导读:本文包含了动态转移预测论文开题报告文献综述、选题提纲参考文献及外文文献翻译，主要关键词:动态,概率,肿瘤,马尔,表观,磁共振,定量分析。
动态转移预测论文文献综述
张禹,邓雪飞,张雪健,张茜,莫子[1]（2019）在《FIGO ⅠB～ⅡA期宫颈癌原发灶MRI动态对比增强的定量参数预测盆腔淋巴结转移》一文中研究指出目的探讨国际妇产科联盟(FIGO)ⅠB～ⅡA期宫颈癌原发灶3.0 T MRI动态对比增强(DCE-MRI)定量参数对盆腔淋巴结转移的预测价值。方法回顾性分析经病理证实并进行DCE-MRI的FIGOⅠB～ⅡA宫颈癌63例患者资料,利用血流动力学双室Tofts模型,获取原发灶容量转移常数(K~(trans))、回流速率常数(K_(ep))、血管外细胞外间隙容积分数(V_e)值,并记录所有患者MRI上肿瘤最大径、年龄、病理组织学类型、有无宫旁浸润(PI)、临床分期。将患者分为盆腔淋巴结转移(LNM)阳性和LNM阴性两组,采用独立样本t检验对MRI上肿瘤最大径、DCE-MRI定量参数(K~(trans)、K_(ep)、V_e)、年龄等参量进行比较,采用卡方检验对病理组织学类型、PI、临床分期等指标进行比较,对具有统计学差异的参量或指标行多因素Logistic回归分析和受试者工作特征曲线(ROC)分析。结果 63例患者中盆腔LNM阳性者20例,盆腔LNM阴性者43例。病理确诊PI者19例,无PI者44例。鳞癌55例,腺癌8例。患者平均年龄(51.33±10.99)岁(33～74岁);MRI上肿瘤最大径平均值(3.90±1.45)cm(1.31～6.99 cm)。原发灶K~(trans)平均值(0.25±0.07)min~(-1)(0.07～0.43 min~(-1));K_(ep)平均值(0.48±0.17)min~(-1)(0.08～0.96 min~(-1));V_e平均值0.57±0.12(0.31～0.86)。两组间原发灶K~(trans)(P=0.021)、MRI上肿瘤最大径(P<0.001)、有无PI(P<0.001)、临床分期(P=0.007)有统计学差异,年龄(P=0.879)、K_(ep)(P=0.914)、V_e(P=0.103)、病理组织学类型(P=0.211)无统计学差异;肿瘤最大径(P=0.002)是盆腔LNM阳性的独立风险因子;K~(trans)值与肿瘤最大径联合应用对盆腔LNM阳性的预测效能最优,ROC曲线下面积为0.936,特异度97.7%,敏感度80.0%,准确率77.7%。结论 FIGOⅠB～ⅡA期宫颈癌原发灶K~(trans)值与盆腔LNM相关,其联合MRI上肿瘤最大径,可在术前更好地预测盆腔LNM的可能性。(本文来源于《临床放射学杂志》期刊2019年08期）
李剑蓝[2]（2019）在《基于动态转移概率的网络态势预测方法研究》一文中研究指出网络态势预测是网络态势感知领域的重要组成部分。鉴于目前网络状态变化莫测,网络攻击形式层出不穷,而现有的网络态势预测手段具有实时性差或者计算量繁重的特点,难以对网络态势进行准确有效的预测。对此,文中通过分析不同形式网络攻击下的网络状态变化特点,引入网络波动率的概念并用其描述网络波动状况,结合马尔可夫链提出一种基于动态转移概率的网络态势预测方法。该方法通过实时计算影响力衰减周期来计算转移概率,根据实际网络波动情况自适应更新转移概率的计算方式,从而动态地对网络态势进行预测,得到更准确有效的预测效果。对基于动态转移概率的网络态势预测模型进行了形式化描述并进行了原型实验,实验结果显示,该网络态势预测方法具有较高的准确性和可行性。(本文来源于《计算机技术与发展》期刊2019年11期）
J.M.Hudson,C.Bailey,M.Atri,G.Stanisz,L.Milot[3]（2018）在《通过动态增强CT、MRI及US测量的血管反应参数对舒尼替尼治疗的转移性肾细胞癌病人预后的预测价值》一文中研究指出目的确定动态增强CT、MRI及US(DCE-CT、DCE-MR、DCE-US)可作为舒尼替尼治疗的转移性肾细胞癌(mRCC)病人预后的预测成像参数。方法 34例病人在舒尼替尼治疗第1个疗程的第0天和第14天进行DCE成像监测,治疗结束后第7天、28天和第2周的扫描仅采用DCEUS。采用Cox回归模型(HR)和Kaplan-Meier生存分析,显示灌注参数与无进展生存期(PFS)和总生存期(OS)显着相关(Spearman P<0.05)。结果较高的基线和第14天的(DCEMRI)Ktrans值和较低的治疗前(DCE-US)血管异质性,与较长的PFS(HR分别为0.62、0.37和5.5)显着相关,第14天(DCE-US)的血容量下降幅度较大的预示着较长的OS(HR,1.45),没有发现任何DCE-CT参数和PFS/OS之间的相关性,除非使用截断分析。结论 DCE-MRI、DCE-CT和DCEUS可产生反映舒尼替尼治疗mRCC病人预后的互补参数。由DCE-US测量的血容量是唯一在早期抗血管生成治疗期间发生变化的参数,可以预测OS和PFS。(本文来源于《国际医学放射学杂志》期刊2018年04期）
G.Kuchcinski,E.L.Rhun,A.B.Cortot,E.Drumez,R.Duhal[4]（2017）在《动态对比增强MRI药代动力学参数作为肺癌脑转移病人疗效的预测因子》一文中研究指出摘要目的探究动态对比增强(DCE)MRI药代动力学参数在预测肺癌脑转移抗肿瘤治疗疗效的诊断准确性。方法连续性收集44例肺癌病人,共携123例新发脑转移灶,分(本文来源于《国际医学放射学杂志》期刊2017年06期）
张敬磊,王晓原,王梦莎,王云云,刘亚奇[5]（2017）在《叁车道动态环境下汽车驾驶倾向性的转移概率及其预测》一文中研究指出驾驶倾向性是汽车行驶中驾驶员情感偏好等特征的动态测度,易随环境的改变而变化,并影响驾驶员意识和汽车操控行为;另一方面,其类型和转移概率又同时受到后者的作用与影响.准确揭示动态环境下驾驶倾向性转移概率,对实现汽车自动驾驶和辅助驾驶系统具有重要意义.本文以叁车道为例,从环境变化,特别是从刻画交通态势复杂性的车辆编组关系演化角度出发,设计叁车道条件下的驾驶实验,采集不同行驶环境下驾驶员倾向性并进行统计分析,揭示环境嬗变情况下,汽车驾驶倾向性转移概率.验证结果表明,利用倾向性转移概率对汽车驾驶员倾向性进行预测的结果与实时辨识结果相吻合,平均准确率达80%以上.(本文来源于《交通运输系统工程与信息》期刊2017年01期）
张玉杰,陶广林,刘洋,郝全,程亮[6]（2014）在《3.0TMRI表观系数结合动态增强早期预测肝转移瘤化疗疗效价值》一文中研究指出目的探讨3.0 T磁共振扩散加权成像(DWI)表观扩散系数(ADC)值结合MRI动态增强对肝脏转移瘤的化疗疗效早期评估价值。方法对52例(81个病灶)临床或病理证实肝转移瘤患者在化疗前、化疗2个疗程、4个疗程后分别进行MRI常规平扫及增强扫描,同时行DWI并测得相应病灶ADC值。依据RECIST标准作为肝脏转移瘤化疗疗效评价标准。运用受试者工作特征(ROC)曲线评估2个疗程后ADC值变化率诊断效能,获得ADC值变化率最佳阈值(cut-off value)。结果治疗前ADC均值:有效组为(1.105±0.332)×10-3mm2/s,无效组为(1.289±0.354)×10-3mm2/s,两组间差异无统计学意义(P=0.077)。化疗2个疗程后ADC均值:有效组为(1.378±0.477)×10-3mm2/s,无效组为(1.378±0.477)×10-3mm2/s,两组间差异有统计学意义(P=0.03)。化疗4个疗程后ADC均值:有效组为(1.898±0.484)×10-3mm2/s,无效组为(1.382±0.457)×10-3mm2/s,两组间差异有显着统计学意义(P=0.00)。有效组ADC值变化率与无效组ADC值变化率比较差异有统计学意义(P=0.000)。当化疗2个疗程后ADC值升高19.59%时,敏感性为79.2%,特异性为78.9%,ROC曲线下面积0.844。结论动态监测ADC值在化疗过程中的变化或将成为早期预测肝脏转移瘤化疗疗效的一种量化指标。(本文来源于《临床放射学杂志》期刊2014年12期）
李鑫,吕琛,王自力,陶小创[7]（2014）在《考虑退化模式动态转移的健康状态自适应预测》一文中研究指出为了更加精确地在设备退化过程中对其健康状态进行预测,本文深入研究了设备处于不同健康状态时的数据特点,针对现有单一预测方法的特点与不足,引入了退化模式的划分方法,并对不同的预测模型与退化模式的关系进行分析.进而建立"模式–模型"关联表,并通过关联表优选预测模型,实现了考虑退化模式动态转移的健康状态自适应预测以及剩余寿命估计.最后,以滚动轴承实验为实例,对该轴承进行了健康状态预测与剩余寿命估计.实验结果表明本方法较精确地预测了轴承的剩余寿命,证明了方法的有效性.(本文来源于《自动化学报》期刊2014年09期）
贾宁,杨春,佟冬,王克义[8]（2014）在《动态翻译系统中的间接转移关联软件预测算法》一文中研究指出动态翻译系统每执行一次间接转移指令均需进行一次地址转换,该过程是翻译系统性能开销的主要来源之一.无特殊硬件支持的翻译系统常采用软件预测法来降低地址转换开销,而软件预测法的预测准确率较低,制约其对翻译系统整体性能的提升.低开销关联软件预测算法(low-overhead correlated software prediction,LOCSP)可利用代码副本区分待预测指令的不同转移场景,将到达该指令的多条动态执行路径分离为多个互不重合的代码缓存副本,并为各个副本提供独立的预测链.从而在不增加动态指令数的前提下实现关联预测,显着提升软件预测的预测准确率.同时,LOCSP算法基于动态剖析的结果,仅对部分难预测的热点间接转移指令进行关联软件预测,进一步降低预测开销.实验表明,相比软件预测法,LOCSP算法可将平均预测准确率从58.9%提升至82.2%,将翻译系统的整体性能开销平均降低19.3%,最高降低41.9%,而平均静态代码数量仅增加2.4%.(本文来源于《计算机研究与发展》期刊2014年03期）
K.Miyazaki,M.R.Orton,R.L.Davidson,J.A.d'Arcy,V.Lewington[9]（2012）在《神经内分泌肿瘤肝转移:利用动态对比增强MR成像监测和预测放射性示踪奥曲肽的治疗反应》一文中研究指出目的评估动态对比增强MR(DCEMR)成像监测及评价神经内分泌肝转移瘤病人对钇90(90Y)标记的奥曲肽(90Y-DOTATOC)的治疗反应。材料与方法本项研究获当地研究和伦理委员会批准,病人均签署知情同意书。20例神经内分泌肿瘤肝转移病人在静脉注射90Y-DOTATOC前及治疗(本文来源于《国际医学放射学杂志》期刊2012年03期）
王云峰,李战明,袁占亭,万维汉[10]（2010）在《基于大滞后磨矿分级系统的动态分支预测转移控制技术》一文中研究指出针对较难控制的大滞后过程对象,提出动态分支预测转移控制技术,使控制回路在运行过程中始终保持最佳运行状态,最终提高工业过程设备的运行效率.通过在控制过程中增加对被控对象输入输出之间相关性的跟踪及处理,在基本预测控制算法的基础上再增加一个预测控制变量协调决策层,可在线任意拟合,利用反馈校正的滚动优化策略进行记录及优化,获得被控对象输入输出之间相关性及相应控制策略的动态分支预测转移控制表,结合系统设定值进行区间控制和约束保护措施,在暂态响应和稳态性能之间取得折衷,使控制效果得到明显的改善,不但增强输入控制量的规律性,而且提高响应的快速性和准确性.仿真实验表明模型的在线辨识精确,可以保证系统的鲁棒性能和预期的控制性能.(本文来源于《湖北大学学报(自然科学版)》期刊2010年02期）
动态转移预测论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
网络态势预测是网络态势感知领域的重要组成部分。鉴于目前网络状态变化莫测,网络攻击形式层出不穷,而现有的网络态势预测手段具有实时性差或者计算量繁重的特点,难以对网络态势进行准确有效的预测。对此,文中通过分析不同形式网络攻击下的网络状态变化特点,引入网络波动率的概念并用其描述网络波动状况,结合马尔可夫链提出一种基于动态转移概率的网络态势预测方法。该方法通过实时计算影响力衰减周期来计算转移概率,根据实际网络波动情况自适应更新转移概率的计算方式,从而动态地对网络态势进行预测,得到更准确有效的预测效果。对基于动态转移概率的网络态势预测模型进行了形式化描述并进行了原型实验,实验结果显示,该网络态势预测方法具有较高的准确性和可行性。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
动态转移预测论文参考文献
[1].张禹,邓雪飞,张雪健,张茜,莫子.FIGOⅠB～ⅡA期宫颈癌原发灶MRI动态对比增强的定量参数预测盆腔淋巴结转移[J].临床放射学杂志.2019
[2].李剑蓝.基于动态转移概率的网络态势预测方法研究[J].计算机技术与发展.2019
[3].J.M.Hudson,C.Bailey,M.Atri,G.Stanisz,L.Milot.通过动态增强CT、MRI及US测量的血管反应参数对舒尼替尼治疗的转移性肾细胞癌病人预后的预测价值[J].国际医学放射学杂志.2018
[4].G.Kuchcinski,E.L.Rhun,A.B.Cortot,E.Drumez,R.Duhal.动态对比增强MRI药代动力学参数作为肺癌脑转移病人疗效的预测因子[J].国际医学放射学杂志.2017
[5].张敬磊,王晓原,王梦莎,王云云,刘亚奇.叁车道动态环境下汽车驾驶倾向性的转移概率及其预测[J].交通运输系统工程与信息.2017
[6].张玉杰,陶广林,刘洋,郝全,程亮.3.0TMRI表观系数结合动态增强早期预测肝转移瘤化疗疗效价值[J].临床放射学杂志.2014
[7].李鑫,吕琛,王自力,陶小创.考虑退化模式动态转移的健康状态自适应预测[J].自动化学报.2014
[8].贾宁,杨春,佟冬,王克义.动态翻译系统中的间接转移关联软件预测算法[J].计算机研究与发展.2014
[9].K.Miyazaki,M.R.Orton,R.L.Davidson,J.A.d'Arcy,V.Lewington.神经内分泌肿瘤肝转移:利用动态对比增强MR成像监测和预测放射性示踪奥曲肽的治疗反应[J].国际医学放射学杂志.2012
[10].王云峰,李战明,袁占亭,万维汉.基于大滞后磨矿分级系统的动态分支预测转移控制技术[J].湖北大学学报(自然科学版).2010
论文知识图
