udp数据传输软件，服务端拦截指定端口的udp数据，将其推送到几个客户端，客户端在收到数据后将指定ip和端口的
文件下载： n459.com/file/25127180-476645389
以下内容无关。
---------分割线---------
以人工智能、大数据、云计算为代表的新型电子信息产业的迅速发展，极大地改善了人们的生活，促进了技术进步。 技术创新和智能产品以井喷的形式出现。 在人工智能热潮的影响下，现有的电子信息产业链正在转变为网络信息产业智能网，电子信息产业新的增长点和边界也越来越大。
随着科学技术的飞速发展，单一目标的低精度识别已不能满足社会生产的需要，基于人工智能的图像识别技术已成为时代的要求。 图像识别的目的是将保存的信息与实际信息(当时的感觉输入信息)进行比较，实现图像识别。 图像说明是指用文字表现图像内的各特征，甚至对象之间的关联。 最后，得到了目标特征及其关系的抽象表达。 可以在图像识别过程中使用匹配的模板。 在特定的APP应用中，图形识别不仅需要识别目标，还需要目标的位置和姿态来指导初始计算。
(一)深度学习医学影像研究现状
在医学上，医生通常要人工诊断感染细胞，了解患者的细胞感染情况和病理研究，用人眼进行判断，这是非常耗费人力的。 目前医学中非常流行的方式是用仪器采集部分细胞样品，转换成图像，人工识别。 该仪器虽然减轻了研究者的能源消耗，促进了治疗水平的提高，但仍然存在准确率低的问题。
针对这些不足，决策树算法、均值聚类、FCM聚类算法、朴素贝叶斯分类器等传统方法在较早时就得到大力推广，在医学图像处理过程中速度快，易于部署所以，业界逐渐将深度学习引用到医学领域的图像处理中。
目前，深度学习在医学分类学习和特征学习方面取得了显著进展，有很多研究者
取得了很好的成果。
2013年，Plis利用DBN识别脑影像Huntington病变。 实验结果表明，深度学习可以学习重要的生理特征，在神经影像学应用中具有很大的潜力[[1]]。 同年，Chakdar和Potetz[[2]]利用DBN提取低度麟状上皮内病变(lowgradesquamousintraepitheliallesion，LGSIL )的特征，并将这些特征输入SVM进行分类Cruz-Roa等人通过自编码神经网络从常规组织病理学图像中自动识别基底细胞癌，识别准确率比传统方法提高7 % [3]。 2014年，Roth[[4]]等人采用卷积神经网络方法用于临床淋巴结病变识别，证明CNN可推广到二维、三维医学影像分析任务中，并对数据集进行随机旋转采样可提高CNN的分类性能
2015年，在CNN的基础上，Ypsilantis[[5]]提出3S-CNN模型对107例食管癌患者的PET影像进行检测，该数据集敏感性和特异性分别达到80.7%、81.6%，识别效果超出其他模型为了逐步评估Gao[[6]]核性白内障的严重程度，首先将图像输入卷积神经网络，利用递归神经网络进一步提取特征，最后利用SVM进行分类，结果表明该模型优于临床白内障的阶段性最新进展沥等[20在研究阿尔茨海默病时，以RBM为基本单元，采用Dropout技术建立了深度学习模型。 与经典的深度学习方法相比，平均精度提高了5.9%。
2017年初，斯坦福大学的研究者Esteva等人在《Nature》年发表了关于皮肤癌检查的论文[[7]]，其模型的检查正确率和灵敏度超过了专科医生。 随着计算机技术的飞速发展，利用深度学习技术进行医学影像辅助诊断越来越成熟。
(二)医学影像识别挑战
很难获取数据集
深度学习具有如此强大的识别能力，基于其庞大的数据集，但在医学领域，病例获取同一数据集非常困难。 由于CNN的参数很多，为了防止过度拟合，必须依赖大规模的训练数据。 如果数据量很少，有两种解决方案。 一个是数据评估。 依赖于现有图像，通过旋转、平移、变形等变化生成更多的图像。 二是使用转移学习。 其思想是通过在另一个大数据集上训练，获得CNN的参数作为初始值，并在目标数据集上训练参数的调谐。
医学影像清晰度
医学影像根据患者和机器的不同有明显的差异，有灰度的变化和模糊等。 图像增强作为图像处理的重要环节，决定处理后图像的整体视觉效果和目标图像是否清晰，因此医学图像增强算法的研究非常重要。
医学影像维度
随着医学的发展，二维影像已不能满足医生的要求。 例如，肺部高分辨率CT影像的研究，实际得到的模型大多是三维模型，而深度学习主要是基于二维模型的训练，这也是研究者面临的一大挑战。
(三)总结与展望
近年来，许多科学家提出将人工智能思想应用于医学辅助诊断，将人工智能思想应用于医学辅助诊断
方法，并开发了许多基于较小样本量的数据集训练出的准确率很理想的模型。将人工智能识别与人工识别相对比发现，人工智能的效率与准确率要显著高于人类，例如深度学习对于脑肿瘤细胞的检测与识别对于人工的辅助有着很强的实际应用作用，此外，人工智能技术还可以广泛用于设计自动化系统，该系统可以直接检测病人的肿瘤细胞，这将大大降低人的操作难度，节省了医疗人员宝贵的时间。所以人工智能对于医学的发展的帮助是可观的也是乐观的。
从众多的医学影像处理的应用来看,处理方法的来源除了依赖于常见的其它图像处理理论之外,还必须或者最好是从医学影像本身的成像原理出发，设计出适当的医学影像处理法,从而在很大程度上满足实际工作的需要,所以医疗器材的发展也刻不容缓。
参考文献
[[1]] Plis S M, Hjelm D R, Salakhutdinov R, et al. Deep learning for neuroimaging: a validation study[J]. Frontiers in neuroscience, 2014, 8: 229.
[[2]] Chakdar K, Potetz B. Deep learning for the semiautomated analysis of Pap smears[J]. Medical Applications of Artificial Intelligence, 2013: 193-214.
[[3]] Cruz-Roa A A, Ovalle J E A, Madabhushi A, et al. A deep learning architecture for image representation, visual interpretability and automated basal-cell carcinoma cancer detection[C]//International Conference on Medical Image Computing and Computer-Assisted Intervention. Springer, Berlin, Heidelberg, 2013: 403-410.
[[4]] Roth H R, Lu L, Seff A, et al. A new 2.5 D representation for lymph node detection using random sets of deep convolutional neural network observations[C]//International conference on medical image computing and computer-assisted intervention. Springer, Cham, 2014: 520-527.
[[5]] Ypsilantis P P, Siddique M, Sohn H M, et al. Predicting response to neoadjuvant chemotherapy with PET imaging using convolutional neural networks[J]. PloS one, 2015, 10(9): e0137036.
[[6]] Gao X, Lin S, Wong T Y. Automatic feature learning to grade nuclear cataracts based on deep learning[J]. IEEE Transactions on Biomedical Engineering, 2015, 62(11): 2693-2701.
[[7]] Esteva A, Kuprel B, Novoa R A, et al. Dermatologist-level classification of skin cancer with deep neural networks[J]. nature, 2017, 542(7639): 115-118.