随着高性能的多核处理器在客机航空电子系统中被应用,并且有向无环图(Directed Acyclic Graph,DAG)被用于模型功能依赖,本文研究运行在同构多处理器平台上的单周期非抢占式DAG,致力于减少DAG的完成时间并提供一个紧密而安全的界限,充分...随着高性能的多核处理器在客机航空电子系统中被应用,并且有向无环图(Directed Acyclic Graph,DAG)被用于模型功能依赖,本文研究运行在同构多处理器平台上的单周期非抢占式DAG,致力于减少DAG的完成时间并提供一个紧密而安全的界限,充分利用DAG拓扑节点的两个关键因素:并行性和依赖性.首先,引入了一个并发父子模型(Concurrent Parent and Children Model,CPCM),它精确地捕捉了上述两个因素,并且可以在解析DAG时递归地应用.在CPCM基础上,提出了一种新的调度方法减少最大完工时间,节点按以下顺序排列:1)关键路径;2)关键路径的早期前驱路径;3)更长的路径.其次,提出了一种新的响应时间分析,它为非关键节点的任何执行顺序提供了一个通用的界限,并为固定的执行顺序提供了一个特定的界限.实验表明该可调度性分析方法优于其他方法.展开更多
目的构建基于MRI扩散加权成像(diffusion-weighted imaging,DWI)的深度学习模型,讨论其对急性缺血性卒中静脉溶栓治疗患者90天预后的预测价值。材料与方法回顾性分析了2家医院进行静脉溶栓治疗的677名急性缺血性卒中(acute ischemic str...目的构建基于MRI扩散加权成像(diffusion-weighted imaging,DWI)的深度学习模型,讨论其对急性缺血性卒中静脉溶栓治疗患者90天预后的预测价值。材料与方法回顾性分析了2家医院进行静脉溶栓治疗的677名急性缺血性卒中(acute ischemic stroke,AIS)患者的临床及影像学资料,通过影像储存和传输系统(picture archiving and communication systems,PACS)收集患者MRI-DWI图像,使用深度神经网络提取患者图像特征。我们将数据集1(医院1)随机分为训练集(70%)和测试集(30%),建立基于临床特征(模型A)和MRI-DWI影像组学特征(模型B)的传统机器学习模型,基于MRI-DWI深度学习特征的深度学习模型(模型C)以及结合临床特征和深度学习特征的组合模型(模型D),预测AIS患者接受静脉溶栓治疗后90天预后[通过评估改良Rankin评分(modified Rankin Scale,mRS),评分<2分表示预后良好]。数据集2(医院2)用于外部验证。通过受试者工作特征(receiver operating characteristic,ROC)曲线及其曲线下面积(area under the curve,AUC)评估模型的预测性能。为了比较不同模型的AUC值差异是否有统计学意义,进一步采用DeLong检验进行统计分析,评估各模型之间AUC差异的显著性。结果基于临床特征和DWI-MRI影像组学特征的机器学习模型A和模型B以及深度学习模型C的AUC分别为0.705[95%置信区间(confidence interval,CI):0.613~0.792]、0.846(95%CI:0.777~0.906)和0.877(95%CI:0.811~0.934)。结合临床和深度学习特征的组合模型D在预测AIS患者静脉溶栓后90天预后方面表现出显著优势,其AUC值为0.930(95%CI:0.890~0.963)。此外,深度学习模型在外部验证数据集中同样显示出良好的性能,模型C和模型D的AUC分别为0.887(95%CI:0.798~0.960)和0.947(95%CI:0.891~0.984)。结论基于MRI-DWI的影像组学特征在预测接受静脉溶栓治疗的AIS患者的90天预后中发挥重要作用。深度学习方法在AIS溶栓治疗预后的预测模型中优于传统机器学习方法。结合临床特征和MRI-DWI特征的深度学习模型可为临床个性化评估AIS患者预后及制订治疗方案提供有力工具。展开更多
文摘随着高性能的多核处理器在客机航空电子系统中被应用,并且有向无环图(Directed Acyclic Graph,DAG)被用于模型功能依赖,本文研究运行在同构多处理器平台上的单周期非抢占式DAG,致力于减少DAG的完成时间并提供一个紧密而安全的界限,充分利用DAG拓扑节点的两个关键因素:并行性和依赖性.首先,引入了一个并发父子模型(Concurrent Parent and Children Model,CPCM),它精确地捕捉了上述两个因素,并且可以在解析DAG时递归地应用.在CPCM基础上,提出了一种新的调度方法减少最大完工时间,节点按以下顺序排列:1)关键路径;2)关键路径的早期前驱路径;3)更长的路径.其次,提出了一种新的响应时间分析,它为非关键节点的任何执行顺序提供了一个通用的界限,并为固定的执行顺序提供了一个特定的界限.实验表明该可调度性分析方法优于其他方法.
文摘目的构建基于MRI扩散加权成像(diffusion-weighted imaging,DWI)的深度学习模型,讨论其对急性缺血性卒中静脉溶栓治疗患者90天预后的预测价值。材料与方法回顾性分析了2家医院进行静脉溶栓治疗的677名急性缺血性卒中(acute ischemic stroke,AIS)患者的临床及影像学资料,通过影像储存和传输系统(picture archiving and communication systems,PACS)收集患者MRI-DWI图像,使用深度神经网络提取患者图像特征。我们将数据集1(医院1)随机分为训练集(70%)和测试集(30%),建立基于临床特征(模型A)和MRI-DWI影像组学特征(模型B)的传统机器学习模型,基于MRI-DWI深度学习特征的深度学习模型(模型C)以及结合临床特征和深度学习特征的组合模型(模型D),预测AIS患者接受静脉溶栓治疗后90天预后[通过评估改良Rankin评分(modified Rankin Scale,mRS),评分<2分表示预后良好]。数据集2(医院2)用于外部验证。通过受试者工作特征(receiver operating characteristic,ROC)曲线及其曲线下面积(area under the curve,AUC)评估模型的预测性能。为了比较不同模型的AUC值差异是否有统计学意义,进一步采用DeLong检验进行统计分析,评估各模型之间AUC差异的显著性。结果基于临床特征和DWI-MRI影像组学特征的机器学习模型A和模型B以及深度学习模型C的AUC分别为0.705[95%置信区间(confidence interval,CI):0.613~0.792]、0.846(95%CI:0.777~0.906)和0.877(95%CI:0.811~0.934)。结合临床和深度学习特征的组合模型D在预测AIS患者静脉溶栓后90天预后方面表现出显著优势,其AUC值为0.930(95%CI:0.890~0.963)。此外,深度学习模型在外部验证数据集中同样显示出良好的性能,模型C和模型D的AUC分别为0.887(95%CI:0.798~0.960)和0.947(95%CI:0.891~0.984)。结论基于MRI-DWI的影像组学特征在预测接受静脉溶栓治疗的AIS患者的90天预后中发挥重要作用。深度学习方法在AIS溶栓治疗预后的预测模型中优于传统机器学习方法。结合临床特征和MRI-DWI特征的深度学习模型可为临床个性化评估AIS患者预后及制订治疗方案提供有力工具。
