温州医科大学
- 影像组学特征提取既可以使用编程语言实现,也可以通过特征提取软件实现。( )
- 图像卷积运算是将模板在输入图像中逐像元移动,每到一个位置就把模板的值与其对应的像元值进行乘积运算并求和,从而得到输出图像对应于模板中心位置的像元灰度值( )
- 大数据的定义,是无法在一定时间范围内用常规软件工具进行捕捉、管理和处理的数据集合。( )
- 在影像组学特征提取过程中,派生图像的特征跟原始图像提取的类型是一致的。( )
- 目前基于人工智能方法的正常组织和器官的自动分割效果良好,能够满足临床的使用要求。( )
- MRI具有多方位及多参数成像方式和高软组织分辨率及无辐射等优势,已成为癌症术前分期的重要方法。( )
- 人工智能虽然强大,但是不能对药物活性、安全性和副作用进行预测。( )
- 1989年,首届中国人工智能联合会议成功召开。( )
- 人工智能算法并不是一成不变的,而是结合最新的数据、技术,学习发展为更加先进的算法。( )
- 医学图像分割的过程是:根据区域间的相似或不同,把图像分割成若干区域。( )
- 利用深度卷积神经网络提取出图片的内容和风格,然后进行替换,可以创造出名家艺术风格的画作( )
- 用一元线性回归模型中,随机误差项反映的是除了自变量X以外其他所有因素对因变量Y的影响。( )
- 线性回归方程不需要检验尽可以应用。( )
- 深度学习U-net网络能用于医学图像的自动分割。( )
- 医学图像检测的先进方法是通过监督方法或传统数字图像处理技术检测候选病变位置。( )
- cycleGAN可以用作图像风格迁移。( )
- 联结主义的兴起也是人工智能发展第三阶段的标志。( )
- 深度学习与机器学习没有关系( )
- 图像数据融合主要有以像素为基础的方法和以图像特征为基础的方法。( )
- 人工智能在20世纪中叶诞生,其探索的过程经历了多次的挫折与挣扎,繁荣与低谷。( )
- 以下关于逻辑回归与线性回归问题的描述正确的是( )。
- 肺结节常规检测方法有。( )。
- NoSQL通常有如下类型( )。
- 机器学习主要包括哪几种学习策略( )。
- 卷积运算中,下列一项处理图像边缘的像素点的方法是正确的是? ( )
- 临床上使用的深度学习算法虽然可以实现对病情的自动化识别与分类,仍有哪些方面还有待提升( )。
- ( )软件能够实现影像组学特征提取。
- 人工神经元网络与深度学习的关系是( )。
- 基于影像数据的分类技术流程主要分为哪几步:( )。
- ( )是多变量特征选择方法。
- 影像组学的流程步骤有( )。
- 下列哪些是逻辑回归的优点?( )。
- 下面哪些属于影像组学的应用方面。( )
- 基于人工智能的肺结节诊断系统未来能够协助医生。( )。
- ( )软件能实现医学图像的分割。
- 构建高质量结构化数据的过程中,需要将工作重点放在哪两点上。( )。
- 数据挖掘的主要方法有( )。
- 下列哪种方法可以基于R语言实现?( )
- 基于影像数据的聚类技术通常分为哪几步:( )。
- 目前应用于医疗实践中的医疗机器人主要有( )。
- 风格迁移用到的是什么算法( )。
- 下列哪个算法率先给出了语义级别的图像分割解决方案( )
- 以下哪个是逻辑回归model的python代码( )。
- ( )不能用来评估模型性能。
- R语言中,( )可以实现SVM模型的建立。
- 在回归分析中,被预测或被解释的变量称为( )。
- ( )是过滤式特征选择方法。
- 如果两个变量之间存在负相关,指出下列回归方程中哪个肯定有误( )。
- 假设使用逻辑回归进行多类别分类,使用OVR分类法。下列说法正确的是?( )。
- ( )可以用来评估影像组学特征的可重现性。
- 临床上患者在接受CT检查的过程中会伴随着辐射风险,过量的辐射会诱发白血病和癌症等疾病,常见的减少辐射剂量的方式有( )
- 下列哪个选项不是计算机视觉中关于图像识别中的四大类任务之一。( )
- ( )软件能够加载外部模块从而实现更丰富的功能。
- 所有患者的医学图像会以( )文件格式进行存储
- 最早的具备联网功能的移动终端设备是1990年代中期开始流行的( )。
- 以下哪个是线性回归model的python代码( )。
- 在鼻咽癌调强放疗的过程中,一般需要完成多少次的放射治疗( )
- 乳腺癌发病率位居女性恶性肿瘤第一位,占比高达( )
- 社交媒体、移动互联网、物联网三大催化剂让数据量在过去几十年间呈( )增长。
- 池化层的作用不包括( )。
A:错 B:对
答案:对
A:对 B:错
答案:对
A:对 B:错
答案:对
A:错 B:对
答案:错
A:对 B:错
答案:对
A:错 B:对
答案:对
A:错 B:对
答案:错
A:对 B:错
答案:对
A:错 B:对
答案:对
A:错 B:对
A:错 B:对
A:对 B:错
A:错 B:对
A:错 B:对
A:对 B:错
A:对 B:错
A:错 B:对
A:对 B:错
A:对 B:错
A:错 B:对
A:逻辑回归一般要求变量服从正态分布,线性回归一般不要求 B:逻辑回归用于处理分类问题,线性回归用于处理回归问题前向池化层 C:线性回归要求输入输出值呈线性关系,逻辑回归不要求 D:线性回归计算方法一般是最小二乘法,逻辑回归的参数计算方法是似然估计法
A:结节病抗原(Kveim)试验 B:活体组织检查 C:血液检查 D:结核菌素试验
A:时序数据库 B:键值数据库 C:文档数据库 D:图数数据库 E:列数据库
A:类比学习 B:机械学习 C:示教学习 D:实例学习
A:在图像边缘进行卷积运算的时候,调整卷积核的大小 B:根据卷积核的大小,在图像边缘新增一圈像素点并根据图像边缘的像素进行插值 C:根据卷积核的大小,忽略图像周围一圈的像素前向池化层 D:根据卷积核的大小,在图像周围先填充一圈纯黑或纯白然后进行卷积运算
A:灵敏度 B:诊断速度 C:特异度 D:精确度
A:AK软件 B:LIFEx C:3D slicer D:ITK-SNAP
A:经元网络是深度学习的前身 B:深度学习与人工神经元网络无关 C:深度学习是人工神经元网络的一个发展 D:深度学习是人工神经元网络的一个分支
A:对样本数据集进行训练和学习 B:根据分类模型对未标记的影像数据集进行自动分类判别 C:建立影像表示模型
A:LASSO回归 B:支持向量机 C:随机森林 D:相关系数
A:图像分割 B:模型建立与验证 C:图像采集与预处理 D:数据处理 E:影像组学特征提取
A:资源占用少 B:处理非线性数据较容易 C:模型形式简单 D:可解释性好
A:治疗方案选择 B:疗效评估 C:肿瘤分子分型预测 D:鉴别诊断
A:提升诊断的客观性和准确性 B:削减读片的时间成本 C:减少漏诊 D:提高效率
A:ITK-SNAP B:3D slicer C:AK软件 D:LIFEx
A:数据集类型 B:数据集大小 C:数据集质量 D:准确数据集
A:预测模型方法 B:数据分割方法 C:偏离分析方法 D:关联分析方法
A:Boruta特征选择 B:LASSO回归 C:RFE递归消除 D:逐步向前和向后选择
A:评估最佳的分组方案 B:影像特征提取和选择 C:建立影像相似性模型 D:尝试不同的聚类算法
A:可穿戴型机器人 B:检查和治疗用机器人 C:能够承担手术或医疗保健功能的机器人 D:陪伴机器人
A:回归 B:卷积 C:对抗 D:求和
A:CNN算法 B:Unet算法 C:Resnet算法 D:FCN算法
A:from sklearn import linear_model log=linear_model.LogisticRegression(solver="lbfgs",C=3) B:from sklearn.linear_model import Lasso lasso=Lasso(alpha=10,max_iter=0) C:from sklearn import linear_model model = linear_model.LinearRegression() D:from sklearn import svm model = svm.SVC(kernel='linear', C=1, gamma='auto')
A:校准曲线 B:决策曲线 C:ICC系数 D:AUC值
A:e1071包 B:glmnet包 C:Boruta包 D:randomForest包
A:非随机变量 B:因变量 C:随机变量 D:自变量
A:LASSO回归 B:随机森林 C:单因素logistics回归 D:多元线性回归
A:Y=-34-0.74X B:Y=-120+0.86X C:Y=25-0.75X D:Y=200-2.5X
A:对于n类别,需要训练n-1个模型 B:对于n类别,只需要训练1个模型 C:对于n类别,需要训练n个模型 D:其他说法都不对
A:线性回归相对重要性方法 B:ICC系数 C:LASSO回归 D:RFE递归消除
A:增加管电压 B:稀疏角度扫描 C:增加管电流 D:增加探测器数量
A:分类 B:分割 C:检测 D:生成
A:LIFEx B:3D Slicer C:AK软件 D:ITK-SNAP
A:DICOM B:NRII C:STL D:PNG
A:CE B:PDA C:IOT D:BBS
A:from sklearn import svm, datasets model = svm.SVC(kernel='linear', C=1, gamma='auto') B:from sklearn.linear_model import Lasso lasso=Lasso(alpha=10,max_iter=0) C:from sklearn import linear_model model = linear_model.LinearRegression() D:from sklearn import linear_model log=linear_model.LogisticRegression(solver="lbfgs",C=3)
A:30~35次 B:25~30次 C:10~35次 D:5~10次
A:30% B:28% C:27% D:29%
A:线性 B:二次型 C:指数级
A:降低特征图的分辨率 B:实现特征分类 C:实现不同尺度特征的提取 D:解决卷积计算量过大的问题
温馨提示支付 ¥5.00 元后可查看付费内容,请先翻页预览!