首页 > 文献资料
-
基于上下文特征的领域文献实体消歧算法
目的 面向生物医学领域基于文献的知识学习及应用需求,为解决实体识别中存在的词语歧义问题,提出一种基于上下文特征的实体消歧算法.方法 实体消歧通常分为候选生成和实体消歧两部分.在候选生成阶段,本文采用基于知识库的方法对实体指称生成候选,并根据实体在知识库中的先验概率对候选实体进行筛选,这样保证了目标实体的召回率并有效减少消歧阶段的计算复杂度和噪声.在实体消歧阶段,本文提出一种基于上下文特征的实体消歧方法,构建概率模型计算实体上下文和实体指称上下文之间的相似度,选取相似度大的实体作为目标实体.对从文献中识别出的命名指称做实体消歧实验,通过领域专家判断实体消歧结果的正确性,比较在不同算法下实体消歧的准确率.结果本文提出的方法在所选择的数据集中获得了83％的实体消歧准确率,高于其他算法.结论 基于上下文特征的实体消歧算法在本领域的实体消歧工作中效果佳.
-
基于层次上下文活动轮廓的三维CT肝脏图像分割
本文提出一种新的活动轮廓算法,即层次的上下文活动轮廓(HCAC),并将其应用于三维CT肝脏全自动分割.HCAC是一种基于机器学习的算法,可以分为两个阶段:第一阶段,即学习阶段,给定一套腹部三维CT训练图像以及对应的手动肝脏分割结果,利用上下文特征将每次的自动分割结果向手动参考分割结果映射,迭代学习得到一组纠错分类器;第二阶段,即分割阶段,首先将待分割图像用基本的活动轮廓进行分割,分割结果输入第一个纠错分类器,输出第一个形状模型,然后结合图像信息和当前形状模型,采用上下文活动轮廓(CAC)进行再一次分割,得到的分割结果输入第二个纠错分类器,输出第二个形状模型,结合图像信息和当前形状模型,再次采用CAC进行分割.如此迭代分割,随着形状模型的逐步精确,终我们可以取得准确的肝脏分割.本文实验结果表明,随着迭代的深入,我们取得越来越好的分割结果.在三维CT肝脏图像分割中,我们通过6次迭代,就可以取得较好的肝脏分割.
关键词： 肝脏分割 活动轮廓 上下文特征 层次的上下文活动轮廓 形状模型
