简介:传统小说中的图文关系是松散而和谐的,删掉插图对阅读文本不会产生重要影响,而且图一般都为文服务,它们的意义所指也是明确的;而后现代小说的图文关系则是紧密而对抗的,删掉插图,文本就无法正常阅读,图不是文的傀儡,而要凸显自身的意义和价值,图像与文字所指意义的关系常常是解构性的和不明确的。这种由《项狄传》开创的“语像写作”手法,在后现代小说中仍以文字叙事为主导,但图像在小说发展中逐渐展现出与文字相同的地位,不再是小说中可有可无的噱头。图像突破了媒介差异直接参与到叙事流中,以“图像修辞”的方式呈现出一种媒介融合的叙事风景,对读者提出了新的要求。这印证了现代社会表达的“语言危机”,也预示着文字叙事在纸媒上所能达到的极限。
简介:摘要目的采取有效的配准方式,证实合理的配准方式对于CT、MR扫描的图像融合对胶质瘤靶区勾画的重要性、可行性及对放疗的应用的价值。方法抽取两组各10例临床上术后病理确诊为胶质瘤的患者,所有患者在进行治疗前均行CT增强扫描和MR增强扫描。第一组在体表不做标记点,并且MRI扫描时不采用和CT扫描时的头枕。第二组按研究的目的在体表做好标记并做到CT扫描和MR扫描的患者体位尽量保持一致(MRI扫描时选择和CT扫描时采用类似的头枕)。将扫描完的图像传输到放疗室中的TPS中,然后分别采用Manual和PointMatch法进行图像标配。配准完成后进行图像融合,直到到达满意的融合效果。然后由放疗科两位副主任职称的放疗医师及我院放射科一名副主任以上的医师对融合图像进行评估和勾画,分别在CT、MRI及融合好的图像上勾画临床靶区(ClinicaltargetVolume)CTV及周围正常危及器官(眼球、晶体、视神经、脑干、脊髓等)。在融合好的图像上勾画CTV并设为CTV-CT/MR,以此类推,定义为设为CTV-CT,CTV-MR。然后对比两组的CTV重合度(CTV-T)来评价CT和MRI图像融合的精度,即V-CTV-T的体积占CT图像上V-CTV-CT的百分比V-CTV-T=CTV-CT/MR/V-CTV-CT*100%(理想状态下为1)。并且计算二组在配准状态下的三维方向上的误差大小。结果1.第一组和第二组CTV重合度(融合的图像与CT对比)为0.8士0.26,0.91士0.11,二者差异具有统计学意义。第一组和第二组CTV重合(融合的图像与MRI对比)为0.92士0.15,1.02士0.08,两者差异也具有统计学意义。但与单纯CT对比,MRI更接近与1,差异性小。2.利用PointMarch计算第一组X,Y,Z轴方向的平均误差为(0.65士0.17)mm,(1.2士0.11)mm;(2.2士0.20)mm,三维空间总的平均误差为(2.24士1.15)mm;第二组X,Y,Z轴方向的平均误差为(0.25士0.11)mm,(0.6士0.11)mm;(1.2士0.20)mm,三维空间总的平均误差为(1.26士0.35)mm。不加标记点的误差明显大于加标记点的,并且不加标记点的误差超过了误差范围。结论1.体位一致的CT和MRI扫描是两者图像融合的关键,体位一致的图像融合技术误差在可接受的范围内。2.MRI扫描的图像勾画靶区比CT勾画靶区的精度高。
简介:摘要随着社会的发展,企业对物体质量要求越来越高,基于图像处理的标签质量检测系统越来越被人们所看重。然而,标签在生产过程中,由于受到生产机器精度等因素的影响,生产出来的标签有很多质量问题,比如少印。因此标签缺陷检测越来越重要。本论文主要针对对标签视觉检测系统的软件算法设计,使检测图像与标准图像进行相减,从而提取出缺陷部分,解决标签少印的问题。整个少印缺陷的检测过程不需要人工进行费力的对比,此过程由软件自行处理,人们只需要对检测出的标签进行确认,实现人工与智能化的完美结合,保证标签质量的目的。本文使用VisualC++6.0开发工具进行软件代码编程,最后很好的完成了本论文少印的缺陷检测检测系统,在实验室中,我们对本系统稳定性,精确度进行了测试,测试结果表明本论文的缺陷检测系统能够满足要求。
简介:摘要目的结合图像自动分割技术和机器学习方法对乳腺钼靶X线图像进行准确分类识别。方法以数字钼靶X线图像数据库(DDSM)中的BI-RADS4类的簇状分布多形性钙化钼靶图像为研究对象,自动切分图像的感兴趣区域(ROI)。对小波变换、Gabor滤波和灰度共生矩阵法所提取的特征参数进行融合,并基于灵敏度分析对融合后的特征参数进行筛选。使用基于集成学习的方法,对多项式核支持向量机(SVM)、随机森林和逻辑(logistic)回归分类器进行投票集成,构成用于乳腺钼靶X线图像自动分类的分类器。投票集成方法为软投票。结果提出的集成分类器可高效地识别与分类乳腺钼靶X线图像,其分类的灵敏度、特异度和准确率分别为99.1%、99.6%和99.3%。结论所提出的乳腺钼靶X线图像处理与分类识别方法能为医生的临床判断提供辅助检测的依据,并为细分BI-RADS4类图像提供技术基础。
简介:摘要目的探讨基于病理全玻片数字化图像(whole-slide imaging,WSI)的人工智能慢性鼻窦炎伴鼻息肉(CRSwNP)分型及其临床特征,同时探讨日本难治性嗜酸粒细胞性慢性鼻窦炎流行病学调查研究(Japanese epidemiological survey of refractory eosinophilic chronic rhinosinusitis,JESREC)诊断标准在本回顾性队列研究中的一致性。方法回顾性分析中山大学附属第三医院耳鼻咽喉头颈外科2018—2019年接受鼻内镜手术的136例14~70岁的CRSwNP患者(男性101例,女性35例)。收集患者术前临床基本特征,如鼻部症状视觉模拟量表(VAS)评分、外周血炎性细胞计数、总免疫球蛋白(IgE)、Lund-Kennedy评分和Lund-Mackay评分等。通过第二代人工智能慢性鼻窦炎评估平台(artificial intelligence chronic rhinosinusitis evaluation platform 2.0,AICEP 2.0)计算每例患者WSI上的嗜酸粒细胞、淋巴细胞、浆细胞和中性粒细胞等炎性细胞比例,然后得出鼻息肉具体类型——嗜酸粒细胞性CRSwNP(eosinophilic CRSwNP,eCRSwNP)或非嗜酸粒细胞性CRSwNP(non-eosinophilic CRSwNP,non-eCRSwNP)。同时采用JESREC诊断标准进行鼻息肉分类,将所得分类结果与目前鼻息肉WSI诊断金标准(病理诊断)进行比较,评估该诊断标准的准确率、灵敏度及特异度。数据以M(Q1,Q3)表示,采用SPSS 17.0进行统计学分析。结果eCRSwNP和non-eCRSwNP患者在年龄分布、性别、病程、VAS评分、Lund-Kennedy评分和Lund-Mackay评分上的差异无统计学意义,而在鼻息肉炎性细胞比例上的差异有统计学意义[嗜酸粒细胞40.5%(22.8%,54.7%)比2.5%(1.0%,5.3%),中性粒细胞0.3%(0.1%,0.7%)比1.3%(0.5%,3.6%),淋巴细胞49.9%(39.3%,65.9%)比82.0%(72.8%,87.5%),浆细胞5.1%(3.6%,10.5%)比13.0%(7.4%,16.3%),χ²值分别为9.91、4.66、8.28、5.06,P值均<0.05]。此外,eCRSwNP患者的过敏症状(鼻痒和打喷嚏)和哮喘比例、外周血嗜酸粒细胞和血清总IgE水平均明显高于non-eCRSwNP患者(P值均<0.05)。JESREC诊断标准的总体准确率为74.3%,灵敏度为81.3%,特异度为64.3%。结论基于人工智能和WSI诊断的eCRSwNP患者的过敏症状和哮喘比例、外周血嗜酸粒细胞和血清总IgE水平较高,鼻息肉中炎性细胞百分比与non-eCRSwNP患者存在差异。JESREC诊断标准在本回顾性队列研究中具有较好的一致性。