进化，衍生出了许多不同类型的分割方法，主要有：基于区域的分割技术基于区域的分割技术是指在所给的图像中直接找出以某个区域为基础的分割技术。基于区域提取分割方法主要有阈值法6，该方法计算简单效率较高，但是此方法不考虑空间特征，对噪声过于敏感且鲁棒性不高。区域生长法，该方法从单个像素点出发，逐步向四周扩散以形成所需图形的分割区域，这种方法关键在于找到这个单独的像素点和合适的生长准则7；基于聚类的分割方法则与区域生长法相反，是从图形整体出发，逐步扫描各个区域，得到需要分割的目标，进而实现目标的提取。基于边界的分割技术边缘检测8是一种用于找出图像中物体边界的技术，它通过检测图像中灰度的突变来实现。在数字图像中，边缘是指灰度值快速变化的地方，通常可以使用一阶或二阶导数来检测。通过计算导数，可以确定图像中可能存在边缘的位置，进而实现目标和背景的分割。它主要优点有边缘定位准确、速度快但是不能保证边缘的连续性和封闭性。常用的边缘检测方法有Sobel算子9、Prewitt算子10和Canny边缘检测11等。边缘检测是图像处理中的基础操作，对于识别物体、图像分割等任务至关重要。结合特定理论和工具的分割技术常用的结合特定理论和工具的分割算法有：基于数学形态学、基于神经网络、基于小波理论等。基于数学形态的分割方法，其基本原则使利用具有一定形态的结构元素对图像进行基本操作，以达到对图像分析和识别的目的。数学形态学的基本运算包括膨胀和腐蚀，以及它们组合形成的开运算和闭运算12。开运算先进行腐蚀再进行膨胀，闭运算则是先进行膨胀再进行腐蚀。这些运算对图像的处理具有不同的特点，膨胀会使图像变大，而腐蚀会使图像变小。基于神经网络13的方法具有两个优点：一是能够通过运算不断学习提高进准度，二是能够使用网络对图像进行非传统线性分割进行边界分割。缺点就在于每当有新的变量加入，就要重新进行学习和训练。从当前血管分割技术的整体发展来看，本文的研究方向为：能够完整的搭建所筛选的模型；能够找到足够的数据集并对其进行标记以完成实验；使用最少的人工操作来完成分割过程，以实现血管的自动识别和分割；缩短所采用的时间达成目标；达到所要求的90%的精度。2、选题目的、意义血管的功能是向组织周围的细胞输送氧气和营养物质，是高等脊椎动物的一个重要器官14。研究发现多达 50 种不同病理状况的产生与血管的健康情况有着直接的关系，其中包括癌症、外周缺血疾病、糖尿病、牛皮癣等疾病15。随着科技和农业的发展，人们的饮食规律和结构发生了改变，各种由血管导致的病因层出不穷，是人们的健康受到严重威胁。颈动脉粥样硬化(carotid arteriosclerosis，CAS),是大动脉血管的常见病变 16，颈动脉作为连接心脏与头之间的通路，是人体中最容易发生病变的地方。通过算法将颈部动脉的CT片中的颈动脉与背景分开，可以更准确的确定其位置和形状，如果是出现动脉粥样硬化现象，则颈动脉血管的形状会发生变化，借此形态变化可快速地找到病变部位并采取治疗方案2。到目前为止，大多数关于颈动脉图像的识别和疾病的等级判定仍然靠肉眼识别来执行，或者通过管腔分割之后定义斑块或狭窄17的存在来半自动地执行18。但是，前者通过肉眼判断会因观测者的不同而结果受到实质性的差异，即使是经验丰富的专家来识别，也会因为自身的状态、图片的拍摄区域而使最终的结果有所变化。后者依赖于冠状动脉腔分割的速度和准确性,这通常是耗时且麻烦的。而用于冠状动脉腔内分割的大多数商业软件需要大量的手动操作,在具有过度动脉粥样硬化斑块或成像伪影的图像中,操作更加繁琐18。随着近几年的人工智能技术突飞猛进，在各领域取得了丰富的成果，人们自然的会将深度学习与血管分割联系在一起，尤其是在颈部动脉血管上的识别。首先是颈部血管的识别和定位，对血管的准确定位是动脉分割和病变检测前提，然而颈部动脉的人工识别要耗费大量时间,并且分割结果也易受操作者主观因素的影响；其次是医学的特殊性：一是，人体颈部血管密集，还有气道等各部位影响，这使得在图片上对血管的定位识别变得非常困难。二是，医学所拍摄的图像均较暗，亮度和对比度较低，很多血管特征难以识别。三是，在采集图像时，图片的实际效果会受到病人的姿态、设备的状况和拍摄的角度等各种因素的影响。因此，在实际中，对一种图像问题的解决方法很大概率对另一种图像问题就不起效果19。而基于深度学习的超声血管识别方法具有以下优点，在各方面也有不同的意义：高度自动化：基于深度学习的方法可以实现自动化的血管识别和分割，减轻医生的工作负担，提高工作效率。准确性更高：深度学习模型能够学习复杂的血管结构特征，提高血管识别的准确性，减少漏检和误检的情况。适用于大规模数据：深度学习模型在处理大规模数据时表现出色，可以应对临床中不同患者的超声影像数据，提高泛化能力。辅助临床决策：深度学习的超声血管识别技术可以为医生提供更准确的血管结构信息，辅助临床诊断和治疗决策，提高医疗服务质量。因此，基于深度学习的超声血管识别方法具有更高的自动化程度、准确性和适用性，可以为临床医疗提供更有效的支持，推动医疗领域的智能化发展。参考文献王钏.基于卷积神经网络的血管图像分割[D].西安:西安电子科技大学,2018. ↩周宁宁.基于深度学习的超声血管图像分割与识别软件的设计与实现[D].重庆大学,2021. ↩贾蒙丽,李振伟,杨晓利等.基于改进的U型网络的视网膜图像血管分割[J].计算机仿真,2023,40(07):190-194+214. ↩侯松辰,张俊虎.基于Retina-GAN的视网膜图像血管分割[J].计算机系统应用,2022,31(07):372-378.DOI:10.15888/j.cnki.csa.008607. ↩Abdel-Dayem A R, El-Sakka M R. Carotid Artery Ultrasound Image Segmentation Using Fuzzy Region Growing[C]. Proceedings of the Second international conference on Image Analysis and Recognition. Springer Berlin Heidelberg, 2005:869-878. ↩侯松辰,张俊虎.基于Retina-GAN的视网膜图像血管分割[J].计算机系统应用,2022,31(07):372-378.DOI:10.15888/j.cnki.csa.008607. ↩刘斌. 基于超像素的图像分割方法研究[D].河南大学,2018. ↩王敏琴,韩国强,涂泳秋.基于形变模型的医学图像分割综述[J].医疗卫生装备,2009,30(2):37-39. ↩薛文格,邝天福.基于Sobel算子和灰色关联分析的图像边缘检测[J].楚雄师范学院学报,2023,38(03):135-140. ↩王月新,刘明君.sobel算子与prewitt算子分析与研究[J].计算机与数字工程,2016,44(10):2029-2031+2042. ↩孙海明,韩国强.基于改进Canny算法的噪声图像边缘检测[J].湖北汽车工业学院学报,2023,37(04):54-57+63. ↩张丹丹.数学形态法中结构元素的选择[J].科技信息,2012,(34):172. ↩徐凤翎.基于卷积神经网络的CT影像边缘分割方法[J].计算机时代,2023(10):66-69.DOI: 10.16644/j.cnki.cn33-1094/tp.2023.10.014. ↩Kojic M, Milosevic M, Simic V, et al. Multiscale smeared finite element model for mass transport in biological tissue: From blood vessels to cells and cellular organelles[J]. Computers in Biology and Medicine, 2018, 99:7-23. ↩Folkman J. Anti-angiogenesis: new concept for therapy of solid tumors[J]. Annals of Surgery, 1972, 175(3):409-416 ↩唐嘉宇.心血管高危并颈动脉粥样硬化患者血管内皮功能及白介素-18的变化及相关机制初探[D].南华大学,2016. ↩付长信. 头颈部动静脉血管提取方法研究[D].东北大学,2019. ↩Kiricsli H A，Schaap M，Metz C T，et al.Standardized evaluation framework forevaluating coronary artery stenosis detection，stenosis quantification and lumensegmentation algorithms in computed tomography angiography[J].MedicalImage Analysis,2019,17:859-876. ↩孟笛.改进的U-net网络在冠状动脉血管分割中的应用[D].吉林大学,2019. ↩
-
