脊柱侧弯是影响人类健康的疾病之一,Cobb角的准确计算是临床上确定脊柱侧弯分型和制定诊疗方案的关键。针对人工测量Cobb角存在耗时长、不够准确、效率低下等问题,本文设计了一种基于改进U-Net的脊柱侧弯Cobb角自动测量方法。由经验丰富的脊柱外科医生使用LabelMe工具对200例脊柱侧弯患者的X线片数据集进行标注。采用ResNet50作为主干网络改进基本的语义分割模型U-Net,并与另外2个语义分割模型DeeplabV3和PSPNet在脊柱侧弯X线片数据集上分别进行训练。实验结果表明,改进的U-Net模型的平均交并比(mean intersection over union,MIOU)值达到了94.72%,分别比PSPNet和DeeplabV3模型的MIOU值提升了5.36%和2.30%。最后,基于改进的U-Net模型设计了脊柱侧弯Cobb角的自动测量算法,并开发了可视化的自动测量软件。经过实际测试,发现在常规的电脑上输入一张患者的X线片,只需6.3 s即可自动计算Cobb角大小,其速度远快于医生手动测量,显著提高了医生的工作效率,表明本文设计的脊柱侧弯Cobb角自动测量方法是有效的。
许多大型组织拥有大量的子公司,进行事务处理时会产生大量的多源数据库,然而现有的数据挖掘只致力于对单个数据库的挖掘,由此,提出了多数据库挖掘技术。为了减少寻找相关数据的检索代价,在对多数据库进行挖掘和分析之前,首先要对多数据库进行分类。由于多数据库中包含大量数据,现有的分类算法Greedy Class的时间复杂度可达到O(m4),所需代价非常大。由此提出了Identify Completeclass算法用于对多数据库分类,其时间复杂度降为O(m3),并提出了相应的寻找最优完全分类算法Identify Best Classification,实验证明改进后的算法有较高的运行效率。
