Στην βιολογία, το περιβάλλον μπορεί να καθοριστεί σαν ενα σύνολο κλιματικών, βιοτικών, κοινωνικών και εδαφικών παραγόντων που δρουν σε έναν οργανισμό και καθορίζουν την ανάπτυξη και την επιβίωση του. Έτσι, περιλαμβάνει οτιδήποτε μπορεί να επηρεάσει άμεσα τον μεταβολισμό ή τη συμπεριφορά των ζωντανών οργανισμών ή ειδών, όπως το φως, ο αέρας, το νερό, το έδαφος και άλλοι παράγοντες. Δείτε επίσης το άρθρο για το φυσικό περιβάλλον και τη φυσική επιλογή.
Στην αρχιτεκτονική, την εργονομία και την ασφάλεια στην εργασία, περιβάλλον είναι το σύνολο των χαρακτηριστικών ενός δωματίου ή κτιρίου που επηρεάζουν την ποιότητα ζωής και την αποδοτικότητα, περιλαμβανομένων των διαστάσεων και της διαρρύθμισης των χώρων διαβίωσης και της επίπλωσης, του φωτισμού, του αερισμού, της θερμοκρασίας, του θορύβου κλπ. Επίσης μπορεί να αναφέρεται στο σύνολο των δομικών κατασκευών. Δείτε επίσης το άρθρο για το δομημένο περιβάλλον.
Στην ψυχολογία, περιβαλλοντισμός είναι η θεωρία ότι το περιβάλλον (με τη γενική και κοινωνική έννοια) παίζει μεγαλύτερο ρόλο από την κληρονομικότητα καθορίζοντας την ανάπτυξη ενός ατόμου. Συγκεκριμένα, το περιβάλλον είναι ένας σημαντικός παράγοντας πολλών ψυχολογικών θεωριών.
Στην τέχνη, το περιβάλλον αποτελεί κινητήριο μοχλό και μούσα εμπνέοντας τους ζωγράφους ή τους ποιητές. Σε όλες τις μορφές της Τέχνης αποτελεί έμπνευση και οι Καλές Τέχνες φανερώνουν την επιρροή οπού άσκησε σε όλους τους καλλιτέχνες με όποιο είδος Τέχνης κι αν ασχολούνται. Ο άνθρωπος μέσα στο περιβάλλον δημιουργεί Μουσική, Ζωγραφική, Ποίηση, Γλυπτική, χορό, τραγούδι, θέατρο, αλλά και όλες οι μορφές τέχνης έχουν άμεση έμπνευση από το περιβάλλον.

Τετάρτη 27 Ιανουαρίου 2021

A deep learning network‐assisted bladder tumour recognition under cystoscopy based on Caffe deep learning framework and EasyDL platform

xlomafota13 shared this article with you from Inoreader

Abstract

Background

Cystoscopy plays an important role in the diagnosis of bladder tumours. As a typical representative of the deep learning algorithm, the convolutional neural network has shown great advantages in the field of image recognition and segmentation.

Methods

One thousand two photographs of normal bladder tissue and 734 photos of bladder tumours under cystoscopy were taken from 175 patients. Caffe deep learning framework and EasyDL platform were used to structure and train the model. The trained model from the EasyDL platform was deployed on a mobile phone.

Results

The accuracy rate of the neural network to recognise the bladder cancer based on Caffe framework was 82.9%, and the data on the EasyDL platform were 96.9%. The model from EasyDL platform could discern bladder cancer accurately on the phone and website.

Conclusion

The deep learning network could recognise the bladder cancer accurately. Deploying that model on the mobile phone was useful for clinical use.
View on the web
Αναρτήθηκε από στις

Δεν υπάρχουν σχόλια:

Δημοσίευση σχολίου

Εγγραφή σε: Σχόλια ανάρτησης (Atom)