针对地面多径环境下运动目标检测,使用最小绝对收缩与选择算子(LASSO)算法在参数估计时会出现伪目标的问题,提出一种基于LASSO模型框架的设计矩阵降维构造方法。首先,信号的多径传播能够带来目标检测的空间分集,信号在不同的多径上有不...针对地面多径环境下运动目标检测,使用最小绝对收缩与选择算子(LASSO)算法在参数估计时会出现伪目标的问题,提出一种基于LASSO模型框架的设计矩阵降维构造方法。首先,信号的多径传播能够带来目标检测的空间分集,信号在不同的多径上有不同的多普勒频移;此外,使用宽带正交频分复用(OFDM)信号能够带来频率分集。由于空间分集和频率分集的引入造成目标的稀疏特性。利用多径的稀疏性和对环境的先验知识,去估计稀疏向量。仿真结果表明,在一定信噪比(SNR,-5 d B)下,基于设计矩阵降维构造方法的改进的LASSO算法比基追踪算法(BP)、DS(Dantzig Selector)、LASSO等传统算法的检测性能有明显提高;在一定虚警率(0.1)条件下,改进的LASSO算法比原LASSO算法检测概率提高了30%。所提算法能够有效去除伪目标,提高雷达目标检测概率。展开更多
目的构建跟距联合畸形(talocalcaneal coalition)的X线影像组学模型,并检验其对跟距联合畸形的筛查诊断能力。方法回顾性分析2019年1月至2023年3月吉林大学中日联谊医院放射线科200例行踝关节或足部X线检查的患者临床放射资料(跟距联合...目的构建跟距联合畸形(talocalcaneal coalition)的X线影像组学模型,并检验其对跟距联合畸形的筛查诊断能力。方法回顾性分析2019年1月至2023年3月吉林大学中日联谊医院放射线科200例行踝关节或足部X线检查的患者临床放射资料(跟距联合阳性及阴性各100例),手动勾画跟距联合畸形所在影像学区域,基于Python-pyradiomics库初步提取影像组学特征,通过曼-惠特尼U检验及最小绝对收缩和选择算子(least absolute shrinkage and selection operator,LASSO)算法实现数据降维和特征筛选,用支持向量机(support vector machine,SVM)对筛选得到的影像组学特征分类建模,最终以受试者工作特征(receiver operating characteristic,ROC)曲线的曲线下面积(area under the curve,AUC)、精确度、召回率、敏感度、特异度及F1分数评价模型的诊断效能。结果从X线图像中初步提取到105个组学特征,经曼-惠特尼U检验及LASSO算法筛选出7个强相关性特征,最终以SVM分类器所构建模型的测试集AUC值为0.93,精确度、召回率、敏感度、特异度和F1分数分别为88%、85%、93%、92%、88%,对跟距联合畸形有良好的筛查诊断能力。结论基于X线的影像组学模型可作为筛查诊断跟距联合畸形的一种准确高效的无创性工具,帮助临床医师诊断跟距联合畸形。展开更多
文摘针对地面多径环境下运动目标检测,使用最小绝对收缩与选择算子(LASSO)算法在参数估计时会出现伪目标的问题,提出一种基于LASSO模型框架的设计矩阵降维构造方法。首先,信号的多径传播能够带来目标检测的空间分集,信号在不同的多径上有不同的多普勒频移;此外,使用宽带正交频分复用(OFDM)信号能够带来频率分集。由于空间分集和频率分集的引入造成目标的稀疏特性。利用多径的稀疏性和对环境的先验知识,去估计稀疏向量。仿真结果表明,在一定信噪比(SNR,-5 d B)下,基于设计矩阵降维构造方法的改进的LASSO算法比基追踪算法(BP)、DS(Dantzig Selector)、LASSO等传统算法的检测性能有明显提高;在一定虚警率(0.1)条件下,改进的LASSO算法比原LASSO算法检测概率提高了30%。所提算法能够有效去除伪目标,提高雷达目标检测概率。
文摘目的构建跟距联合畸形(talocalcaneal coalition)的X线影像组学模型,并检验其对跟距联合畸形的筛查诊断能力。方法回顾性分析2019年1月至2023年3月吉林大学中日联谊医院放射线科200例行踝关节或足部X线检查的患者临床放射资料(跟距联合阳性及阴性各100例),手动勾画跟距联合畸形所在影像学区域,基于Python-pyradiomics库初步提取影像组学特征,通过曼-惠特尼U检验及最小绝对收缩和选择算子(least absolute shrinkage and selection operator,LASSO)算法实现数据降维和特征筛选,用支持向量机(support vector machine,SVM)对筛选得到的影像组学特征分类建模,最终以受试者工作特征(receiver operating characteristic,ROC)曲线的曲线下面积(area under the curve,AUC)、精确度、召回率、敏感度、特异度及F1分数评价模型的诊断效能。结果从X线图像中初步提取到105个组学特征,经曼-惠特尼U检验及LASSO算法筛选出7个强相关性特征,最终以SVM分类器所构建模型的测试集AUC值为0.93,精确度、召回率、敏感度、特异度和F1分数分别为88%、85%、93%、92%、88%,对跟距联合畸形有良好的筛查诊断能力。结论基于X线的影像组学模型可作为筛查诊断跟距联合畸形的一种准确高效的无创性工具,帮助临床医师诊断跟距联合畸形。
