• <tr id="yyy80"></tr>
  • <sup id="yyy80"></sup>
  • <tfoot id="yyy80"><noscript id="yyy80"></noscript></tfoot>
  • 99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看 ?

    基于深度學習的肺結節(jié)診斷識別研究

    2019-10-18 02:57:59高喚李秀娟
    軟件導刊 2019年9期
    關鍵詞:卷積神經(jīng)網(wǎng)絡深度學習

    高喚 李秀娟

    摘 要:醫(yī)學圖像診斷領域的研究熱點是病灶點特征和精準定位,將深度學習應用到該領域后診斷效果明顯,但是不同深度學習模型之間存在差異性。重點介紹幾種重要的深度神經(jīng)網(wǎng)絡模型,總結深度學習在肺結節(jié)診斷識別中的研究進展,并提出將深度學習應用于肺結節(jié)臨床診斷識別所面臨的挑戰(zhàn)與機遇。

    關鍵詞:深度學習;肺結節(jié)診斷;卷積神經(jīng)網(wǎng)絡;醫(yī)學圖像

    DOI:10. 11907/rjdk. 191972 開放科學(資源服務)標識碼(OSID):

    中圖分類號:TP301文獻標識碼:A 文章編號:1672-7800(2019)009-0047-04

    Diagnosis and Recognition of Lung Nodules Based on Deep Learning

    GAO Huan, LI Xiu-juan

    (College of Electrical Engineering, Henan University of Technology, Zhengzhou 450001,China)

    Abstract: The research hotspots of medical image diagnosis are the characteristics of lesions and precise positioning. After applying deep learning to this field, we find the diagnostic effect is obvious, but there are differences between different depth learning models. This paper focuses on several important deep neural network models, summarizes the research progress of deep learning in the diagnosis and identification of pulmonary nodules, and proposes the challenges and opportunities for applying deep learning to the clinical diagnosis and identification of pulmonary nodules.

    Key Words:deep learning; pulmonary nodule diagnosis; convolutional neural network; medical imaging

    0 引言

    作為人類公敵的肺癌,是對人類生存威脅最大的惡性腫瘤之一,其發(fā)病率和死亡率目前均占所有惡性腫瘤首位[1-2]。降低肺癌死亡率、提高病人生存率,最關鍵的是早發(fā)現(xiàn)、早診斷、早治療。而肺結節(jié)作為早期肺癌的主要表現(xiàn)形式,及早發(fā)現(xiàn)與治療可以極大降低肺癌患者死亡率。人們生活水平和健康意識的不斷提高以及醫(yī)療設備的精細化發(fā)展,促進了肺結節(jié)診斷治療的發(fā)展,但同時也給傳統(tǒng)的醫(yī)生診斷帶來了大量數(shù)據(jù)量和工作量[3-4]。

    在醫(yī)學領域,肺結節(jié)診斷識別方法主要有影像學檢查、痰液細胞學檢查、纖維支氣管鏡檢查以及穿刺活檢等。而影像學X線計算機斷層攝影(X-ray Computed Tomography,CT)檢查由于其無創(chuàng)性而受到人們青睞,傳統(tǒng)肺結節(jié)診斷識別方法由影像科醫(yī)生通過逐張觀察被檢查者肺部CT圖像切片,依靠自身經(jīng)驗判斷是否有肺結節(jié)以及其良惡性。面對大數(shù)據(jù)的CT圖像,醫(yī)院現(xiàn)存在診斷肺結節(jié)耗時長、效率低、主觀性大等問題,而影像科醫(yī)生面對長時間的診斷分析工作,極易造成疲勞,容易導致漏診和誤診。因此,利用一些專業(yè)診斷分析工具[5],為醫(yī)生提供輔助診斷,減輕醫(yī)生負擔,從而為早期肺癌的判別提供客觀、科學的診斷依據(jù),推動醫(yī)療診斷的智能化、精細化發(fā)展尤為必要。在這些診斷分析工具中,深度學習由于其易學性、通用性、高效性及準確性,在醫(yī)學圖像診斷識別領域,尤其是肺結節(jié)診斷識別方面,正以極快的速度向前發(fā)展。

    近年來,隨著深度學習技術的不斷發(fā)展,很多深度神經(jīng)網(wǎng)絡(Deep Neural Networks,DNN)模型也被應用到醫(yī)學影像肺結節(jié)診斷中[6],歸納總結為兩類:有監(jiān)督學習方法和無監(jiān)督學習方法[7-13]。其中,有監(jiān)督學習包括卷積神經(jīng)網(wǎng)絡(Convolutional Neural Networks,CNN),無監(jiān)督學習包括棧式自動編碼器(Stacked Auto-Encoders,SAE)[14]、限制玻爾茲曼機(Restricted Boltzman Machines,RBM)、深度信念網(wǎng)絡(Deep Belief Networks,DBN)等[15]。

    本文重點介紹深度學習中幾個重要的深度神經(jīng)網(wǎng)絡模型并探討深度學習在肺結節(jié)診斷識別中的研究進展,最后進行總結,提出基于深度學習的肺結節(jié)臨床診斷識別所面臨的挑戰(zhàn)與機遇。

    1 幾種典型深度神經(jīng)網(wǎng)絡模型

    深度神經(jīng)網(wǎng)絡[16]是一種含多隱層的神經(jīng)網(wǎng)絡結構,能模擬人腦對外界的抽象機制。相比淺層神經(jīng)網(wǎng)絡學習,深度神經(jīng)網(wǎng)絡更加復雜,能夠提取更抽象的特征,具有以下優(yōu)點:①能最大程度地表示輸入輸出間的函數(shù)關系,泛化能力強;②參數(shù)遠遠小于同級別的淺層網(wǎng)絡,不僅降低連接復雜度,還能抑制過擬合。

    1.1 卷積神經(jīng)網(wǎng)絡

    CNN是一種備受青睞的深度神經(jīng)網(wǎng)絡,由于其輸入一般是帶標簽的數(shù)據(jù),故屬于有監(jiān)督學習。自2012年開始,CNN憑借其無與倫比的特征學習能力被廣泛應用于圖像識別、音頻識別等領域,同時許多科技公司相繼投入大量精力對其進行產(chǎn)品化研究。如圖1所示,CNN一般由3個基本單元構成,它們是卷積層(Convolutional Layer)、池化層(Pooling Layer)和全連接層(Fully Connected Layer),每層功能各不相同,通過合理安排連接順序可實現(xiàn)不同需求。

    一般地,在CNN結構中卷積層和池化層可多次交替出現(xiàn),在其頂層往往放置多個全連接層。尤其需要注意的是,除全連接層外,其余各層間神經(jīng)元都以局部連接方式相連。局部感知和權值共享是CNN實現(xiàn)特征提取的關鍵理論基礎,局部感知使得層間的局部連接能夠減少網(wǎng)絡參數(shù),權值共享能更有效地提取關鍵特征。如圖2所示,一個基本CNN框架包括卷積、池化和非線性激活這3步操作。

    1.2 自動編碼器

    自動編碼器是深度學習領域中最常用的模型之一。如圖3所示,自動編碼器將隱含層看作是編碼器與解碼器的組合,數(shù)據(jù)通過輸入與輸出間隱含層的編碼和解碼后基本保持不變。由于輸入數(shù)據(jù)通常無標記,因此隱含層編碼和解碼的過程就是對數(shù)據(jù)特征進行提取的過程。其學習目標是使重建的誤差最小化,訓練時往往采用共軛梯度法調整網(wǎng)絡參數(shù)。單個自動編碼器一般不足以產(chǎn)生具有顯著判別能力的特征,因此研究者們常把多個自動編碼器前后堆疊起來,這樣后層自動編碼器便能在前層自動編碼器中所學得的特征基礎上再進行深入學習,這便構成了棧式自動編碼器。不過,在網(wǎng)絡訓練時,如果誤差集中體現(xiàn)在前層自動編碼器中,后層自動編碼器的繼續(xù)學習將會失去作用,并且可能演變成對數(shù)據(jù)均值的學習。針對這種現(xiàn)象,有學者提出采用預訓練方式[17]。

    1.3 限制玻爾茲曼機

    RBM來源于玻爾茲曼機,之所以加上“限制”兩字,是因為它并不允許同一層中神經(jīng)元的相互連接。每個神經(jīng)元的輸出只有兩種狀態(tài),一般使用二進制的0和1表示。RBM具有兩層結構,即可見層(V層)和隱層(H層),兩層神經(jīng)元間全連接,但每層神經(jīng)元之間是獨立的,即每層神經(jīng)元之間無連接,如圖4所示。RBM是一種基于能量的模型,即能量最小化時網(wǎng)絡模型達到理想狀態(tài)。在給定的可見層單元狀態(tài)下,各隱層的激活條件獨立;同樣地,給定隱層單元狀態(tài)時,可見層的激活條件獨立[18]。

    1.4 深度信念網(wǎng)絡

    DBN由多個RBM組成,一個典型的DBN結構如圖5所示。DBN是由多層潛在隨機變量構成的概率生成模型。潛在變量通常具有二進制值,通常稱為隱藏單元或特征檢測器。最上面的兩層之間有無向的對稱連接,形成聯(lián)想記憶;較低的層從上面的層接收自頂向下的、定向的連接。最底層單元的狀態(tài)表示一個數(shù)據(jù)向量[19]。

    DBN有兩個最重要特性:一是它提供一個高效的、逐層的過程學習自頂向下、可生成的權重,其決定了一層中的變量如何依賴于上一層的變量;二是學習之后,每一層潛在變量的值都可以通過一個自底向上的單遍歷推斷,該遍歷從底層一個觀察到的數(shù)據(jù)向量開始,然后反向使用生成權值。

    DBN通過將一層中潛在變量的值作為訓練下一層的數(shù)據(jù)進行處理。可以遵循這種高效、貪婪的學習,或與其它學習過程相結合,微調所有權重,以提高整個網(wǎng)絡的生成或辨別性能??梢酝ㄟ^添加最后一層變量的期望輸出和反向傳播誤差導數(shù)進行區(qū)分性的微調。將具有多個隱層的網(wǎng)絡應用到高度結構化的輸入數(shù)據(jù),如圖像時,如果通過學習一個對輸入數(shù)據(jù)中結構建模的DBN初始化隱層中的特征檢測器,則反向傳播效果會更好。

    2 研究進展

    深度學習方法是根據(jù)相應算法完成肺結節(jié)的篩選[20-21]并進行判斷分類[22-25],可以比較完整地觀察整張切片而無遺漏,且不會受到疲勞狀態(tài)影響,其結果也較為客觀和全面。當前,深度學習方法結合CT圖像對肺結節(jié)進行診斷識別的研究較多。

    楊佳玲等[26]將自定義的DBN引入肺結節(jié)的良惡性診斷中,實現(xiàn)肺結節(jié)的分類算法。該算法首先提取感興趣區(qū)域,從形狀、灰度、紋理、空間位置這幾個方面提取87個不同的肺結節(jié)特征,并構造特征向量[27];然后對提取的特征進行研究分析,構建出5層DBN,該網(wǎng)絡包括3個隱層,一個輸入、一個二分類輸出層;最后對所構建DBN模型進行訓練測試,并給出測試指標。對來自肺部圖像數(shù)據(jù)庫聯(lián)盟(Lung Image Database Consortium,LIDC)與某醫(yī)院的206個CT病例進行訓練測試,結果表明該算法指標分別是分類精度95.3%、敏感性92.5%和特異性93.2%,ROC曲線下面積為0.921。

    Song等[28]比較分析了用于肺癌鈣化檢測的3種深度神經(jīng)網(wǎng)絡模型,分別是CNN、DNN、SAE,并將這些網(wǎng)絡模型應用于CT圖像中,在LIDC數(shù)據(jù)庫上對肺結節(jié)良惡性進行診斷分類、預測評估。實驗結果表明,CNN的性能優(yōu)于DNN和SAE,準確率為84.15%,靈敏度為83.96%,特異性為84.32%,在3種網(wǎng)絡中效果最好。

    Shen等[29]提出了一種多作物卷積神經(jīng)網(wǎng)絡(Multi-crop Convolutional Neutral Network,MC-CNN),通過對卷積特征圖中不同區(qū)域的作物進行池化處理,然后在不同的時間應用最大池化處理技術,自動提取結節(jié)的突出信息。通過在LIDC數(shù)據(jù)庫上進行大量實驗,結果表明,提出的方法能獲得最先進的結節(jié)可疑性分類性能,其分類精度、敏感性和特異性分別為87.14%,77%和93%,ROC曲線下面積為0.93。同時,所提出的網(wǎng)絡能有效地表征結節(jié)的語義屬性(細微度和邊緣)和結節(jié)直徑,對結節(jié)良惡性建模診斷很有幫助。

    Raunak等[30]提出從三維圖像直接映射到類標簽,為了實現(xiàn)這一目標,構造了四種雙通路卷積神經(jīng)網(wǎng)絡,包括一個基本的3D CNN、一個新的多輸出網(wǎng)絡、一個3D DenseNet和一個具有多輸出的增強3D DenseNet。通過在LIDC數(shù)據(jù)集上對這4個網(wǎng)絡進行評估,顯示其性能優(yōu)于大多數(shù)現(xiàn)有方法,特別是3D多輸出DenseNet (MoDenseNet),在端到端肺結節(jié)診斷任務上達到了最先進的分類精度,其分類精度、敏感性和特異性分別為90.40%,90.47%和90.33%,ROC曲線下面積為0.954 8。此外,研究者認為在LIDC數(shù)據(jù)集上預先訓練的網(wǎng)絡可作進一步擴展,通過遷移學習處理更小的數(shù)據(jù)集。在肺結節(jié)分類中的預測準確性也證明了這一點。

    苗光等[31]提出了一種二維和三維卷積神經(jīng)網(wǎng)絡相結合的肺結節(jié)檢測方法。該方法首先采用改進的2D全卷積神經(jīng)網(wǎng)絡U-net檢測候選結節(jié)[32]。針對原始U-net模型在訓練時,會出現(xiàn)過擬合現(xiàn)象,通過改變網(wǎng)絡輸入圖片大小、添加Batch-Normalization層、采用Leaky-ReLU、加入dropout策略等方法抽取候選結節(jié)。隨后,將多層切片中的候選結節(jié)通過計算歐式距離并參考注釋文件等方法進行合并,并根據(jù)計算出的均值坐標,提取出疑似結節(jié)的三維立體圖像塊。之后,構造出一個7層的3D卷積神經(jīng)網(wǎng)絡框架用于去除結節(jié)的假陽性,該框架包含一個輸入層、三個卷積層、一個池化層、一個全連接層和一個Softmax分類器。將提取的候選結節(jié)送入構建的3D CNN模型中進行二分類處理以去除假陽性結節(jié)。在LIDC數(shù)據(jù)集上,平均每位患者為36.2個假陽性時,結節(jié)初步檢測召回率時為98.2%;在假陽性去除后,假陽性為1和4時,準確率分別是87.3%和97.0%。該方法采用3D CNN能更加有效地提取到結節(jié)原有的空間信息,有效解決了肺結節(jié)識別效率不高及大量假陽性問題。

    3 結語

    綜上所述,基于深度學習的肺結節(jié)診斷識別,能有效克服傳統(tǒng)醫(yī)生診斷存在診斷識別速度慢、認知能力參差不齊、工作強度大等問題,可提高肺結節(jié)診斷識別精度,還可減少醫(yī)生工作量,輔助醫(yī)生進行診斷分析,其診斷結果具有客觀穩(wěn)定性,極大提高了診斷精度及工作效率。

    但將深度學習方法徹底應用于肺結節(jié)的臨床診斷識別尚存在一些問題[33]:①深度神經(jīng)網(wǎng)絡模型提取的肺結節(jié)特征不可見,這給分析不同特征的重要程度造成困難;②在有監(jiān)督的深度學習方法中,需要大量地訓練和測試樣本,以期得到較高的精確度,但醫(yī)學圖像往往涉及病患私密性等,增加了樣本的獲取難度;③深度學習訓練及測試時,由于運算量較大,因而對內(nèi)存、CPU及GPU等硬件要求高,且訓練及測試時間較長[34];④深度學習并不能完全取代人工,它必須依賴已有臨床專家標注的肺結節(jié)樣本,才能實現(xiàn)對新樣本的診斷和識別,而在肺癌診斷方面,由于患者個體差異,一般并不能完全保證所取樣本的全面性。

    根據(jù)2016年國家科技部“精準醫(yī)學研究”重點專項項目研發(fā)計劃[35]以及《2018年醫(yī)療人工智能技術與應用白皮書》,再結合目前醫(yī)療改革趨勢可知,在醫(yī)學影像學領域,不僅僅是在肺結節(jié)診斷識別中,深度學習在很多領域的應用將更加深入;并且,隨著深度學習方法的日趨完善,采用遷移學習及弱監(jiān)督學習[36-38], 有效結合無監(jiān)督預訓練和監(jiān)督學習的優(yōu)點進行肺結節(jié)診斷識別,可充分利用大量未標注數(shù)據(jù)以保證樣本的全面性??梢灶A測,采用深度學習方法實現(xiàn)肺結節(jié)的輔助臨床診斷識別將成為現(xiàn)實。

    參考文獻:

    [1] 周清華,范亞光,王穎,等. 中國肺癌低劑量螺旋CT篩查指南(2018 年版)[J]. ?Chinese Journal of Lung Cancer,2018,21(2):67.

    [2] NETTO S M B, SILVA A C, NUNES R A, et al. Automatic segmentation of lung nodules with growing neural gas and support vector machine[J]. Computers in biology and medicine,2012, 42(11): 1110-1121.

    [3] 鄭光遠,劉峽壁,韓光輝. 醫(yī)學影像計算機輔助檢測與診斷系統(tǒng)綜述[J]. 軟件學報, 2018, 29(5): 1471-1514.

    [4] 聶貞慧,劉麗東,蘇丹柯. 基于深度學習的X線診斷乳腺癌研究進展[J]. 中國醫(yī)學影像技術,2019,35(5): 774-777.

    [5] 陳詩慧,劉維湘,秦璟,等. 基于深度學習和醫(yī)學圖像的癌癥計算機輔助診斷研究進展[J]. 生物醫(yī)學工程學雜志,2017,34(2):314-319.

    [6] KOMMRUSCH S,POUCHET L N. Synthetic lung nodule 3D image generation using autoencoders[J]. ?arXiv preprint arXiv:1811.07999, 2018.

    [7] AFFONSO C,ROSSI A L D,VIEIRA F H A,et al. Deep learning for biological image classification[J]. Expert Systems with Applications,2017,85:114-122.

    [8] 劉飛,張俊然,楊豪. 基于深度學習的醫(yī)學圖像識別研究進展[J]. 中國生物醫(yī)學工程學報, 2018,37(1):86-94.

    [9] 蕭毅,夏晨,張榮國,等. 人工智能技術在醫(yī)學影像中的應用討論[J]. 第二軍醫(yī)大學學報, 2018,39(8):813-818.

    [10] SERJ M F,LAVI B,HOFF G,et al. A deep convolutional neural network for lung cancer diagnostic[J]. arXiv Preprint arXiv:1804. 08170, 2018.

    [11] LASHARI S A, IBRAHIM R. A framework for medical images classification using soft set[J]. Procedia Technology,2013,11:548-556.

    [12] LITJENS G,KOOI T,BEJNORDI B E,et al. A survey on deep learning in medical image analysis[J]. Medical Image Analysis,2017,42:60-88.

    [13] LUNDERVOLD A S, LUNDERVOLD A. An overview of deep learning in medical imaging focusing on MRI[J]. Zeitschrift für Medizinische Physik,2019,29(2):102-127.

    [14] KURUVILLA J,GUNAVATHI K. Lung cancer classification using neural networks for CT images[J]. Computer Methods and Programs in Biomedicine,2014,113(1):202-209.

    [15] LECUN Y,BENGIO Y,HINTON G. Deep learning[J]. Nature,2015,521(7553):436.

    [16] SCHMIDHUBER J. Deep learning in neural networks: An overview[J]. Neural networks, 2015,61:85-117.

    [17] HINTON G E,SALAKHUTDINOV R R. Reducing the dimensionality of data with neural networks[J]. Science,2006,313(5786):504-507.

    [18] ACKLEY D H,HINTON G E,SEJNOWSKI T J. A learning algorithm for boltzmann machines[J].Cognitive Science,1985,9(1):147-169.

    [19] HINTON G E,OSINDERO S,TEH Y W. A fast learning algorithm for deep belief nets[J]. Neural Computation,2006,18(7):1527-1554.

    [20] LAI M.Deep learning for medical image segmentation[DB/OL]. arXiv Preprint arXiv:1505.02000, 2015.

    [21] LAI Z F,DENG H F.Medical image classification based on deep features extracted by deep model and statistic feature fusion with multilayer perceptron[J]. Computational Intelligence and Neuroscience,2018.

    [22] CAUSEY J L,ZHANG J,MA S,et al. Highly accurate model for prediction of lung nodule malignancy with CT scans[R]. Scientific Reports,2018-06-18.

    [23] DE BRUIJNE M. Machine learning approaches in medical image analysis: From detection to diagnosis[J]. Medical Image Analysis,2016,33(11):94-97.

    [24] KRIZHEVSKY A,SUTSKEVER I,HINTON G E. Imagenet classification with deep convolutional neural networks[C]. Advances in Neural Information Processing Systems,2012:1097-1105.

    [25] FROZ B R,DE CARVALHO FILHO A O,SILVA A C, et al. Lung nodule classification using artificial crawlers, directional texture and support vector machine[J]. Expert Systems with Applications,2017,69:176-188.

    [26] 楊佳玲,趙涓涓,強彥,等. 基于深度信念網(wǎng)絡的肺結節(jié)良惡性分類[J]. 科學技術與工程,2016(32):69-74.

    [27] JACOBS C,VAN RIKXOORT E M,TWELLMANN T,et al. Automatic detection of subsolid pulmonary nodules in thoracic computed tomography images[J]. Medical Image Analysis,2014,18(2):374-384.

    [28] SONG Q Z,ZHAO L,LUO X K,et al. Using deep learning for classification of lung nodules on computed tomography images[J]. Journal of Healthcare Engineering,2017(8):1-7.

    [29] SHEN W,ZHOU M,YANG F,et al. Multi-crop convolutional neural networks for lung nodule malignancy suspiciousness classification[J]. ?Pattern Recognition,2017,61: 663-673.

    [30] DEY R,LU Z,HONG Y.D iagnostic classification of lung nodules using 3D neural networks[C]. 2018 IEEE 15th International Symposium on Biomedical Imaging,2018:774-778.

    [31] 苗光,李朝鋒. 二維和三維卷積神經(jīng)網(wǎng)絡相結合的CT圖像肺結節(jié)檢測方法[J]. 激光與光電子學進展,2018,55(5):051006.

    [32] ALOM M Z,HASAN M,YAKOPCIC C,et al. Recurrent residual convolutional neural network based on u-net (R2U-net) for medical image segmentation[DB/OL]. https://arxiv.org/ftp/arxiv/papers/1802/1802.06955.pdf.

    [33] RAZZAK M I,NAZ S, ZAIB A. Classification in BioApps:deep learning for medical image processing: overview, challenges and the future[M]. Heidelberg: Springer,2018.

    [34] 竇瑞欣. 深度學習算法在醫(yī)學影像學中的應用及研究進展[J]. 中國醫(yī)學計算機成像雜志, 2018,24(5): 369-372.

    [35] 田娟秀,劉國才,谷珊珊,等. 醫(yī)學圖像分析深度學習方法研究與挑戰(zhàn)[J]. 自動化學報, 2018,44(3):401-424.

    [36] TAJBAKHSH N,SHIN J Y,GURUDU S R,et al. Convolutional neural networks for medical image analysis: full training or fine tuning[J]. IEEE transactions on medical imaging,2016,35(5):1299-1312.

    [37] KIM H E,HWANG S. Deconvolutional feature stacking for weakly-supervised semantic segmentation[DB/OL]. https://arxiv.org/pdf/1602.04984.pdf.

    [38] SHIN H C,ROTH H R,GAO M,et al.Deep convolutional neural networks for computer-aided detection: CNN architectures, dataset characteristics and transfer learning[J]. IEEE Transactions on Medical Imaging,2016,35(5): 1285-1298.

    (責任編輯:孫 娟)

    猜你喜歡
    卷積神經(jīng)網(wǎng)絡深度學習
    基于卷積神經(jīng)網(wǎng)絡溫室智能大棚監(jiān)控系統(tǒng)的研究
    基于深度卷積神經(jīng)網(wǎng)絡的物體識別算法
    有體驗的學習才是有意義的學習
    電子商務中基于深度學習的虛假交易識別研究
    MOOC與翻轉課堂融合的深度學習場域建構
    大數(shù)據(jù)技術在反恐怖主義中的應用展望
    深度學習算法應用于巖石圖像處理的可行性研究
    軟件導刊(2016年9期)2016-11-07 22:20:49
    基于深度卷積網(wǎng)絡的人臉年齡分析算法與實現(xiàn)
    軟件工程(2016年8期)2016-10-25 15:47:34
    基于卷積神經(jīng)網(wǎng)絡的樹葉識別的算法的研究
    亚洲av成人精品一区久久| 2022亚洲国产成人精品| 国产女主播在线喷水免费视频网站| 国产av精品麻豆| 99精国产麻豆久久婷婷| 亚洲欧美色中文字幕在线| 天天影视国产精品| 18+在线观看网站| 老司机影院成人| 热99国产精品久久久久久7| 曰老女人黄片| 99热6这里只有精品| 一级毛片我不卡| 日本欧美国产在线视频| 91精品三级在线观看| 99re6热这里在线精品视频| 日日啪夜夜爽| 亚洲人成网站在线观看播放| 免费黄网站久久成人精品| 午夜影院在线不卡| 国产不卡av网站在线观看| 黄色配什么色好看| 全区人妻精品视频| 婷婷色麻豆天堂久久| 人妻制服诱惑在线中文字幕| 精品熟女少妇av免费看| 欧美精品人与动牲交sv欧美| 国产 一区精品| 亚洲美女视频黄频| 亚洲美女黄色视频免费看| 国产成人精品福利久久| 精品久久国产蜜桃| 午夜av观看不卡| 国产av精品麻豆| 伦精品一区二区三区| 精品99又大又爽又粗少妇毛片| 亚洲图色成人| 欧美变态另类bdsm刘玥| 免费av不卡在线播放| 在线看a的网站| 欧美精品一区二区免费开放| 美女国产视频在线观看| 黄片播放在线免费| 99久国产av精品国产电影| 国产日韩欧美视频二区| 国产亚洲一区二区精品| 97在线人人人人妻| 国产又色又爽无遮挡免| 免费观看在线日韩| 中文欧美无线码| 美女国产视频在线观看| 免费av中文字幕在线| 一级二级三级毛片免费看| 日韩成人av中文字幕在线观看| 亚洲成人手机| 大香蕉97超碰在线| 蜜桃国产av成人99| 在线观看免费视频网站a站| 久久精品国产鲁丝片午夜精品| 亚洲三级黄色毛片| 99re6热这里在线精品视频| 最近中文字幕2019免费版| 国产精品 国内视频| 日本午夜av视频| 18禁裸乳无遮挡动漫免费视频| 欧美国产精品一级二级三级| av国产久精品久网站免费入址| 国产精品久久久久久av不卡| 欧美xxxx性猛交bbbb| 国产爽快片一区二区三区| 一级爰片在线观看| 亚洲性久久影院| 99视频精品全部免费 在线| 亚洲欧美精品自产自拍| 一级毛片aaaaaa免费看小| 亚洲欧美清纯卡通| 欧美bdsm另类| 人妻一区二区av| 欧美日韩亚洲高清精品| 韩国高清视频一区二区三区| xxx大片免费视频| 国产免费福利视频在线观看| 熟女av电影| 欧美+日韩+精品| 高清在线视频一区二区三区| 欧美xxxx性猛交bbbb| 国产一区二区在线观看av| 男女边摸边吃奶| 久久女婷五月综合色啪小说| 午夜福利,免费看| 成人午夜精彩视频在线观看| 新久久久久国产一级毛片| 中文字幕免费在线视频6| 国产成人av激情在线播放 | 日日啪夜夜爽| 国产黄片视频在线免费观看| 99精国产麻豆久久婷婷| 欧美丝袜亚洲另类| 99九九线精品视频在线观看视频| 国产免费福利视频在线观看| 人妻制服诱惑在线中文字幕| 99久久精品一区二区三区| 91成人精品电影| 十八禁高潮呻吟视频| 嘟嘟电影网在线观看| 国产视频内射| 少妇人妻精品综合一区二区| 日韩 亚洲 欧美在线| 老司机亚洲免费影院| 亚洲精品久久午夜乱码| 亚洲国产日韩一区二区| 欧美人与善性xxx| 欧美变态另类bdsm刘玥| 国产女主播在线喷水免费视频网站| 99视频精品全部免费 在线| 国产精品.久久久| 国产精品麻豆人妻色哟哟久久| 久久久久国产精品人妻一区二区| 中文乱码字字幕精品一区二区三区| 熟女人妻精品中文字幕| videossex国产| 在线观看免费高清a一片| 卡戴珊不雅视频在线播放| 久久97久久精品| 亚洲综合精品二区| 欧美日韩国产mv在线观看视频| 人妻人人澡人人爽人人| 久久久久国产精品人妻一区二区| 精品少妇久久久久久888优播| av国产精品久久久久影院| 人妻制服诱惑在线中文字幕| 99久久综合免费| 久久久久久久久大av| 大陆偷拍与自拍| 午夜免费男女啪啪视频观看| 国产亚洲精品第一综合不卡 | 午夜av观看不卡| 精品久久蜜臀av无| 免费久久久久久久精品成人欧美视频 | 制服丝袜香蕉在线| 亚洲av日韩在线播放| 国产精品久久久久久久电影| 伊人久久精品亚洲午夜| 老司机影院毛片| 国产熟女欧美一区二区| 国产欧美亚洲国产| 国产成人精品福利久久| 免费人成在线观看视频色| 国产一区有黄有色的免费视频| h视频一区二区三区| 考比视频在线观看| 午夜免费观看性视频| 99热这里只有精品一区| 最近2019中文字幕mv第一页| 少妇 在线观看| 黄色视频在线播放观看不卡| 亚洲五月色婷婷综合| 国产精品麻豆人妻色哟哟久久| 久久女婷五月综合色啪小说| 婷婷色综合大香蕉| 黑人猛操日本美女一级片| 大香蕉97超碰在线| av黄色大香蕉| 国产精品一区二区在线观看99| 亚洲色图 男人天堂 中文字幕 | 在线观看人妻少妇| 国产精品一区二区三区四区免费观看| 视频区图区小说| av在线播放精品| 亚洲成人一二三区av| 老女人水多毛片| 性高湖久久久久久久久免费观看| 久久精品国产自在天天线| 日韩不卡一区二区三区视频在线| 亚洲精品色激情综合| 91在线精品国自产拍蜜月| 我要看黄色一级片免费的| 亚洲精品中文字幕在线视频| 久久av网站| 国产成人精品福利久久| 久久热精品热| 国产熟女午夜一区二区三区 | 制服丝袜香蕉在线| 91午夜精品亚洲一区二区三区| 99热国产这里只有精品6| 亚洲av男天堂| 91久久精品国产一区二区三区| 日日爽夜夜爽网站| 中文字幕精品免费在线观看视频 | 亚洲少妇的诱惑av| 高清毛片免费看| 日本91视频免费播放| 久久久精品免费免费高清| 性高湖久久久久久久久免费观看| 满18在线观看网站| 男女啪啪激烈高潮av片| 欧美日韩在线观看h| 在线观看免费日韩欧美大片 | 久热这里只有精品99| 午夜福利视频在线观看免费| 新久久久久国产一级毛片| 青春草国产在线视频| 久久这里有精品视频免费| 永久免费av网站大全| 搡女人真爽免费视频火全软件| 亚洲高清免费不卡视频| 亚洲av不卡在线观看| av有码第一页| 亚洲熟女精品中文字幕| xxxhd国产人妻xxx| 在线 av 中文字幕| 一级毛片aaaaaa免费看小| 交换朋友夫妻互换小说| 在线观看美女被高潮喷水网站| 亚洲国产色片| 丝袜喷水一区| 日本黄大片高清| 大码成人一级视频| 亚洲欧美中文字幕日韩二区| 午夜影院在线不卡| 夜夜看夜夜爽夜夜摸| 人成视频在线观看免费观看| 国产精品偷伦视频观看了| 亚洲激情五月婷婷啪啪| 五月伊人婷婷丁香| 成人黄色视频免费在线看| 亚洲天堂av无毛| 国产男人的电影天堂91| 午夜激情久久久久久久| 美女福利国产在线| 在线观看国产h片| xxxhd国产人妻xxx| 精品少妇内射三级| 久久精品久久精品一区二区三区| 日韩精品有码人妻一区| 91国产中文字幕| 国产国语露脸激情在线看| 精品久久久久久电影网| 午夜激情久久久久久久| 亚洲,一卡二卡三卡| 在现免费观看毛片| 欧美xxxx性猛交bbbb| 中文字幕免费在线视频6| 久热这里只有精品99| 99精国产麻豆久久婷婷| av播播在线观看一区| 黄片播放在线免费| 欧美成人精品欧美一级黄| www.av在线官网国产| 日韩伦理黄色片| 美女福利国产在线| 国产一区有黄有色的免费视频| 高清黄色对白视频在线免费看| 日本午夜av视频| 啦啦啦在线观看免费高清www| 国产精品99久久99久久久不卡 | 一级爰片在线观看| 欧美一级a爱片免费观看看| 国产午夜精品一二区理论片| 人妻一区二区av| av在线观看视频网站免费| 青春草亚洲视频在线观看| 国产无遮挡羞羞视频在线观看| 精品亚洲成a人片在线观看| 人人妻人人爽人人添夜夜欢视频| 欧美精品人与动牲交sv欧美| 亚洲伊人久久精品综合| 国产亚洲精品久久久com| tube8黄色片| 亚洲精品aⅴ在线观看| 亚洲精品国产色婷婷电影| 婷婷成人精品国产| videosex国产| 99久久中文字幕三级久久日本| 国产亚洲精品久久久com| 少妇的逼水好多| 又大又黄又爽视频免费| 麻豆乱淫一区二区| 欧美日韩综合久久久久久| 激情五月婷婷亚洲| 精品一区二区三卡| 大码成人一级视频| 十八禁高潮呻吟视频| 国产精品无大码| 在线 av 中文字幕| 精品人妻偷拍中文字幕| 亚洲综合精品二区| 国产成人精品在线电影| 亚洲国产精品一区三区| 久久毛片免费看一区二区三区| 日日撸夜夜添| 亚洲精品一区蜜桃| 亚洲欧美成人综合另类久久久| 久久久久精品性色| 精品国产露脸久久av麻豆| 亚洲精品久久午夜乱码| 中国美白少妇内射xxxbb| 日韩中文字幕视频在线看片| 久久久久久人妻| 人成视频在线观看免费观看| 美女内射精品一级片tv| 少妇的逼水好多| 国产有黄有色有爽视频| 日韩成人av中文字幕在线观看| 久久狼人影院| 久久久国产精品麻豆| 纵有疾风起免费观看全集完整版| av福利片在线| av免费在线看不卡| 精品午夜福利在线看| 免费观看性生交大片5| 国产日韩欧美亚洲二区| 波野结衣二区三区在线| 亚洲综合色惰| 国产精品久久久久成人av| 久久久a久久爽久久v久久| 国产永久视频网站| av国产精品久久久久影院| 丁香六月天网| a级毛片在线看网站| 夫妻性生交免费视频一级片| 中文精品一卡2卡3卡4更新| 久久人人爽人人片av| 国产白丝娇喘喷水9色精品| 国产欧美另类精品又又久久亚洲欧美| 国产黄色视频一区二区在线观看| 亚洲,欧美,日韩| 亚洲怡红院男人天堂| 亚洲精品aⅴ在线观看| 午夜福利影视在线免费观看| 99国产综合亚洲精品| 91在线精品国自产拍蜜月| 国产成人一区二区在线| 亚洲情色 制服丝袜| 秋霞伦理黄片| 免费久久久久久久精品成人欧美视频 | 国产综合精华液| 免费人成在线观看视频色| 中国三级夫妇交换| 精品人妻一区二区三区麻豆| 精品一区二区免费观看| 欧美日韩亚洲高清精品| 国产精品成人在线| 成人二区视频| 国产熟女午夜一区二区三区 | 亚洲av.av天堂| 免费黄网站久久成人精品| 如日韩欧美国产精品一区二区三区 | 国产乱人偷精品视频| 日本与韩国留学比较| 人妻系列 视频| 91久久精品电影网| 黄色怎么调成土黄色| 成人午夜精彩视频在线观看| 国产精品三级大全| 亚洲av成人精品一区久久| 日韩大片免费观看网站| 国产亚洲av片在线观看秒播厂| 视频区图区小说| 久久久久国产精品人妻一区二区| 91午夜精品亚洲一区二区三区| 国产精品嫩草影院av在线观看| 亚洲中文av在线| 一级毛片电影观看| 亚洲国产毛片av蜜桃av| 国产国拍精品亚洲av在线观看| 久久精品国产鲁丝片午夜精品| 亚洲怡红院男人天堂| 亚洲美女搞黄在线观看| 亚洲国产av影院在线观看| 超碰97精品在线观看| 国产一区二区三区av在线| 国产日韩欧美视频二区| 国产一区二区三区av在线| 啦啦啦啦在线视频资源| 亚洲天堂av无毛| 亚洲av综合色区一区| 亚洲精品,欧美精品| 建设人人有责人人尽责人人享有的| 久久久午夜欧美精品| 国产精品国产三级国产专区5o| 这个男人来自地球电影免费观看 | 在线观看免费日韩欧美大片 | 日韩大片免费观看网站| 日韩视频在线欧美| 一级毛片电影观看| 亚洲,欧美,日韩| 久久久久久久精品精品| www.av在线官网国产| 啦啦啦视频在线资源免费观看| 国产在线免费精品| av卡一久久| 久久久久久久久久久免费av| 毛片一级片免费看久久久久| 免费av不卡在线播放| 人妻人人澡人人爽人人| 午夜福利网站1000一区二区三区| 欧美日韩av久久| 纵有疾风起免费观看全集完整版| 亚洲精品第二区| 国产精品 国内视频| 国内精品宾馆在线| 精品人妻偷拍中文字幕| 天堂俺去俺来也www色官网| 视频在线观看一区二区三区| 建设人人有责人人尽责人人享有的| 久久久午夜欧美精品| 丰满饥渴人妻一区二区三| 视频在线观看一区二区三区| 免费看av在线观看网站| 国产一区二区在线观看日韩| 高清在线视频一区二区三区| 中文精品一卡2卡3卡4更新| h视频一区二区三区| 国产片内射在线| 午夜福利,免费看| 久久99热这里只频精品6学生| 国产一区二区三区综合在线观看 | 久久久久久久国产电影| 女人精品久久久久毛片| 日韩精品免费视频一区二区三区 | 国产高清有码在线观看视频| 大陆偷拍与自拍| 日本欧美国产在线视频| 亚洲av国产av综合av卡| 亚洲av综合色区一区| 26uuu在线亚洲综合色| 亚洲精品第二区| 亚洲美女黄色视频免费看| 亚洲国产成人一精品久久久| www.色视频.com| 国产成人精品一,二区| 国产亚洲欧美精品永久| 日日摸夜夜添夜夜添av毛片| 久久精品久久精品一区二区三区| 最近中文字幕2019免费版| 日韩亚洲欧美综合| 亚洲精品亚洲一区二区| 欧美日韩亚洲高清精品| 成人国语在线视频| 夜夜爽夜夜爽视频| 国产视频首页在线观看| 国产精品一区二区三区四区免费观看| videossex国产| 满18在线观看网站| 韩国高清视频一区二区三区| 一区二区av电影网| 在线观看一区二区三区激情| 国产精品欧美亚洲77777| 国产又色又爽无遮挡免| 99九九线精品视频在线观看视频| 久久久久久久久久久免费av| 国产精品嫩草影院av在线观看| 亚洲激情五月婷婷啪啪| 日韩在线高清观看一区二区三区| 两个人的视频大全免费| av电影中文网址| 亚洲,欧美,日韩| 一边亲一边摸免费视频| 亚洲人成网站在线播| 国产极品天堂在线| 黄色视频在线播放观看不卡| 满18在线观看网站| 毛片一级片免费看久久久久| 国产亚洲av片在线观看秒播厂| 亚洲美女视频黄频| 晚上一个人看的免费电影| 91午夜精品亚洲一区二区三区| 国产亚洲精品久久久com| 久久久久久久久久人人人人人人| 午夜免费鲁丝| 久久这里有精品视频免费| 爱豆传媒免费全集在线观看| 亚洲图色成人| 91aial.com中文字幕在线观看| 我要看黄色一级片免费的| 国产男女超爽视频在线观看| 男男h啪啪无遮挡| 国产精品一区二区三区四区免费观看| 视频中文字幕在线观看| a级片在线免费高清观看视频| 有码 亚洲区| 久久精品熟女亚洲av麻豆精品| 成人国产av品久久久| 成人亚洲欧美一区二区av| 丰满少妇做爰视频| 亚洲av二区三区四区| 少妇人妻 视频| 久久久精品94久久精品| 午夜福利视频在线观看免费| 97超视频在线观看视频| 精品99又大又爽又粗少妇毛片| 日韩精品有码人妻一区| 久久久久久久国产电影| 26uuu在线亚洲综合色| 国产精品蜜桃在线观看| 大香蕉久久成人网| 黄色视频在线播放观看不卡| 久久久亚洲精品成人影院| 曰老女人黄片| 夫妻性生交免费视频一级片| 美女xxoo啪啪120秒动态图| 两个人免费观看高清视频| 一边亲一边摸免费视频| 精品久久久噜噜| xxx大片免费视频| 日本欧美视频一区| 中国三级夫妇交换| 欧美精品高潮呻吟av久久| 久久久久久伊人网av| 老熟女久久久| 亚洲国产精品专区欧美| 亚洲少妇的诱惑av| 色吧在线观看| 91成人精品电影| 一本色道久久久久久精品综合| 伊人久久国产一区二区| 草草在线视频免费看| 国产日韩欧美亚洲二区| 一本色道久久久久久精品综合| 亚洲国产毛片av蜜桃av| 大码成人一级视频| 精品一区二区三卡| 亚洲欧洲日产国产| 秋霞伦理黄片| 九色成人免费人妻av| 欧美激情国产日韩精品一区| 国产亚洲精品久久久com| 国产午夜精品久久久久久一区二区三区| 亚洲不卡免费看| 免费av中文字幕在线| 国产白丝娇喘喷水9色精品| 精品人妻熟女av久视频| 亚洲av成人精品一二三区| 人妻 亚洲 视频| 一区二区三区四区激情视频| 亚洲欧美精品自产自拍| 简卡轻食公司| 久久久亚洲精品成人影院| 国产乱来视频区| 国产熟女午夜一区二区三区 | 亚洲成人av在线免费| 少妇猛男粗大的猛烈进出视频| 九草在线视频观看| 黄色怎么调成土黄色| 精品人妻熟女毛片av久久网站| 9色porny在线观看| 亚洲精品美女久久av网站| 高清不卡的av网站| 少妇高潮的动态图| 亚洲欧美日韩卡通动漫| 国产精品.久久久| 能在线免费看毛片的网站| 免费观看在线日韩| 曰老女人黄片| 亚洲精品久久久久久婷婷小说| 国产精品久久久久久精品古装| 91aial.com中文字幕在线观看| 久久久久久久国产电影| 色吧在线观看| 在线观看免费视频网站a站| 激情五月婷婷亚洲| 韩国高清视频一区二区三区| 69精品国产乱码久久久| 九九爱精品视频在线观看| 精品久久久久久久久亚洲| 日韩一区二区三区影片| 蜜臀久久99精品久久宅男| 超碰97精品在线观看| 成人国产麻豆网| 少妇精品久久久久久久| 国产精品三级大全| 亚洲性久久影院| 少妇猛男粗大的猛烈进出视频| 插逼视频在线观看| av不卡在线播放| 亚洲av中文av极速乱| 在线观看www视频免费| 亚洲欧洲国产日韩| 国产精品麻豆人妻色哟哟久久| √禁漫天堂资源中文www| 亚洲性久久影院| 嫩草影院入口| 在线看a的网站| 国产精品国产三级国产专区5o| 欧美bdsm另类| 日日啪夜夜爽| 国产精品免费大片| 麻豆成人av视频| 18禁在线无遮挡免费观看视频| 欧美xxⅹ黑人| 韩国av在线不卡| 欧美人与性动交α欧美精品济南到 | 22中文网久久字幕| 高清在线视频一区二区三区| 综合色丁香网| 精品人妻偷拍中文字幕| 乱码一卡2卡4卡精品| 91在线精品国自产拍蜜月| 男女啪啪激烈高潮av片| 又黄又爽又刺激的免费视频.| 免费观看无遮挡的男女| 2022亚洲国产成人精品| 黄色欧美视频在线观看| 18禁在线无遮挡免费观看视频| 91aial.com中文字幕在线观看| 久久婷婷青草| av电影中文网址| 精品国产乱码久久久久久小说| a级片在线免费高清观看视频| 在线 av 中文字幕| 老司机午夜十八禁免费视频| 精品少妇黑人巨大在线播放| 九色亚洲精品在线播放| 三级毛片av免费|