医学影像处理的深度学习可解释性研究进展

随着医学影像数据的迅速增长，传统的影像分析方法给医生带来巨大挑战。利用计算机视觉技术提供自动或半自动辅助诊断，可大大缓解人工阅片压力，提高诊断的准确性，促进医疗流程的标准化建设等。目前，深度学习卷积神经网络在医学影像处理中已取得不俗表现，但深度学习“黑匣子”的不可解释性阻碍了智能医疗诊断的发展。为增强对医学影像数据处理的深度学习可解释性的了解，对近几年相关研究进展进行了综述。首先，综述了深度学习在医学领域的应用现状及面临的问题，对神经网络的可解释性内涵进行了讨论；然后，从现有深度学习可解释性的常见方法出发，重点讨论了医学影像处理的深度学习可解释性研究进展；最后，探讨了医学影像处理的深度学习可解释性的发展趋势。     

ICP-AES法同时测定土壤中有效态的硫和硼

采用一种方法同时提取国标土壤样品中的有效态硫和硼元素,再使用ICP-AES法进行测定。其测定值与标准值相比,硫和硼的相对误差分别小于1.4%和13%,均在允许误差范围内;方法的相对标准偏差,硫为3.2%~3.4%,硼为6.3%~7.6%;磷酸钙溶液作为提出剂条件下,方法的检出限硫为0.114μg/mL,硼为0.0039μg/mL,氯化钙溶液作为提出剂条件下,硫为0.151μg/mL,硼为0.0035μg/mL。