简介:摘要:随着我国城市发展的迅速,对于能源的续期也日益增长,尤其是电力能源能使呈现供不应求的状态。但是不同地区受所在地区条件的限制,很多水力火力发电难以开展工作,因此风力光伏发电成为一大电力能源供应方式。随着风力和光伏发电的发电容量增长,很多电力网络中国新能源占比持续提升,因此对于电力网络的发展也是一种趋势。而光伏发电具有环保稳定的特点,是当前一种较为前沿的技术方式,但是由于受到环境的影响,依旧存在很多不确定因素影响到光伏发电系统的稳定性。因此对于光伏发电系统中的不确定因素进行分析,从而确定其风险整定值,通过对应的方式将其整定值实现数字化,从而为光伏电网的稳定运行提供助力。
简介:摘要目的构建一种基于深度学习的肺结节分类以及分割算法,探究其在不同CT重建算法下的诊断效能。方法回顾性收集2019年6至9月天津医科大学朱宪彝纪念医院放射科363例胸部CT平扫影像学资料,每例患者的胸部CT平扫均包含三种CT重建算法(肺重建、纵隔重建、骨重建)生成的图像,这些数据构成了模型的测试集;模型的训练集由公开数据集(LIDC-IDRI)和私有数据集共4 185例患者胸部CT图像组成。模型的构建采用3D深度卷积神经网络和递归神经网络结合的方式,在多任务联合学习下训练肺结节密度类型分类和分割,最后将训练好的模型在天津医科大学朱宪彝纪念医院放射科363例测试病例上进行效果测试,得到三种CT图像重建算法下结节分类准确率和分割Dice系数指标。采用方差分析对三种CT重建算法下的结节分类准确率和分割Dice系数进行比较以分析差异是否有统计学意义。结果在三种CT重建算法下,模型对肺结节密度类型的分类准确率分别为98.67%±5.70%、98.38%±6.61% 和97.89%±7.32%,其中实性结节的分类准确率分别为98.79%±5.58%、98.49%±6.89%和97.90%±7.41%,亚实性结节的分类准确率分别为97.57%±10.19%、98.52%±7.77%和98.52%±7.77%,三种不同重建算法下的肺结节的分类准确率差异无统计学意义(均P>0.05)。三种重建算法下,所有结节分割的Dice系数分别为79.87%±5.78%、79.02%±6.04%和79.31%±5.95%,三组间结节分割的Dice系数差异无统计学意义(均P>0.05)。结论结合了3D卷积神经网络和递归神经网络的深度学习算法,对不同CT重建算法图像中肺结节的分类和分割均有较为稳定的效果。