近年来,医疗数据泄露频发,严重威胁患者隐私与健康安全,亟需有效的解决方案以保护医疗数据在传输过程中的隐私与安全性。该文提出了一种基于双忆阻类脑混沌神经网络的医疗物联网(Internet of Medical Things,IoMT)数据隐私保护方法,以...近年来,医疗数据泄露频发,严重威胁患者隐私与健康安全,亟需有效的解决方案以保护医疗数据在传输过程中的隐私与安全性。该文提出了一种基于双忆阻类脑混沌神经网络的医疗物联网(Internet of Medical Things,IoMT)数据隐私保护方法,以应对这一挑战。首先,利用忆阻器的突触仿生特性,构建了一种基于Hopfield神经网络的双忆阻类脑混沌神经网络模型,并通过分岔图、Lyapunov指数谱、相图、时域图及吸引盆等非线性动力学工具,深入揭示了模型的复杂混沌动力学特性。研究结果表明,该网络不仅展现出复杂的网格多结构混沌吸引子特性,还具有平面初值位移调控能力,从而显著增强了其密码学应用潜力。为了验证其实用性与可靠性,基于微控制器单元(MCU)搭建了硬件平台,并通过硬件实验进一步确认了模型的复杂动力学行为。基于此模型,该文设计了一种结合双忆阻类脑混沌神经网络复杂混沌特性的高效IoMT数据隐私保护方法。在此基础上,对彩色医疗图像数据的加密效果进行了全面的安全性分析。实验结果表明,该方法在关键性能指标上表现优异,包括大密钥空间、低像素相关性、高密钥敏感性,以及对噪声与数据丢失攻击的强鲁棒性。该研究为IoMT环境下的医疗数据隐私保护提供了一种创新且有效的解决方案,为未来的智能医疗安全技术发展奠定了坚实基础。展开更多
探地雷达(Ground Penetrating Radar, GPR)作为一种非破坏性的电磁探测技术,已广泛应用于市政工程、交通、军事等领域的探测.复杂的地下环境中,电磁波传播规律变得复杂,背景介质的介电常数难以准确获得.后向投影(Back Projection,BP)成...探地雷达(Ground Penetrating Radar, GPR)作为一种非破坏性的电磁探测技术,已广泛应用于市政工程、交通、军事等领域的探测.复杂的地下环境中,电磁波传播规律变得复杂,背景介质的介电常数难以准确获得.后向投影(Back Projection,BP)成像算法需要预知背景介质的相对介电常数,且需逐个计算各成像网格的散射强度值,计算效率低.本文提出一种基于深度学习的探地雷达自聚焦后向投影(Deep learning based Auto focusing BP,DABP)成像方法,设计了目标感兴趣区域(Region Of Interest,ROI)的检测模块,基于地下目标的空间稀疏特征,将YOLOX网络和BP成像机理相结合,快速检测出目标潜在区域,仅对该区域中的成像网格进行成像处理,避免全域的后向投影计算,大幅降低运算量.其次,针对介电常数未知情况下BP成像难以聚焦的问题,设计了一个自聚焦后向投影(Auto Focusing BP,AF-BP)成像模块,构建了BS-YOLOv5网络和相应的数据集,实现基于改进二分法的地下介质介电常数估计和自聚焦成像.然后,设计了一个基于双阈值和积分聚焦的伪影抑制(artifact suppression based on Double Threshold and Integral Focusing,DTIF)模块,进一步提高成像结果的聚焦度.开展了仿真和实测数据的成像处理和对比分析,与BP成像方法相比,仿真数据成像结果的ISLR指标下降了250%、SCR指标提升了131%;实测数据成像结果的ISLR指标下降了322%、SCR指标提升了72%,仿真实验和实测实验的成像速度均提升了300%,验证了所提方法在提高GPR成像效率和成像质量方面的有效性.展开更多
目的:非小细胞肺癌(non-small cell lung cancer,NSCLC)患者预后较差,且30%的患者在诊断时已处于晚期。EGFR和KRAS基因突变是影响NSCLC患者预后的重要因素,靶向治疗可显著改善这类患者的生存期。组织活检虽是检测基因突变的金标准,但存...目的:非小细胞肺癌(non-small cell lung cancer,NSCLC)患者预后较差,且30%的患者在诊断时已处于晚期。EGFR和KRAS基因突变是影响NSCLC患者预后的重要因素,靶向治疗可显著改善这类患者的生存期。组织活检虽是检测基因突变的金标准,但存在侵入性强、肿瘤异质性导致的取样误差及重复性差等问题。本研究旨在基于放射基因组学特征构建预测NSCLC患者的EGFR和KRAS基因突变的机器学习模型,以期为临床肿瘤精准治疗提供参考依据。方法:基于美国癌症影像档案(The Cancer Imaging Archive,TCIA)公开数据集中的Lung-PET-CT-Dx数据,纳入符合条件的NSCLC患者影像学及基因突变信息。采用三维卷积神经网络模型从感兴趣区(regions of interest,ROI)提取影像学特征。使用LightGBM算法对影像学特征进行建模,并分别构建预测EGFR和KRAS基因突变的分类模型。采用5折交叉验证评估模型的性能,并采用受试者操作特征(receiver operator characteristic,ROC)曲线及曲线下面积(area under the curve,AUC)、准确度、敏感度和特异度等指标进行性能验证。结果:本研究构建的模型能有效预测NSCLC患者的EGFR和KRAS基因突变,其中预测EGFR突变的AUC为0.95,KRAS突变的AUC为0.90。同时,模型具有较高的准确度(EGFR为89.66%;KRAS为87.10%)、敏感度(EGFR为93.33%;KRAS为87.50%)和特异度(EGFR为85.71%;KRAS为86.67%),均优于既往模型。结论:基于放射基因组学的机器学习预测模型可作为非侵入性的工具,用于预测NSCLC患者的EGFR与KRAS基因突变。展开更多
文摘近年来,医疗数据泄露频发,严重威胁患者隐私与健康安全,亟需有效的解决方案以保护医疗数据在传输过程中的隐私与安全性。该文提出了一种基于双忆阻类脑混沌神经网络的医疗物联网(Internet of Medical Things,IoMT)数据隐私保护方法,以应对这一挑战。首先,利用忆阻器的突触仿生特性,构建了一种基于Hopfield神经网络的双忆阻类脑混沌神经网络模型,并通过分岔图、Lyapunov指数谱、相图、时域图及吸引盆等非线性动力学工具,深入揭示了模型的复杂混沌动力学特性。研究结果表明,该网络不仅展现出复杂的网格多结构混沌吸引子特性,还具有平面初值位移调控能力,从而显著增强了其密码学应用潜力。为了验证其实用性与可靠性,基于微控制器单元(MCU)搭建了硬件平台,并通过硬件实验进一步确认了模型的复杂动力学行为。基于此模型,该文设计了一种结合双忆阻类脑混沌神经网络复杂混沌特性的高效IoMT数据隐私保护方法。在此基础上,对彩色医疗图像数据的加密效果进行了全面的安全性分析。实验结果表明,该方法在关键性能指标上表现优异,包括大密钥空间、低像素相关性、高密钥敏感性,以及对噪声与数据丢失攻击的强鲁棒性。该研究为IoMT环境下的医疗数据隐私保护提供了一种创新且有效的解决方案,为未来的智能医疗安全技术发展奠定了坚实基础。
文摘探地雷达(Ground Penetrating Radar, GPR)作为一种非破坏性的电磁探测技术,已广泛应用于市政工程、交通、军事等领域的探测.复杂的地下环境中,电磁波传播规律变得复杂,背景介质的介电常数难以准确获得.后向投影(Back Projection,BP)成像算法需要预知背景介质的相对介电常数,且需逐个计算各成像网格的散射强度值,计算效率低.本文提出一种基于深度学习的探地雷达自聚焦后向投影(Deep learning based Auto focusing BP,DABP)成像方法,设计了目标感兴趣区域(Region Of Interest,ROI)的检测模块,基于地下目标的空间稀疏特征,将YOLOX网络和BP成像机理相结合,快速检测出目标潜在区域,仅对该区域中的成像网格进行成像处理,避免全域的后向投影计算,大幅降低运算量.其次,针对介电常数未知情况下BP成像难以聚焦的问题,设计了一个自聚焦后向投影(Auto Focusing BP,AF-BP)成像模块,构建了BS-YOLOv5网络和相应的数据集,实现基于改进二分法的地下介质介电常数估计和自聚焦成像.然后,设计了一个基于双阈值和积分聚焦的伪影抑制(artifact suppression based on Double Threshold and Integral Focusing,DTIF)模块,进一步提高成像结果的聚焦度.开展了仿真和实测数据的成像处理和对比分析,与BP成像方法相比,仿真数据成像结果的ISLR指标下降了250%、SCR指标提升了131%;实测数据成像结果的ISLR指标下降了322%、SCR指标提升了72%,仿真实验和实测实验的成像速度均提升了300%,验证了所提方法在提高GPR成像效率和成像质量方面的有效性.
文摘目的:非小细胞肺癌(non-small cell lung cancer,NSCLC)患者预后较差,且30%的患者在诊断时已处于晚期。EGFR和KRAS基因突变是影响NSCLC患者预后的重要因素,靶向治疗可显著改善这类患者的生存期。组织活检虽是检测基因突变的金标准,但存在侵入性强、肿瘤异质性导致的取样误差及重复性差等问题。本研究旨在基于放射基因组学特征构建预测NSCLC患者的EGFR和KRAS基因突变的机器学习模型,以期为临床肿瘤精准治疗提供参考依据。方法:基于美国癌症影像档案(The Cancer Imaging Archive,TCIA)公开数据集中的Lung-PET-CT-Dx数据,纳入符合条件的NSCLC患者影像学及基因突变信息。采用三维卷积神经网络模型从感兴趣区(regions of interest,ROI)提取影像学特征。使用LightGBM算法对影像学特征进行建模,并分别构建预测EGFR和KRAS基因突变的分类模型。采用5折交叉验证评估模型的性能,并采用受试者操作特征(receiver operator characteristic,ROC)曲线及曲线下面积(area under the curve,AUC)、准确度、敏感度和特异度等指标进行性能验证。结果:本研究构建的模型能有效预测NSCLC患者的EGFR和KRAS基因突变,其中预测EGFR突变的AUC为0.95,KRAS突变的AUC为0.90。同时,模型具有较高的准确度(EGFR为89.66%;KRAS为87.10%)、敏感度(EGFR为93.33%;KRAS为87.50%)和特异度(EGFR为85.71%;KRAS为86.67%),均优于既往模型。结论:基于放射基因组学的机器学习预测模型可作为非侵入性的工具,用于预测NSCLC患者的EGFR与KRAS基因突变。
