Предложения для разбора 6 класс: Конспект урока «Простое предложение. Знаки препинания. Синтаксический разбор предложения» 6 класс

Содержание

Конспект урока «Простое предложение. Знаки препинания. Синтаксический разбор предложения» 6 класс

Конспект урока

1. Название модуля: «Простое предложение. Знаки препинания.

Синтаксический разбор предложения».

2. Интегрирующая дидактическая цель: активизировать знания учащихся

о простом предложении, знаках препинания в нем и правилах синтаксического

разбора, полученные в 5 классе.

3. Целевой план действий для учащихся:

 систематизировать знания учащихся о простом предложении;

 активизировать умение определять предложение по цели высказывания,

по интонации, по наличию второстепенных членов;

 совершенствовать пунктуационные навыки;

 совершенствовать навыки синтаксического разбора простого

предложения;

 воспитывать интерес к русскому языку.

4. Банк информации: а) входной контроль.

Уровень А.

1. Что такое предложение? (Предложение — слова и словосочетания,

выражающие законченную мысль. Все слова в предложении связаны

грамматически. Главные члены составляют его грамматическую основу. Для

предложения характерна интонация конца предложения).

Альтернативный вопрос. Что такое словосочетание? Словосочетание=

предложение? (Словосочетание — сочетание двух или нескольких слов, в

котором выделяют главное и зависимое слово; они объединены по смыслу и

грамматически. Словосочетание ≠ предложению, так как оно не выражает

законченную мысль в отличие от предложения).

Уровень В.

1. Что такое предложение? Какие виды предложений по наличию

грамматических основ Вы знаете? Чем простое предложение, отличается от

сложного? (Предложение — слова и словосочетания, выражающие

законченную мысль. Все слова в предложении связаны грамматически. Главные

члены составляют его грамматическую основу. Для предложения характерна

интонация конца предложения. Предложения делятся на простые (одна

грамматическая основа) и сложные (две и более грамматических основ)).

Альтернативный вопрос: задание уровня А.

Уровень С.

1. Что такое простое предложение? Чем простое предложение отличается от

словосочетания и от сложного предложения? (Предложение — слова и

словосочетания, выражающие законченную мысль. Все слова в предложении

связаны грамматически. Главные члены составляют его грамматическую

основу. Для предложения характерна интонация конца предложения.

ВПР. Русский язык. 6 класс. Как проверяется задание № 2?

ВПР. Русский язык. 6 класс. Как проверяется задание № 2?

Задание № 2.
Выполните обозначенные цифрами в тексте 1 языковые разборы:

(2) – морфемный и словообразовательный разборы слова;

 

(3) – морфологический разбор слова;

 

(4) – синтаксический разбор предложения

Морфемный и словообразовательный разборы слова

песчаной(2)  песчаной 

пес-корень

-ан-суффикс

-ой-окончение

(части слова отмечать графически)

 

песчаной← песок (суффиксальный способ) 

 

Морфологический разбор слова

заспорит(3)  1. Заспорит (что сделает?)  – глагол, н. ф. – заспорить.

2. Пост. – сов. вид, невозвр., непереходн., II спр.; непост. – в форме изъявит. накл., буд. вр., 3-го л., ед. ч. 3. В предложении является сказуемым.

 Возможно: заспорят(3) . 

 В последнем случае в разборе изменяется только число глагола – мн. ч.

Синтаксический разбор предложения

 

Тяжёлые валы нальются безысходной яростью, заревут, загрохочут.(4) Предложение повествовательное, невосклицательное, простое, распространённое, с однородными сказуемыми.

Грамматическая основа: валы (подлежащее, выражено именем существительным), нальются, заревут, загрохочут (однородные сказуемые, выражены глаголами).

Второстепенные члены предложения: (валы) тяжёлые – определение, выражено именем прилагательным;  (нальются) яростью – дополнение, выражено именем существительным; (яростью) безысходной – определение, выражено именем прилагательным.

 

  Указания по оцениванию Баллы
К 1 Выполнение фонетического разбора  
Разбор выполнен верно 3
При разборе допущена одна ошибка 2
При разборе допущены две ошибки 1
При разборе допущено более двух ошибок 0
К 2
Выполнение морфемного разбора  
Разбор выполнен верно 3
При разборе допущена одна ошибка 2
При разборе допущены две ошибки 1
При разборе допущено более двух ошибок 0
К 3 Выполнение морфологического разбора  
Разбор выполнен верно 3
При разборе допущена одна ошибка 2
При разборе допущены две ошибки 1
При разборе допущено более двух ошибок 0
К 4 Выполнение синтаксического разбора  
Разбор выполнен верно 3
При разборе допущена одна ошибка 2
При разборе допущены две ошибки 1
При разборе допущено более двух ошибок 0
Максимальный балл 12

 

Вернутьсявернуться к ВПР по русскому языку, 6 класс

 

Карточка-тренажёр «Синтаксический разбор предложения»

Синтаксический разбор

 

 

КОЛИЧЕСТВО ОСНОВ

 

 

 

 

 

ПРОСТОЕ

 

СЛОЖНОЕ

 

СРУТКТУРАОСНОВЫ

 

 

 

 

ОДНОСОСТАВНОЕ

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

ПОВЕСТВОВАТЕЛЬНОЕ

 

 

ЦЕЛЬВЫСКАЗЫВАНИЯ

 

 

 

 

ВОПРОСИТЕЛЬНОЕ

 

 

 

 

 

ДВУСОСТАВНОЕ

 

 

 

ПОБУДИТЕЛЬНОЕ

 

 

ТИП ОСЛОЖНЕНИЯ

ОДНОРОДНЫЕ

 

ПОДЛЕЖАЩИЕ

 

СКАЗУЕМЫЕ

 

ОПРЕДЕЛЕНИЯ

 

 

ВОСКЛИЦАТЕЛЬОЕ

  ИНТОНАЦИЯ

 

 

ДОПОЛНЕНИЯ

 

ОБСТОЯТЕЛЬСТВА

 

ОБРАЩЕНИЕ

 

НЕВОСКЛИЦАТЕЛЬНОЕ

 

ВВОДНОЕ СЛОВО

 

 

РАСПРОСТРАНЕННОЕ

НЕРАСПРОСТРАНЕННОЕ

 

 

 

НАЛИЧИЕ ВТОРОСТЕПЕННЫХ ЧЛЕНОВ

 

 

 

 

                            Под соснами змеится след рыжей    

                           лисицы или волка.

 

 

 

Обычно я надеваю тёплый плащ

 и шапку.

 

 

Ты Шурка плаваешь хорошо?

 

 

 

 

 

 

Я всегда просыпаюсь до зари и

встречаю рассвет.

 

 

 

Я взял топор закинул его

за правое плечо и со всей силы

хватил по краю бревна.

 

 

 

 

По-моему Александр лучше

всех говорит по-английски.

 

 

 

 

 

 

 

Под песчаной глыбой ребята

сложили разные доски и брёвна

для  шалаша.

 

 

 

 

 

Вода в реке разлилась но

из берегов не вышла.

 

 

 

 

 

 

Мальчик конечно сначала

не обращал на неё никакого

внимания.

 

 

 

 

 

Ты заслоняешь мне солнце!

 

 

 

 

 

 

 

На столе разбросаны красные 

синие зеленые 

карандаши.

 

 

 

 

 

 

И Саша и Володя пришли

 на помощь.

 

 

 

Давай пойдём в музей а

после в парк.

 

 

 

 

 

 

Ветер по морю гуляет и

кораблик подгоняет.

 

 

 

 

 

 

 

 

 

 

 

Белые красные синие шары

летали в небе.

 

 

 

 

 

 

Миша и Юра бегали

в саду в парке.

 

 

 

 

 

 

 

Зацвели деревья и кустарники.

 

 

 

 

 

 

 

Как молния  в небе  сверкает

 и трещит!

 

 

 

 

 

Мне не день рождения

друзья подарили  машинку

на управлении компьютерную

игру и коробку сладких конфет.

 

 

 

 

 

 

Девчонки и мальчишки весёлые

истории послушать не хотите ли?

 

 

 

 

 

 

 

 

 

   

ВПР по русскому языку 6 класс

ВПР по русскому языку за 6 класс 2020-2021 года под редакцией Кузнецова А.Ю. — Вариант 7

При написании данной работы «ВПР по русскому языку 6 класс — 2020-2021. Вариант 7» было использовано пособие «Всероссийская проверочная работа. Русский язык. 6 класс: 10 вариантов. Типовые задания. Кузнецов А.Ю. 2020-2021 год«.


Задание 1

Перепишите текст, раскрывая скобки, вставляя, где это необходимо, пропущенные буквы и знаки препинания

Текст 1

Ночной(2) туман испаряется с полей, с лугов и тает в небесной лазури. Но в лесу он ещё клубится(3). Вот солнце поднимается выше. Его лучи блистают сквозь лесную глушь, но пока едва касаются растительности в глубине леса.

Всё в чаще ещё дышит влагой. Туман небольшими пузырьками садится на иглы елей, на телеграфную проволоку. От тепла капли на проволоке начинают стекать и падать вниз.
И то же самое творится в лиственном лесу. Это не дождь пошёл, а капают с деревьев радостные слёзы растаявшего тумана. Особенно радуется осина, когда упавшая сверху капля приводит в движение её чуткий лист. И так всё ниже, с листка на листик, бежит капля. Вся осина трепещет от капели и сверкает в безветренном воздухе.(4)

(По М.М. Пришвину)

Задание 2

Выполните обозначенные цифрами в тексте 1 языковые разборы:

(2) Морфемный и словообразовательный разборы слова

ночной(2)

Состав слова:
ноч — корень,
н — суффикс,
ой — окончание,
ночн — основа слова.

ночь + [н] = ночной (суффиксальный способ словообразования)

(3) Морфологический разбор слова

клубится(3)

1) Клубится (что делает?) — глагол, н.ф. — клубиться.
2) Пост. — несов. вид, возвр., непереход., II спр.; непост. — в форме изъявит. накл., наст. вр., 3-е л., ед.ч.
3) В предложении является сказуемым.

(4) Синтаксический разбор предложения

Вся осина трепещет от капели и сверкает в безветренном воздухе.(4)

  • Предложение повествовательное, невосклицательное, простое, распространенное, с однородными сказуемыми.
  • Грамматическая основа: осина (подлежащее, выражено именем существительным),
    трепещет (и) сверкает
     (однородные сказуемые, выражены глаголами).
  • Второстепенные члены предложения: (осина) вся — определение, выражено местоимением; (трепещет) от капели — обстоятельство (возможно: дополнение), выражено именем существительным с предлогом; (сверкает) в воздухе — обстоятельство, выражено именем существительным с предлогом; (в воздухе) безветренном — определение, выражено именем прилагательным.

Задание 3

В выделенном предложении найдите слово, в котором не совпадает количество букв и звуков, выпишите это слово. Объясните причину данного несовпадения.

Ответ

Ещё (3 буквы и 4 звука, буква е в начале слова обозначает два звука [й’] и [э])

Задание 4

Поставьте знак ударения в следующих словах:

ЖалюзИ, копИровать, облегчИть, прибылА.

Задание 5

  • Над каждым словом напишите, какой частью речи оно является.
предл. мест. сущ. предл. сущ. мест.
С несколькими рублями в кармане мой
 сущ.   глаг.   предл. сущ. глаг.
дед приехал в Москву учиться.

Задание 6

Найдите и исправьте ошибку (ошибки) в образовании формы слова. Запишите правильный вариант формы слова (слов).

  1. Иван более старше меня
  2. с двумястами рублями
  3. московское ЦСКА
  4. семеро утят
Ответ
  1. Иван старше меня
  2. Московский ЦСКА

Задание 7

Выпишите предложение, в котором нужно поставить тире. (Знаки препинания внутри предложений не расставлены.) Напишите, на каком основании Вы сделали свой выбор.

  1. Мальки на мелководье лёгкая добыча чаек.
  2. Юноша крепок телом и подвижен.
  3. Усы у сома длинные и упругие.
  4. Солнце лениво поднимается над дальним лесом.
Ответ
  • распознавание предложения и места постановки тире

Мальки на мелководье — лёгкая добыча чаек.

  • обоснование выбора предложения

В этом предложении подлежащее и сказуемое выражены именами существительными в им.п.

Задание 8

Выпишите предложение, в котором необходимо поставить две запятые. (Знаки препинания внутри предложений не расставлены.) Напишите, на каком основании Вы сделали свой выбор.

  1. Ветер крепчал и с волн срывались клочья пены.
  2. Костя собрал коллекцию игрушечных автомобилей и мотоциклов и подарил её брату.
  3. Листья под ногами у Пети были не жёлтыми а ярко-рыжими.
  4. Надень-ка Дашенька тёплую кофту.
Ответ
  • распознавание предложения и расстановка знаков препинания

Надень-ка, Дашенька, тёплую кофту.

  • обоснование выбора предложения

Это предложение с обращением.

Прочитайте текст 2 и выполните задания 9-14

Текст 2

(1)Куклы сопровождали наших пращуров на протяжении всей жизни. (2)Уже за пару недель до рождения ребенка женщина скручивала куклу Куватку. (З)Изначально эта кукла не служила игрушкой для маленьких детей, а, как верили наши предки, защищала их от бед и злых духов. (4)К куклам вообще относились очень серьёзно. (5)Они должны были оберегать человека от несчастья: неурожая, болезни или порчи.

(6)0дним из самых древних видов кукол является кукла-панка. (7)Её изготавливали из цельного куска дерева. (8)Панка выполнялась довольно грубо. (9)Она передавала только общие черты мужской или женской фигуры. (10)Лицо у таких кукол не расписывали, так как считали, что тогда в них может вселиться нечисть.(11) Куклу покрывали резными крестами, ромбами и квадратами.(12) У славян это были знаки солнца, земли, воды и травы.(13) Многие историки считают, что панка была оберегом для маленького ребёнка. (14)Она напоминала фигуру древних языческих богов, которым поклонялись северные племена до прихода христианства.

(15)Популярны на Руси были и куклы-лихорадки. (16)Они назывались так в честь лихорадок — злых демонов болезни. (17)Каждый год хозяйка шила двенадцать таких кукол — на каждый месяц и от двенадцати страшных болезней. (18)Изготавливая кукол-лихорадок, часто читали заговор, называя каждую по имени. (19)Куколок ставили рядом с печкой или связывали шнурком и вешали около печной трубы. (20)Считалось, что лихорадка, влетев ночью в дом через трубу, начнёт осматриваться в поисках жертвы, увидит куклу, узнает в ней себя и вселится в неё вместо кого-то из домочадцев.

Задание 9

Определите и запишите основную мысль текста.

Ответ

Основная мысль текста:

Куклы нужны были нашим предкам не как детские игрушки, а как магическая защита от бед и злых сил.

Задание 10

Составьте и запишите план текста из трёх пунктов.

Ответ

План

  1. Наши предки относились к куклам серьёзно.
  2. Кукла-панка выполняла роль детского оберега.
  3. Куклы-лихорадки защищали от болезней.

Задание 11

Почему куклу-панку покрывали крестами, ромбами и квадратами?

Ответ

Кресты, ромбы и квадраты имели магическое значение для наших предков: это были знаки солнца, земли, воды и травы.

Задание 12

Определите и запишите лексическое значение слова «труба» из предложения 19. Подберите и запишите предложение, в котором данное многозначное слово употреблялось бы в другом значении.

Ответ

Труба — дымоход у печи.

В оркестре Петя играл на трубе.

Задание 13

Определите стилистическую окраску слова «пращуры» из предложения 1, запишите. Подберите и запишите синоним (синонимы) к этому слову.

Ответ

пращуры — книжное

пращуры — предки, прародители

Задание 14

Объясните значение фразеологизма вывести на чистую воду, запишите. Используя не менее двух предложений, опишите ситуацию, в которой будет уместно употребление этого фразеологизма. Включите фразеологизм в одно из предложений.

Ответ

Вывести на чистую воду — разоблачить, раскрыть дурной замысел.

Маша не подготовилась к контрольной и решила написать её по шпаргалке. Но учительница быстро вывела обманщицу на чистую воду и отняла мобильный телефон с подсказками.

Новости Стерлитамака :: г. Стерлитамак. Стерлитамакский портал (СТЕРЛИТАМАК.РФ, СТР.РФ, СТЕРЛИТАМАК.РУ, СТР.РУ) :: Стерлитамак город

Раздел новости Стерлитамака. Стерлитамакские новости — это обзор самых интересных событий происходящих в городе Стерлитамаке. Новости Стерлитамака создаются не только администраторами портала, но и любым жителем стремящемся к тому, что бы все жители Стерлитамака были в курсе последних новостей города. Добавляя сообщение в раздел «новости Стерлитамак», каждый из нас вносит свою лепту в то, что бы все мы были более информированы о событиях города Стерлитамака. Ведь именно новости г.Стерлитамак интересуют нас в жизни больше всего, ведь мы хотим быть в курсе всех событий, и мы не хотим пропустить важные и интереснейшие мероприятия. Добавь новость Стерлитамака сам и расскажи о ней всем гостям и жителям города Стерлитамака.

Поиск:

Просмотров: 222     Автор:  Светлана   Опубликовано: 22.04.2022 19:21
Просмотров: 314     Автор:  Светлана   Опубликовано: 22.04.2022 15:04
Просмотров: 381     Автор:  Светлана   Опубликовано: 22.04.2022 12:12
Просмотров: 361     Автор:  Светлана   Опубликовано: 22.04.2022 10:59
Просмотров: 332     Автор:  Светлана   Опубликовано: 21.04.2022 17:23
Просмотров: 267     Автор:  Светлана   Опубликовано: 21.04.2022 16:20
Просмотров: 489     Автор:  Светлана   Опубликовано: 21.04.2022 15:30
Просмотров: 375     Автор:  Светлана   Опубликовано: 21.04.2022 12:34
Просмотров: 480     Автор:  Светлана   Опубликовано: 21.04.2022 11:43
Просмотров: 819     Автор:  Светлана   Опубликовано: 20.04.2022 20:03
Просмотров: 816     Автор:  Светлана   Опубликовано: 20.04.2022 16:16
Просмотров: 740     Автор:  Светлана   Опубликовано: 20.04.2022 15:54
Просмотров: 510     Автор:  Светлана   Опубликовано: 20.04.2022 12:36
Просмотров: 544     Автор:  Светлана   Опубликовано: 20.04.2022 10:57
Просмотров: 494     Автор:  Светлана   Опубликовано: 19.04.2022 17:55
Просмотров: 571     Автор:  Светлана   Опубликовано: 19.04.2022 14:43
Просмотров: 678     Автор:  Светлана   Опубликовано: 19.04.2022 13:57
Просмотров: 704     Автор:  Светлана   Опубликовано: 19.04.2022 13:54
Просмотров: 684     Автор:  Светлана   Опубликовано: 19.04.2022 13:20
Просмотров: 696     Автор:  Светлана   Опубликовано: 19.04.2022 11:56


Самое популярное на STR.RU


Интересное на STR.RU

Витрина Стерлитамака

границ | Автоматическая оценка простаты по шкале Глисона с использованием пирамидальной семантической сети анализа в цифровой гистопатологии

Введение

За последние десятилетия заболеваемость и смертность от рака простаты увеличивались (1). В связи с высоким риском гипердиагностики и избыточного лечения существует острая необходимость в точной оценке прогноза для пациента (2–4). В настоящее время эффективным диагностическим индексом гистопатологической биопсии рака предстательной железы по-прежнему является степень Глисона (5). Система классификации рака предстательной железы по Глисону относится к наблюдению и оценке раковых клеток в соответствии со сходством между нормальной тканью и раковыми клетками (6–9).Патологи признают, что прогноз рака предстательной железы находится между его первичной и вторичной структурой (10–12). В 2016 г. патологоанатомы обновили систему оценок и пересмотрели критерии оценки 1–5 (13). Хотя его клиническая ценность широко признана, система классификации очень сложна и весьма субъективна. Более того, количество квалифицированных патологоанатомов недостаточно для удовлетворения мирового спроса на патоморфологическую диагностику рака предстательной железы. Поэтому вопрос о том, как эффективно использовать систему оценок Глисона для ранней автоматической диагностики и лечения, стал важной темой исследований (14, 15).

Автоматическая сегментация может сократить время задержки между диагностическими тестами и лечением, предоставляя надежный и стандартизированный отчет о местонахождении ткани за долю времени, которое потребовалось бы для этого патологоанатому (16). Тем не менее, диагностический процесс в значительной степени зависит от богатого личного опыта патологоанатома, который не только отнимает много времени и сил, но и страдает от большого количества субъективных ошибок (17, 18). Кроме того, на диагностический процесс также влияет высокая изменчивость между исследователями у разных патологов, что ограничивает его влияние на отдельных пациентов.Чтобы решить вышеуказанные проблемы, врачи часто используют информатику и технологии для диагностики. Среди них метод глубокого обучения был успешно внедрен в область анализа медицинских изображений (19–21).

Алгоритмы глубокого обучения продемонстрировали свой потенциал для патологической диагностики на экспертном уровне в других задачах, таких как диагностика поражений тканей кожи и выявление метастазов рака молочной железы. Лонг и др. (22) предложил полную свёрточную сеть (FCN), которая создала новую главу семантической сегментации и улучшила обобщение динамических объектов сквозным способом.Лю и соавт. (23) доказали, что FCN с модулем объединения глобальных средних может повысить производительность сегментации. Впоследствии Нох и соавт. (24) предложили структуру сети деконволюции от грубой к точной для сегментации изображения. Однако FCN прогнозирует только в одном масштабе, что не может эффективно учитывать изменение размера. Из-за значительных различий в проявлениях рака предстательной железы автоматическая оценка сегментации ткани предстательной железы утомительна и затруднительна. Поскольку изображения сегментации и классификации гистопатологических изображений обычно имеют высокое разрешение, модели глубокого обучения сложно обучать и изучать отличительные признаки из-за ограниченных вычислительных ресурсов (25, 26).Размытые границы некоторых гистопатологических тканей могут сделать эту задачу более сложной.

Помимо существующих проблем, существуют три основные проблемы при извлечении информации из цифровой гистопатологии рака предстательной железы. Первой проблемой является высокая гетерогенность клеток и тканей. Классификация патологических изображений сложна. Он может иметь несколько степеней на гистологическом изображении. Второй проблемой является высокая изменчивость между наблюдателями. В условиях огромных требований к данным у экспертов могут быть разные мнения по поводу аннотирования изображений.Третья задача состоит в том, чтобы изучить особенности изображений с высоким разрешением. Учитывая высокую разнородность данных и разницу экспертной аннотации, при обучении сети сложно выделить признаки. Таким образом, очень важно, как эффективно извлекать полезные функции.

Чтобы решить вышеуказанные проблемы, в этой статье мы предлагаем новую систему для автоматической идентификации гистопатологических изображений простаты. Чтобы получить аннотацию данных с высокой интерпретируемостью и хорошей надежностью, мы используем алгоритм одновременной оценки истинности и уровня производительности (STAPLE) (27) для синтеза различных экспертных аннотаций.Алгоритм STAPLE может облегчить тяжелую задачу экспертов и работать с различными экспертными аннотациями. Предлагаемая система имеет потенциал для улучшения прогноза рака предстательной железы и обеспечивает высокое соответствие эталонному стандарту. Установленный эталонный тест может оценивать и сравнивать состояние алгоритмов анализа изображений и машинного обучения. Это также поможет оценить надежность и точность этих компьютеризированных методов в сравнении с предложениями многочисленных экспертов. Учитывая важность рака предстательной железы и проблемы системы оценок Глисона для обнаружения и диагностики рака предстательной железы, многообещающие результаты могут быть весьма полезными для медицинского сообщества.

Наш основной вклад состоит из трех частей:

1. Представлена ​​систематическая структура, которая полезна для обеспечения патологоанатомов адекватной и эффективной альтернативной системой классификации простаты по шкале Глисона.

2. Предлагается эффективная стратегия извлечения признаков на основе сети семантического разбора пирамиды, которая может извлекать более эффективную информацию и повышать точность диагностики заболеваний.

3. Наш метод утвержден через Ванкуверский центр простаты и занимает первое место в эталонном тесте сегментации простаты MICCAI 2019, что согласуется с диагнозом патологоанатомов.

Методология

Обзор предлагаемого метода

В этой статье мы используем сеть семантического синтаксического анализа пирамиды (PSPNet) для извлечения признаков, а затем уточнения этих признаков из различных масштабов через модуль объединения пирамид. Чтобы повысить производительность сегментации, мы получаем вспомогательный результат прогнозирования, который в основном представляет собой оптимизацию вспомогательной целевой функции в процессе обучения сети. Сеть не только включает в себя эффективные глобальные априорные представления, но также достигает хороших результатов в сегментации изображений микрочипов тканей (TMA).

Алгоритм STAPLE

Для различных задач сегментации экспертная сегментация достигается независимо, но с одной и той же реальной целью сегментации. Алгоритм STAPLE используется для сравнения различий в окончательных результатах сегментации на основе быстрого интерактивного набора уровней и контуров рук для сегментации опухоли (28). Алгоритм сегментирует изображения и одновременно вычисляет вероятность истинной сегментации. Алгоритм STAPLE не только учитывает систематическое отклонение, вызванное различием аннотаций разных экспертов, но и оценивает качество аннотаций каждого эксперта.Алгоритм может хорошо сбалансировать два аспекта, а затем создать нечеткую реальную аннотацию. Мы можем извлекать более важную информацию с разным весом каждой части входных данных, что делает модель более точной суждения и сокращает расчеты и хранение модели. Блок-схема подробной аннотации изображений ядра ТМА, предоставленная различными патологоанатомами, показана на рисунке 1.Алгоритм STAPLE, такой же, как и попиксельное голосование, объединяет аннотации разных патологоанатомов для создания «наземной метки истины».

Результатом алгоритма STAPLE является изображение со значениями с плавающей запятой от 0 до 1, которое представляет вероятность того, что точка пикселя принадлежит определенной цели сегментации. Изображение имеет тот же размер, что и исходное изображение. Кроме того, мы хотим распространить его на ситуации с несколькими категориями. Если каждый пиксель имеет максимальную вероятность принадлежать к другой категории, метка категории точки является неопределенной.На этом этапе мы принимаем ярлык самого опытного эксперта в качестве истинного ярлыка категории точки. После предварительной обработки объединенные метки можно использовать для последующего обучения и проверки сети.

Извлечение признаков

Извлечение признаков — это ключевой шаг в области компьютерного зрения и обработки изображений, который можно использовать для извлечения информации об изображении и определения того, относятся ли точки каждого изображения к полезным признакам. Целью выделения признаков является разделение точек изображения на разные подмножества, которые часто представляются в виде изолированных точек, непрерывных кривых или непрерывных областей.Качество извлеченных признаков оказывает решающее влияние на производительность обучающей сети (29).

В последние годы способ выделения признаков развился от ручного проектирования до автоматического извлечения с помощью сверточной нейронной сети. С тех пор, как был предложен AlexNet, исследователи разработали множество архитектур сверточных нейронных сетей для автоматического обучения и извлечения признаков, таких как сеть VGG (30), остаточная сеть (ResNet) (31) и сеть с плотным подключением (DenseNet) (32). ).В отличие от классических сверточных нейронных сетей, FCN может обрабатывать исходные входные изображения произвольного размера и сохранять пространственную информацию. Он классифицирует исходное изображение пиксель за пикселем из верхней выборки и игнорирует смежную информацию при разъединении изображений объектов с низким разрешением. Однако основная проблема FCN заключается в том, что он не может эффективно использовать информацию о категориях из глобальной сцены. Для задачи классификации изображений увеличение глубины сети может вызвать дополнительные трудности оптимизации.

Остаточный блок может решить эту проблему, используя соединение с длинным пропуском в каждом блоке, и обеспечить хорошую производительность. В глубокой остаточной сети последний уровень в основном изучает остаток, полученный от предыдущего слоя. Под влиянием наиболее широкой остаточной сети наше исследование также использует ResNet в качестве каркасной сети для извлечения признаков. ResNet в основном состоит из остаточных модулей. В отличие от прямого использования сверточного наложения, остаточный модуль вводит остаточное обучение, и, следовательно, сеть можно сделать глубже и иметь более мощные возможности извлечения признаков.Скелетная сеть может эффективно извлекать признаки структуры ткани, используя изображения патологических срезов рака предстательной железы, и готовиться к следующему этапу изучения признаков.

Пирамидальный модуль объединения

Глобальное объединение широко используется в классических сложных цифровых патологических срезах тканей для получения глобальных характеристик уровня изображения (33). Модуль пирамидного пула (PPM) — сравнительно хороший способ в полной мере использовать глобальную информацию. Чтобы уменьшить влияние потери контекстуальной информации между различными субрегионами на этапе обучения, некоторые исследователи предложили иерархический глобальный априор, который содержит вариации между различными субрегионами и многочисленную информацию с разными масштабами (34, 35).Различные уровни сопоставления объектов, созданные модулем пирамидного пула, в конечном итоге выравниваются, а затем подключаются к полному слою соединения в качестве входных данных. Мы можем использовать глобальную априорную технику, чтобы устранить негативные последствия ограничений фиксированного размера для обучения сверточной сети (36). PPM собирает информацию разного масштаба, что более типично, чем глобальное объединение (37). Этот многомасштабный пул может интуитивно поддерживать глобальную контекстную информацию и глобальную информацию разных масштабов лучше, чем одиночный пул.

После использования остаточной сети в качестве экстрактора признаков для извлечения признаков нам необходимо дополнительно изучить и обработать извлеченные признаки до различных размеров. Эти карты объектов могут быть объединены в карты пространственных пирамид. Карта признаков пирамиды подвергается различным сверткам для изучения признаков, а затем передискретизируется для восстановления размера входной карты признаков. Затем эти карты объектов объединяются с входными картами объектов методом сращивания. PPM может преодолеть такие проблемы, как множество параметров, сложное обучение, потеря информации и переоснащение, а также интегрировать функции из четырех различных пирамидальных масштабов.Серый модуль в PPM представляет собой карту признаков, полученную после обучения сети, и продолжает извлекать признаки блоками размером 1 × 1, 2 × 2, 3 × 3 и 6 × 6 пикселей. Мы помещаем эти три сетки на карту объектов и можем получить 12 разных блоков и извлечь функцию из каждого блока. Таким образом, можно получить 12 групп признаков. Очевидно, что PPM может эффективно сочетать признаки разного масштаба, включая как высокоуровневые семантические признаки глубокого уровня, так и структурные признаки низкого уровня.Соответственно, он может лучше изучать и объединять функции.

На рис. 2 разные уровни выходных данных в PPM содержат карты объектов разного размера. Жирная красная подсветка представляет собой один выходной бин. Когда размер слоев пирамиды, установленный сетью, составляет N , соответствующий глобальный размер уменьшается до 1 / N исходного размера, который выбирается до того же размера, что и исходная карта объектов после низкоразмерного картирования объектов. билинейной интерполяцией. Чтобы лучше взвесить глобальные веса признаков, мы добавляем слой свертки 1 × 1 после пирамидального объединяющего слоя.Наконец, различные уровни функций соединяются на разных уровнях в качестве конечной глобальной функции.

Рисунок 2 Блок-схема предложенного нами метода. Мы определяем CNN как базовый уровень извлечения признаков нашей предлагаемой сети. Предоставляя исходное изображение, мы сначала получаем отображение признаков последнего слоя сетевой свертки с использованием CNN, а затем делаем вспомогательный прогноз для отображения признаков с помощью слоев повышающей дискретизации и конкатенации. Затем мы получаем окончательное представление объекта с локальной и глобальной информацией через различные представления субрегионов в PPM после повышающей дискретизации и слоев соединения.Наконец, эти представления передаются в слой свертки, чтобы получить окончательный прогноз для каждого пикселя.

Вспомогательная ответвленная сеть

Эта вспомогательная ответвленная сеть подвергается таким операциям, как свертка и повышение дискретизации для вывода результата прогнозирования. Обратите внимание, что функция потерь магистральной сети равна L 1 , а функция потерь вспомогательной ответвленной сети равна L 2 , где функция потерь L всей сети PSPNet может быть выражена как :

, где α — весовой коэффициент, уравновешивающий две функции потерь, а L 1 и L 2 — кросс-энтропийные функции потерь.Наконец, мы устанавливаем α = 0,5.

В отличие от традиционных потерь при обратном распространении его вспомогательных реле блокировки на поверхностный уровень сети, мы используем два разных механизма потерь, которые могут проходить через все уровни свертки для расчета сети. Вспомогательная потеря может оптимизировать обучение сети, не влияя на обучение основной ветви. Сочетание локальной и глобальной информации может эффективно избежать потери информации и сделать диагностику и прогнозирование заболеваний более надежными.Во время тестирования мы используем основную ветку с лучшей оптимизацией для окончательного прогноза. В частности, мы получаем карту признаков, загружая изображение патологического среза рака простаты в ResNet101. Впоследствии карта объектов передается в PPM для многомасштабного изучения признаков, а затем изученные признаки проходят через несколько слоев свертки. Наконец, мы можем получить окончательный результат прогноза.

Благодаря построению пирамиды признаков для извлечения признаков разного размера каждый признак содержит обширную информацию об изображении, что повышает надежность извлечения сетевых признаков.Сетевая модель выявляет компромисс между памятью и точностью и обеспечивает хорошую производительность сегментации. Направленный на решение проблемы цифровой гистопатологической сегментации рака предстательной железы, этот метод обладает высокой точностью и надежностью. Наш метод помогает нам стать чемпионом по автоматической оценке простаты по шкале Глисона 2019 года, который занял 1-е место в тесте сегментации простаты MICCAI 2019, а также в наборе данных Vancouver Prostate Center.

Экспериментальная установка и результаты

Набор данных

На рисунке 3 мы можем подробно увидеть различия в каждой группе оценок по шкале Глисона.Гистопатологические данные в этой статье предоставлены Ванкуверским центром простаты, которые собираются из различных медицинских учреждений и обрабатывают блоки микрочипов тканей. Следует отметить, что микроматрицу ткани предстательной железы получают от пациентов с подозрением на рак предстательной железы. Для обучающего набора данных определение основного изображения каждого тканевого микрочипа на уровне Глисона связано с наиболее распространенной и второй распространенной оценкой Глисона экспертных аннотаций.

Рисунок 3 Примеры цифровых гистопатологических изображений для оценки простаты по шкале Глисона. Мы перечисляем четыре различные группы оценок по шкале Глисона: (A, B) Доброкачественная; (С, Г) Класс 3; (Э, Ж) Класс 4; и (G, H) , класс 5. Можно заметить, что каждый уровень имеет различные размеры, формы и неправильные границы объектов. Степень 3 по Глисону состоит из хорошо сформированных и четко очерченных желез разного размера, но они меньше и плотнее, чем незлокачественная ткань предстательной железы.В то время как степень 4 по Глисону связана с плохо сформированными железами, слияние желез больше не разделяется матриксом, даже в связи с паттерном, известным как крибриформа. 5-я степень по Глисону включает железы с наихудшей дифференцировкой.

Обработка данных

Конкурс Глисона MICCAI 2019 предоставляет аннотации от шести экспертов, и аннотации, предоставленные каждым экспертом, не обязательно являются полными. К счастью, аннотация всеми аннотаторами полностью покрывает все данные. Поэтому использование этих аннотаций становится основной проблемой.Все основные изображения ТМА аннотированы как доброкачественные и имеют шкалу Глисона 3, 4 и 5. Шесть патологоанатомов нарисовали области (замкнутые контуры) на патологических изображениях и пометили каждую область степенью. Хотя все основные изображения ТМА подробно аннотированы патологоанатомами, ни одно из них не является полным. В аннотации эксперта есть даже два изображения без соответствующего изображения в обучающей выборке. Однако для обучения сети необходим один реальный тег; нам нужно объединить теги шести экспертов для повышения надежности.Только четыре из шести патологов маркируют все изображения, в то время как два других патологоанатома маркируют только 191 и 92 изображения. Чтобы лучше использовать все экспертные аннотации, мы используем алгоритм STAPLE для создания окончательной «наземной метки истины» через , объединяя аннотации, предоставленные несколькими аннотаторами.

Внедрение и дополнение данных

Чтобы продемонстрировать эффективность нашего метода, мы участвуем в конкурсе MICCAI Gleason 2019 Challenge. В общей сложности 331 изображение (в том числе 224 изображения поезда и 87 тестовых изображений) используется из блоков микрочипов тканей.Эти изображения вручную аннотируются профессиональными дерматологами.

Мы используем PyTorch для распределенного параллельного обучения алгоритмических моделей на высокопроизводительной графической рабочей станции Ubuntu. Стратегия снижения скорости обучения: η=η0(1−nN)β, где η 0 = 0,002 — начальная скорость обучения, n — текущие тренировочные раунды, N = 200 — общее количество тренировочных раундов. , а β = 0,9.

Из-за большого размера изображения патологического среза предстательной железы его нельзя напрямую ввести в сеть для обучения.В этой статье мы напрямую масштабируем короткую сторону входного изображения до размера 1024 пикселей, а затем случайным образом обрезаем фрагмент изображения размером 800 × 800 в качестве входных данных сети. Все образцы разбиты на пять частей (каждое подмножество имеет примерно равное количество образцов). Мы повторяем весь процесс пять раз, чтобы избежать возможного отклонения раздела набора данных во время перекрестной проверки. Окончательные результаты рассчитываются путем усреднения результатов пяти групп. Чтобы избежать переобучения сети, вызванного недостатком данных, мы предлагаем метод увеличения данных путем случайного изменения размера и зеркального отображения обучающих наборов данных.

Метрики оценки

Для оценки производительности использовались такие метрики производительности, как точность, среднее значение, энтропия и стандартное отклонение. В этой статье мы оцениваем производительность сети с помощью таких показателей оценки, как коэффициент сходства расстояний (DSC), индекс Жаккара (JA), расстояние Хаусдорфа (HD), коэффициент Каппа Коэна и оценка F1.

Коэффициент подобия расстояния (DSC) определяется следующим образом:

где │·│ представляет собой набор пикселей, а A и B представляют реальную метку и результат сегментации соответственно.Расстояние Хаусдорфа (HD) определяется следующим образом:

HD (XS,YS)=max(h(XS,YS), h(YS,XS))(3)

, где X S и Y S представляют набор точек реальной метки и результат сегментации соответственно. H ( x S , Y S ) и H ( Y S , x S ) может быть Calculated NASE: x S ). =maxxi∈XSminyj∈YS||xi−yj||(4)h(YS,XS)=maxyj∈YSminxi∈XS||yj−xi||(5)

, где ║·║ представляет евклидово расстояние.Среднее поверхностное расстояние является еще одним индексом оценки расстояния. Чем ниже значение HD, тем выше производительность сети. Каппа-эффективность Коэна k определяется следующим образом:

Где p 0 — относительная постоянство оценок оценщиков, а p e — наблюдаемые данные, используемые для расчета гипотетической вероятности. Если оценки двух оценок одинаковы, то κ = 1.

F1=2precision×recallprecision+recall(10)

, где TN, TP, FN и FP представляют истинно отрицательные, истинно положительные, ложноотрицательные и ложноположительные, соответственно.

2019 MICCAI Automatic Prostate Grading Challenge

MICCAI Prostate Grading Challenge 2019 предоставляет уникальный набор данных и строгие условия оценки Глисона для сложной задачи. В ходе эксперимента каждая область в патологическом срезе сопоставляется моде Глисона, а мода низкого уровня соответствует почти нормальной опухоли предстательной железы. Уровень дифференциации с наибольшей площадью регистрируется как наиболее важное значение дифференциации, а уровень дифференциации со второй по величине площадью регистрируется как значение вторичной дифференциации.Третье по величине или менее 5% меньшинство игнорируется. Задача оценки простаты включает в себя две разные задачи. Один из них — это прогноз уровня Глисона на уровне пикселей, другой — прогноз уровня Глисона на уровне ядра. Задача 1 считается задачей сегментации, и для ее выполнения мы используем PSPNet. Для задачи 2 мы не обучаем другую сеть, а предоставляем прогноз задачи 1 в соответствии с системой оценок Глисона.

1) Прогнозирование оценки по шкале Глисона на уровне пикселей

В первом задании этого конкурса содержание разделено на четыре патологических раздела с различными диаграммами Глисона.Показатели оценки в этом задании, предоставленные оргкомитетом соревнований, представляют собой комбинацию баллов F1 и коэффициента Каппа Коэна. Коэффициент рассматривается как соглашение для оценки надежности и обычно считается более надежной мерой, чем простой расчет процентов. Мы используем эту формулу комбинированной оценки для расчета окончательной оценки для каждого тестового изображения. В Таблице 1 показаны прогнозируемые результаты оценки по шкале Глисона на уровне пикселей (обратите внимание, что данные в Таблице 1 можно найти на официальном сайте конкурса).На рисунке 4 показана визуализация T-SNE с оценкой по четырем шкалам Глисона с использованием предложенного нами метода.

Таблица 1 Задача 1: прогнозирование оценок по шкале Глисона на уровне пикселей.

Рисунок 4 Предлагаемый нами метод визуализации T-SNE с четырьмя градациями по Глисону, где 0 представляет доброкачественность, а 3, 4 и 5 представляют 3, 4 и 5 оценки по Глисону соответственно.

2) Прогнозирование оценки по шкале Глисона на базовом уровне

Во втором задании этого конкурса содержание трансформируется от сегментации патологических срезов к классификации различных паттернов Глисона.Для достижения автоматической классификации Глисона патологических изображений предстательной железы мы фокусируемся не только на сегментации, но и на эффекте сетевой классификации. Мы заинтересованы в скрининге доброкачественных бляшек из всех патологических тканей биопсии. Кроме того, мы уделяем больше внимания различению рака высокой степени злокачественности (степени 4, 5) и рака низкой степени злокачественности (степень 3). Задание 2 классифицирует и выставляет оценки по Глисону в соответствии с результатами задания 1. Его классификационный эффект намного больше, чем у прямой классификации патологических разделов.Игнорируя фоновую часть изображения в результате оценки по Глисону на уровне пикселей, мы получаем результат оценки по Глисону с наибольшей долей в изображении. Сравнивая прогнозируемые результаты с прямым расчетом результатов оценки по Глисону на уровне изображения, мы можем проанализировать эффективность оценки по Глисону на уровне изображения для каждой сети. Чтобы убедиться в превосходстве автоматической оценки нашей сети, мы перечисляем результаты матрицы путаницы четырех лучших конкурсов. На рис. 5 представлены результаты матрицы путаницы для разных команд.Обратите внимание, что матрица путаницы получена из всего набора обучающих и тестовых данных в группе оценок Глисона.

Рисунок 5 Задача 2: прогнозирование оценок по шкале Глисона на базовом уровне. На этом рисунке мы приводим некоторые результаты матрицы путаницы для разных команд. (A) PSPNet (Наш), (B) U-net++ (Ni), (C) U-net++ (Ternaus), (D) U-net (Чжан).

На рисунке 5 первая строка матрицы путаницы, представленная группой (а), показывает, что 95.94% доброкачественных пикселей классифицируются правильно; 0,07 % доброкачественных пикселей ошибочно отнесены к 3-му классу, 0,98 % — к 4-му классу и 3,00 % — к 5-му классу. достигает наилучших результатов сегментации. Учитывая достоверность и надежность шкалы Глисона при обнаружении и диагностике рака предстательной железы, наши результаты полезны для медицинского сообщества в диагностике рака предстательной железы.

Сравнение различных методов

Для обучения глубокой нейронной сети количество информации об изображении связано с размером и количеством входных изображений. Однако в процессе обучения сети увеличение глубины сети может вызвать дополнительные проблемы с оптимизацией. Согласно предыдущей литературе (38), FCN на основе остаточной сети решает эту проблему посредством пропуска соединений в каждом блоке. Мы сравниваем четыре предложенные различные классические сети семантической сегментации, т.е.например, FCN (22), SegNet (39), U-Net (40) и DeepLabv3 (41), чтобы проверить производительность сегментации. Результаты представлены в таблице 2.

Таблица 2 Результаты различных сетевых моделей (жирным шрифтом выделена лучшая производительность).

Для обеспечения согласованности мы сравниваем три сети, основанные на ResNet или с сетевой структурой, такой как ResNet, в нашем прогнозе оценок Глисона на уровне пикселей и оценок Глисона на уровне ядра. Во время эксперимента мы количественно оцениваем квадратичную статистику каппа Коэна, чтобы сравнить согласованность среди патологов и согласованность аннотатора между моделями и патологами.Сравнение прогнозирования оценок по шкале Глисона на уровне пикселей для различных методов показано в таблице 3.

Таблица 3 Прогнозирование оценок по шкале Глисона на уровне пикселей для различных методов.

Поскольку врачи обеспокоены доброкачественностью и злокачественностью опухолей в реальной клинической практике, они заинтересованы в том, чтобы провести различие между раком высокого риска (критерии Глисона 4, 5) и раком низкого риска (критерий Глисона 3). Кроме того, результаты классификации основаны на высоких и низких оценках.При сравнении результатов прогнозирования с реальными метками производительность классификации Глисона на базовом уровне для каждой сети показана в таблице 4. Сравнительные результаты предложенного метода с несколькими недавно предложенными методами представлены в таблице 5.

Таблица 4 Core -уровень предсказания оценок Глисона различными методами.

Таблица 5 Сравнение предложенного метода с несколькими недавно предложенными методами.

Из таблицы 3 мы можем узнать, что PSPNet, использованная в этом исследовании, превосходит другие сравнительные методы, что согласуется с оценками шести экспертов (рассчитанными с помощью коэффициента каппа Коэна k ) или средним макро- и микро- средние результаты F1.В тестовой когорте минимальное и максимальное тыс. каждого из шести экспертов, набранных PSPNet, соответственно, составляют 0,23 и 0,62, а минимальное и максимальное тыс. между шестью экспертами составляют 0,38 и 0,70. Таким образом, согласованность оценки PSPNet между каждым экспертом и оценкой Глисона на уровне пикселей находится в пределах диапазона согласованности оценок этих шести экспертов.

Как показано в таблицах 4, 5, предлагаемая сеть PSPNet обеспечивает наилучшую производительность в отношении различных показателей оценки для различения доброкачественных и злокачественных новообразований.Для различения опухолей с высокой и низкой оценкой большинство показателей эффективности методов, перечисленных в таблице, уменьшены, что указывает на то, что существует больше трудностей для идентификации опухолей с высокой и низкой оценкой. Однако PSPNet все же дает лучший результат, что дополнительно иллюстрирует стабильность и надежность метода.

Обсуждение

Существует множество способов улучшить эту модель, начиная от общей архитектуры и заканчивая выборкой данных. Несмотря на многообещающие результаты нашей модели, не гарантируется, что применение этой модели в реальной диагностике заболеваний не оставляет места для ошибок.В этом случае опухоль необходимо удалить как можно дальше, не повреждая другие здоровые ткани.

Что касается предсказания основного уровня задачи 2, мы не рассчитывали его напрямую. Окончательные спрогнозированные результаты будут отправлены на оценочную платформу, а организаторы конкурса проведут экспериментальную оценку. Из рисунка 5 видно, что другие участники имеют плохие прогнозы по шкале Глисона 5 и пропускают многие опухоли с высокой оценкой, в то время как используемый нами метод PSPNet может хорошо выявлять опухоли по шкале Глисона 5, но различение между шкалами Глисона 3 и 4 недостаточно хорошее.

Мы также обсуждаем со многими экспертами и учеными плохие результаты 4-й оценки по шкале Глисона и делаем вывод о наличии определенной случайности в данных тестирования, отобранных при экспериментальной оценке (4-я и 5-я оценки по шкале Глисона очень похожи по форме) , и частота ошибок оценки очень высока. Однако патологоанатомы считали, что 4-й и 5-й баллы по Глисону относятся к классам высокого риска, что угрожает здоровью и прогнозу пациентов. Хотя PSPNet достигает самой низкой точности прогнозирования 4-й степени по шкале Глисона на базовом уровне, это не влияет на автоматическую оценку патологических изображений простаты.

Чтобы эффективно повысить точность диагностики заболевания, мы используем новую модель для автоматической оценки цифровой гистопатологии рака простаты. Чтобы доказать превосходство предложенной сети, мы извлекаем карты признаков из остатков и визуализируем их, как показано на рисунке 6; мы можем заметить, что наш метод эффективно сохраняет исходную информацию о входном изображении.

Рисунок 6 Результаты визуализации карты объектов. Столбец (A) представляет собой входное изображение; столбцы (B-E) показывают, что карты признаков получены через четыре сверточных слоя в PPM, соответственно.

По сравнению с другими командами, PSPNet показала лучшие результаты среди участников конкурса MICCAI Automatic Prostate Grading Challenge 2019 по шкале Глисона. Все динамические выборки автоматически определяются PSPNet. Общий статический дизайн и динамический выбор основаны на правилах, определяемых нашим опытом в этой области. Эти результаты сегментации некоторых сложных и репрезентативных образцов показаны на рисунке 7.

Рисунок 7 Различные результаты сегментации FCN, SegNet, U-Net, DeepLabv3 и предложенного нами метода.Столбец (A) — входное изображение, столбец (B) — окончательная экспертная аннотация, используемая алгоритмом примера, а столбцы (C–G) указывают окончательные результаты сегментации FCN, SegNet, U-Net. , DeepLabv3 и PSPNet соответственно.

PSPNet может эффективно изучать многомасштабные функции для точной автоматической классификации патологических изображений простаты. Несмотря на то, что этот метод дает хорошие результаты сегментации, он все же имеет некоторые недостатки. Основным недостатком нашего метода является то, что нашего обучающего набора данных недостаточно для диагностики заболеваний для анализа медицинских изображений.Хотя исходный набор данных был увеличен в 5 раз с помощью технологии улучшения данных, мы по-прежнему не можем гарантировать его полное применение для изучения глубоких нейронных сетей. Более того, наш метод не может хорошо сегментировать некоторые изображения, как показано на рисунке 8. Мы можем заметить, что три категории: 3-й, 4-й и 5-й классы легко спутать.

Рис. 8 Неэффективные изображения с использованием нашего метода. Столбцы (A, C) представляют собой «наземную истину», а столбцы (B, D) представляют собой окончательный результат сегментации.

Предлагаемая нами сеть позволяет легко отличить доброкачественные новообразования от злокачественных, но дифференциация по шкале Глисона 3, 4 и 5 недостаточна. Мы считаем, что это может быть связано с несбалансированностью распределения данных каждой оценки в наборе данных. В наших обучающих данных Gleason 5 имеет небольшой объем данных, поэтому в результатах обучения сети есть некоторые ошибки.

Заключение

В этой статье мы предлагаем новую систему автоматической идентификации тканей биопсии предстательной железы и используем алгоритм STAPLE для синтеза различных экспертных меток.Результаты, основанные на перекрестной проверке, показывают, что наш метод дает многообещающие результаты в эффективности классификации. Система потенциально может улучшить прогноз рака предстательной железы и полностью соответствует эталонному стандарту.

В дальнейшей работе могли быть учтены некоторые доработки с нескольких сторон. Во-первых, наш подход уделяет особое внимание использованию признаков изображения в качестве входных данных для сетевой модели. Однако эта созданная вручную функция ограничивает богатство информации о структуре изображения.Чтобы максимально использовать возможности сверточной сетевой модели для получения характеристик изображения, можно попробовать объединить созданные вручную функции из исходных данных и использовать более продвинутые сетевые модели для разработки нашей структуры. Во-вторых, мы можем добавить в предлагаемую структуру другие сложные факторы, чтобы потенциально улучшить производительность. Наконец, нам нужно предложить лучше интегрировать системы глубокого обучения с процессами диагностики патологов и влияние этого вспомогательного метода, основанного на искусственном интеллекте, на общую эффективность, точность и прогноз шкалы Глисона в клинической практике.

Заявление о доступности данных

В этом исследовании были проанализированы общедоступные наборы данных. Эти данные можно найти на следующем веб-сайте соревнований: https://Gleason2019.grand-challenge.org/Home/.

Вклад авторов

YQ и YH написали программы, выполнили анализ данных и подготовили рукопись. PK, HX и XZ помогли проверить контуры. TW, JC и BL руководили исследованием и участвовали в обсуждениях и подготовке рукописи.Все авторы прочитали, обсудили и одобрили окончательный вариант рукописи, а также разработали план исследования.

Финансирование

Эта работа была частично поддержана Национальным фондом естественных наук Китая (№ 81771922, 62071309, 61801305, 62006160, 81971585, 62106153 и 61871274), Национальным фондом естественных наук провинции Гуандун (№ 2521511A2105 Проект фундаментальных исследований (№ JCYJ20170818094109846, JCYJ20180507184647636, JCYJ201155618806, GJHZ201

095414576 и JCYJ201145011259).

Конфликт интересов

Авторы заявляют, что исследование проводилось при отсутствии каких-либо коммерческих или финансовых отношений, которые могли бы быть истолкованы как потенциальный конфликт интересов.

Примечания издателя

Все утверждения, изложенные в этой статье, принадлежат исключительно авторам и не обязательно представляют претензии их дочерних организаций, издателя, редакторов и рецензентов. Любой продукт, который может быть оценен в этой статье, или претензии, которые могут быть сделаны его производителем, не гарантируются и не поддерживаются издателем.

Благодарности

Благодарим Организационный комитет за предоставление отличной платформы.

Сноски

  1. Веб-сайт конкурса: https://Gleason2019.grand-challenge.org/Home/

Ссылки

1. Allsbrook WCI Jr, Mangold KA, Johnson MH, Lane JCG, Lane RB , и другие. Межнаблюдательная воспроизводимость оценки Глисона карциномы предстательной железы: урологические патологоанатомы. Хум Патол (2001) 32(1):81–8.doi: 10.1053/hupa.2001.21135

PubMed Abstract | Полный текст перекрестной ссылки | Google Scholar

3. Freddie BJF, Isabelle S. Global Cancer Statistics 2018: GLOBOCAN оценки заболеваемости и смертности во всем мире для 36 видов рака в 185 странах. CA: Рак J Clin (2018) 68: 394–424. doi: 10.3322/caac.21492

Полный текст CrossRef | Google Scholar

4. Куперберг М.Р., Броеринг Дж.М., Кэрролл П.Р. Временные тенденции и локальные изменения в первичном лечении локализованного рака предстательной железы. J Clin Oncol Off J Am Soc Clin Oncol (2010) 28(7):1117–23. doi: 10.1200/JCO.2009.26.0133

Полный текст CrossRef | Google Scholar

5. Bulten W, Pinckaers H, Hulsbergen-van de Kaa C, Litjens G. Автоматическая оценка биопсии простаты по шкале Глисона с использованием глубокого обучения. Современный Патол (2020) 21: 233–41. doi: 10.1016/S1470-2045(19)30739-9

CrossRef Полный текст | Google Scholar

6. Bailar JCI, Mellinger G, Gleason D. Показатели выживаемости пациентов с раком предстательной железы, стадия опухоли и дифференциация — предварительный отчет. Cancer Chemother Rep Part (1966) 50(3):129–36.

Google Scholar

9. Орнштейн Дэвид К. Патология и генетика: опухоли мочевыделительной системы и мужских половых органов . Хагерстаун, Мэриленд, США:Wolters Kluwer Health Inc. (2004).

Google Scholar

10. Бьяртелл А. Консенсусная конференция Международного общества урологической патологии (ISUP) 2005 г. по классификации рака предстательной железы по шкале Глисона. Am J Surg Pathol (2006) 29(9):1228–42.doi: 10.1097/01.pas.0000173646.99337.b1

Полный текст CrossRef | Google Scholar

11. Хоссфельд Д.К. Классификация опухолей Всемирной организации здравоохранения: патология и генетика опухолей кроветворной и лимфоидной тканей. Энн Онкол (2002) 13(3):490. doi: 10.1093/annonc/mdf146

CrossRef Full Text | Google Scholar

12. Берг К.Д., Томсен Ф.Б., Нерстрем С., Рёдер М.А., Иверсен П., Тофт Б.Г. и соавт. Влияние согласованных руководящих принципов Международного общества урологической патологии 2005 г. на оценку по шкале Глисона — анализ совпадающих пар. BJU Int (2016) 117(6):883–9. doi: 10.1111/bju.13439

PubMed Abstract | Полный текст перекрестной ссылки | Google Scholar

13. Эпштейн Дж.И., Эгевад Л., Амин М.Б., Делахант Б., Родригес Г. Консенсусная конференция Международного общества урологической патологии (ISUP) 2014 г. по классификации рака предстательной железы по шкале Глисона. Am J Surg Pathol (2015) 40:758–9. doi: 10.1097/PAS.0000000000000530

CrossRef Full Text | Google Scholar

14. Wang Y, Dou H, Hu X, Zhu L, Yang X, Xu M, et al.Функции глубокого внимания для сегментации простаты в 3D трансректальном УЗИ. IEEE Trans Med Imaging (2019) 38:2768–78. doi: 10.1109/TMI.2019.2913184

PubMed Abstract | Полный текст перекрестной ссылки | Google Scholar

15. Bulten W, Balkenhol M, Belinga J-JA, Brilhante A, Çakır A, Egevad L, et al. Помощь искусственного интеллекта значительно улучшает оценку Глисона биопсии простаты патологоанатомами. Modern Pathol (2021) 34 (3): 660–71. doi: 10.1038/s41379-020-0640-y

CrossRef Full Text | Google Scholar

16.Nagpal K, Foote D, Tan F, Liu Y, Chen P-HC, Steiner DF, et al. Разработка и проверка алгоритма глубокого обучения для оценки рака простаты по шкале Глисона по образцам биопсии. JAMA Oncol (2020) 6(9):1372–80. doi: 10.1001/jamaoncol.2020.2485

PubMed Abstract | Полный текст перекрестной ссылки | Google Scholar

17. Юань Ю, Ван Дж, Ли Б, Мэн MQ-H. Выявление язв на основе значимости для диагностики беспроводной капсульной эндоскопии. IEEE Trans Med Imaging (2015) 34(10):2046–57.doi: 10.1109/TMI.2015.2418534

PubMed Abstract | Полный текст перекрестной ссылки | Google Scholar

18. Li Y, Huang M, Zhang Y, Chen J, Xu H, Wang G, et al. Автоматическая градация Глисона и сегментация области паттерна Глисона на основе глубокого обучения для патологических изображений рака простаты. IEEE Access (2020) 8:117714–25. doi: 10.1109/ACCESS.2020.3005180

CrossRef Полный текст | Google Scholar

19. Yang X, Yu L, Li S, Wen H, Luo D, Bian C, et al. На пути к автоматизированной семантической сегментации в пренатальном объемном ультразвуковом исследовании. IEEE Trans Med Imaging (2018) 38(1):180–93. doi: 10.1109/TMI.2018.2858779

PubMed Abstract | Полный текст перекрестной ссылки | Google Scholar

20. Dou Q, Chen H, Yu L, Zhao L, Qin J, Wang D, et al. Автоматическое обнаружение церебральных микрокровоизлияний на изображениях МРТ с помощью трехмерных сверточных нейронных сетей. IEEE Trans Med Imaging (2016) 35(5):1182–95. doi: 10.1109/TMI.2016.2528129

PubMed Abstract | Полный текст перекрестной ссылки | Google Scholar

21. Liu J, Xu B, Chi Z, Gong Y, Jon G, Daniele S, et al.Сквозная система гистохимической оценки с глубоким обучением для рака молочной железы TMA. IEEE Trans Med Imaging (2018) 38:617–28.

Реферат PubMed | Google Scholar

22. Лонг Дж., Шелхамер Э., Даррелл Т. Полностью сверточные сети для семантической сегментации. В: Материалы конференции IEEE по компьютерному зрению и распознаванию образов . Бостон, Массачусетс, США: IEEE (2015). п. 3431–40. doi: 10.1109/TMI.2018.2868333

CrossRef Full Text | Академия Google

23.Лю В., Рабинович А., Берг А.С. ParseNet: смотреть шире, чтобы лучше видеть. Информатика . Бостон, Массачусетс, США (2015). doi: 10.48550/arXiv.1506.04579

CrossRef Full Text | Google Scholar

24. Но Х., Хонг С., Хан Б. Сеть обучения деконволюции для семантической сегментации. In: 2015 Международная конференция IEEE по компьютерному зрению (ICCV) . Сантьяго, Чили: Компьютерное общество IEEE (2015). doi: 10.1109/iccv.2015.178.

Полнотекстовая перекрестная ссылка | Академия Google

25.Gandomkar Z, Brennan PC, Mello-Thoms C. MuDeRN: Мультикатегориальная классификация гистопатологического изображения молочной железы с использованием глубоких остаточных сетей. Artif Intelll Med (2018) 88:14–24. doi: 10.1016/j.artmed.2018.04.005

PubMed Abstract | Полный текст перекрестной ссылки | Google Scholar

27. Vaswani A, Shazeer N, Parmar N, Uszkoreit J, Jones L, Gomez AN, et al. Внимание — это все, что вам нужно. В: Достижения в области нейронных систем обработки информации . Лонг-Бич, Калифорния, США: MIT Press (2017).п. 5998–6008.

Google Scholar

28. Warfield SK, Zou KH, Wells WM. Одновременная оценка уровня достоверности и производительности (STAPLE): алгоритм проверки сегментации изображения. IEEE Trans Med Imaging (2004) 23(7):903. doi: 10.1109/TMI.2004.828354

PubMed Abstract | Полный текст перекрестной ссылки | Google Scholar

29. Jung H, Choi M-K, Jung J, Lee J-H, Kwon S, Young Jung W. Классификация транспортных средств на основе ResNet и локализация в системах наблюдения за дорожным движением.В: Труды конференции IEEE по компьютерному зрению и семинарам по распознаванию образов . Гонолулу, Гавайи, США: IEEE (2017). п. 61–7.

Google Scholar

30. Симонян К., Зиссерман А. Очень глубокие сверточные сети для распознавания крупномасштабных изображений. В: Материалы конференции IEEE по компьютерному зрению и распознаванию образов . Колумбус, Огайо, США: IEEE (2014).

Google Scholar

31. He K, Zhang X, Ren S, Sun J. Глубокое остаточное обучение для распознавания изображений.В: Материалы конференции IEEE по компьютерному зрению и распознаванию образов . Лас-Вегас, Невада: IEEE (2016). п. 770–8.

Google Scholar

32. Huang G, Liu Z, van der Maaten L, Weinberger KQ. Плотно связанные сверточные сети. В: Материалы конференции IEEE по компьютерному зрению и распознаванию образов . Гонолулу, Гавайи, США: IEEE (2017). п. 4700–8.

Google Scholar

33. Lee CY, Gallagher PW, Tu Z. Обобщающие функции объединения в сверточных нейронных сетях: Mixed, Gated и Tree. Компьютерные науки (2015) 3: 464–72.

Google Scholar

34. Бетро Б., Гульельми А. Методы глобальной априорной устойчивости в условиях обобщенного момента. В: Надежный байесовский анализ . Спрингер (2000). п. 273–93.

Google Scholar

35. Полсон Н.Г., Скотт Дж.Г. О априоре полукоши для параметра глобальной шкалы. Байесовский анализ (2012) 7(4):887–902. doi: 10.1214/12-BA730

Полный текст CrossRef | Академия Google

36.Чжао Х., Ши Дж., Ци С., Ван С., Цзя Дж. Сеть разбора сцены пирамиды. В: Материалы конференции IEEE по компьютерному зрению и распознаванию образов . Гонолулу, Гавайи, США: IEEE (2017). п. 2881–90.

Google Scholar

37. Ю Б., Ян Л., Чен Ф. Семантическая сегментация изображений дистанционного зондирования с высоким пространственным разрешением на основе нейронной сети свертки и модуля объединения пирамид. IEEE J Selected Topics Appl Earth Observations Remote Sens (2018) 11(9):3252–61.doi: 10.1109/JSTARS.2018.2860989

CrossRef Full Text | Google Scholar

38. Гарсия-Гарсия А., Ортс-Эсколано С., Опря С., Виллена-Мартинес В., Гарсия-Родригес Дж. Обзор методов глубокого обучения, применяемых к семантической сегментации. В: Материалы конференции IEEE по компьютерному зрению и распознаванию образов . Гонолулу, Гавайи, США: IEEE (2017).

Google Scholar

39. Бадринараянан В., Кендалл А., Сиполла Р. Сегнет: Архитектура глубокого сверточного кодировщика-декодера для сегментации изображений. IEEE Trans Pattern Anal Mach Intel (2017) 39 (12): 2481–95. doi: 10.1109/TPAMI.2016.2644615

PubMed Abstract | Полный текст перекрестной ссылки | Google Scholar

40. Роннебергер О., Фишер П., Брокс Т. U-Net: сверточные сети для сегментации биомедицинских изображений. В: Международная конференция по вычислениям медицинских изображений и компьютерным вмешательствам . Спрингер (2015). п. 234–41.

Google Scholar

41. Чен Л. С., Папандреу Г., Шрофф Ф., Адам Х.Переосмысление Atrous Convolution для семантической сегментации изображений. Препринт arXiv arXiv:.05587 . Гонолулу, Гавайи, США: IEEE (2017). doi: 10.48550/arXiv.1706.05587

Полный текст CrossRef | Google Scholar

42. Arvaniti E, Fricker KS, Moret M, Rupp N, Hermanns T, Frankhauser C, et al. Автоматизированная оценка по шкале Глисона микрочипов тканей рака предстательной железы с помощью глубокого обучения. Научный представитель (2018) 8(1):1–11. doi: 10.1038/s41598-018-30535-1

PubMed Abstract | Полный текст перекрестной ссылки | Google Scholar

43.Nagpal K, Foote D, Liu Y, Chen P-HC, Wulczyn E, Tan F и другие. Разработка и проверка алгоритма глубокого обучения для улучшения оценки рака простаты по шкале Глисона. NPJ Digital Med (2019) 2(1):1–10. doi: 10.1038/s41746-019-0112-2

CrossRef Полный текст | Google Scholar

44. Карими Д., Нир Г., Фазли Л., Блэк ПК, Гольденберг Л., Салкудин С.Э. Основанная на глубоком обучении оценка рака предстательной железы по Глисону на основе гистопатологических изображений — роль многомасштабной агрегации решений и увеличения данных. IEEE J Biomed Health Inf (2019) 2:1–10. doi: 10.1109/JBHI.2019.2944643

Полный текст CrossRef | Google Scholar

(PDF) Анализ практики преподавания

Кеннеди 7

Сейчас мы находимся в моменте, когда мы снова настраиваемся

на то, что на самом деле делают учителя, видимые практики

преподавания, и снова мы заинтересованы в том, чтобы найти способ

разобрать педагогическую практику на понятные части. Этот вопрос о том, как мы анализируем педагогическую практику, находится в центре внимания этой

статьи.Он состоит из двух основных частей. В первой я исследую три

различных попытки разбить педагогическую практику на составляющие ее

части и использую эти примеры, чтобы проиллюстрировать общие проблемы, связанные с разбором педагогической практики. Во втором я выступаю за альтернативный подход, который не

сортирует видимое поведение обучения, а вместо этого

сортирует практики в соответствии с их целью и тем, как они способствуют общему уроки.

Три способа анализа педагогической практики

Учителя занимаются деятельностью

Возможно, самой ранней попыткой разделить педагогическую практику было

Исследование подготовки учителей Содружества (Charters &

Waples, 1929), очень обширная и интенсивная работа в

в конце 1920-х годов, чтобы определить всю деятельность учителей. Хотя

исследование было определено в основном как попытка составить список всех

вещей, которые делают учителя (Forzani, 2014), его конечной целью было помочь педагогам-педагогам составить полезную учебную программу, содержащую

соответствующих знаний.Авторы исходили из того, что

почти все когда-либо произведенные знания могут быть применимы в той или иной степени к обучению, поэтому преподавателям было трудно разработать учебную программу, которая охватывала бы наиболее актуальные

знания. знание. Их решение состояло в том, чтобы перечислить все виды деятельности,

, которые фактически выполняли учителя, чтобы педагоги-педагоги могли

определить знания, которые будут иметь отношение к этим конкретным видам деятельности.

Чтобы составить свой список, авторы изучили многочисленные описания вакансий

, попросили самых разных учителей перечислить все

дела, которыми они занимались, и попросили педагогов-

школьных администраторов и других лиц предоставить пункты, которые они думали, что

учителей должны делать, даже если они не были упомянуты

в должностных инструкциях или самими учителями. В интересах

экономии они стремились к общей деятельности.То есть они

предпочитали такие предметы, как «давать задания учащимся», набору

предметов, которые включали задания по географии, истории или биологии, или задания

второклассникам по сравнению с шестиклассниками по сравнению с десятиклассники.

Несмотря на эту попытку экономии, их окончательный список включал

1001 предмет, который они затем рассортировали по семи широким категориям: (a) обучение в классе, (b) управление школой и классом, (c ) надзор за внеклассной деятельностью, (d)

отношения между персоналом, (e) отношения со школьным сообществом

, (f) профессиональный рост и (g) техническое обслуживание

школьного оборудования и принадлежностей.Каждая из этих категорий была

, а затем подразделялась на более мелкие. Например, широкая категория

«преподавание предмета» подразделяется на планирование, постановку целей, выбор и организацию предмета, развитие интереса, инструктаж, распределение работы, обеспечение возможностей для учащихся. на работу, предоставляя условия для индивидуального обучения

и оценивая потребности и достижения учащихся.

Наконец, после того, как они завершили свой список из 1001 конкретного вида деятельности, они попросили сотни учителей оценить каждый элемент

по следующим параметрам: (а) как часто они это делали, (б) насколько это было сложно, (в). )

насколько это было важно, и (d) считали ли они, что это должно преподаваться

в подготовительной педагогической школе.На заполнение этой формы учителям потребовалось 9

часов.

Несмотря на усилия, затраченные на этот проект, согласно

Forzani (2014), полученный список мало повлиял на учебные программы учителей

. Но попытка тем не менее поучительна,

, поскольку она иллюстрирует многие из проблем, которые я перечислил выше. Например,

страдал от двух проблем с размером зерна:

некоторые элементы слишком мелкие, а другие слишком широкие.

Категория «запись и отчетность» иллюстрирует «слишком

маленькую» проблему, поскольку включает более 100 отдельных элементов.

Но другой крайностью являются задания, описывающие более крупные и

более сложные виды деятельности, такие как № 62 «Адаптация заданий

к способностям и потребностям класса» или № 98 «Обучение

учеников предвидеть результаты, которые будут получены», или № 85, «Обучение

учеников развитию полезных интересов, достойных мотивов и искренней

искренней признательности», — все это чрезвычайно сложные задачи.

Список также не различает, что делают хорошие учителя, поскольку

противопоставляется плохим учителям. На самом деле это не было недосмотром,

, а было преднамеренным. На самом деле исследователи считали, что они совершили

важный прорыв, сосредоточившись на самих действиях

, а не на том, как лучше всего их выполнять, потому что

они поняли, что лучшие практики, вероятно, будут различаться в зависимости от контекста

. Учителя начальных классов будут

работать иначе, чем учителя средней школы, сельские учителя будут иначе, чем городские

учителя.Гениальность их подхода, по их мнению, заключалась в том, чтобы найти способ определить общие учебные действия независимо от учащихся, условий и предметов. Они ожидали, что их

аудитория, педагоги-педагоги, узнают, как методики

могут различаться в разных условиях, и соответственно разработают

свои учебные программы.

Наконец, этот список также иллюстрирует проблему значимости.

Частично из-за того, что предметы сильно различаются по размеру зерен, трудно понять ценность или центральность любой данной

деятельности по отношению к обучению в целом.

ничего не говорится о том, почему учителя занимались тем или иным видом деятельности, как любая деятельность способствует достижению какой-либо более крупной цели или насколько она важна для общего

процесса, называемого «обучением». Это тоже не было оплошностью. Авторы

считали, что обоснование этих действий было субъективным и, следовательно, выходящим за рамки исследования. Когда они увидели

это, их аудитория педагогов-педагогов должна была взять на себя

ответственность за вывод о целях этих мероприятий, за выявление любых

проблем, связанных с каждым видом деятельности, и за определение

решений этих проблем.Учебная программа, которую разработает их аудитория

, на самом деле поможет учителям узнать, как участвовать в этих мероприятиях для достижения конкретных целей.

Учителя делают движения

Еще одна попытка проанализировать педагогическую практику возникла в 1960-х

и 1970-х годах и была больше сосредоточена на дискретных движениях, которые учителя

совершали в процессе обучения. Это направление работы, называемое

python — анализ нескольких значений из html с помощью lxml

python — анализ нескольких значений из html с помощью lxml – 1 Ответ

спросил

Просмотрено 335 раз

Весьма озадачен тем, как работать с lxml… Я обычно использую регулярное выражение, потому что я могу извлечь все данные сразу, но я понятия не имею, как анализировать эти значения с помощью lxml:

  data = tree.xpath('//div[@class="featured-item col-xs-12 col-sm-6 col-md-4 col-lg-3 center-block app_730_2"]')
# извлечь данные из класса div: Featured-Item col-xs-12 col-sm-6 col-md-4 col-lg-3 center-block app_730_2

«M4A4 | Посейдон» + «Прямо с завода»
"9462141"
"195.00"
"Https://steamcommunity-a.akamaihd.net/economy/image/-9a81dlWLwJ2UUGcVs_nsVtzdOEdtWwKGZZLQHTxDZ7I56KU0Zwwo4NUX4oFJZEHLbXH5ApeO4YmlhxYQknCRvCo04DEVlxkKgpou-6kejhjxszYfi5H5di5mr-HnvD8J_WCkmkEvp0pi7zDodv3jAHj-UM5ZGr7INfHJAc9MlzV-FK_kO281pa_ot2XnrA-A3kA/256fx256f"

"Ключ от кейса Chroma 2"
"9462120"
"2.11 дюймов
"Https://steamcommunity-a.akamaihd.net/economy/image/-9a81dlWLwJ2UUGcVs_nsVtzdOEdtWwKGZZLQHTxDZ7I56KU0Zwwo4NUX4oFJZEHLbXX7gNTPcUxuxpJSXPbQv2S1MDeXkh6LBBOie3rKFRh26PKd2pDvozixtSOwaP2ar7SlzIA6sEo2rHCpdyhjAGxr0A6MHezetG0RZXdTA/256fx256f"
  

HTML-код, который мне нужно разобрать:

  <дел>
    <дел>
         
                М4А4 | Посейдон
            
        <дел>
            Прямо с завода
            Засекреченная винтовка
            <маленький>
        
<дел>
$195,00
Осмотреть
<дел> <дел> Ключ от футляра Chroma 2 <дел> <маленький> Ключ базовой оценки <маленький> <дел>
$2,11
Рекомендуемая цена: 2,70 доллара США
<дел>

PS: нужно ли мне выполнять цикл for для каждого экземпляра '//div[@class="featured-item col-xs-12 col-sm-6 col-md-4 col-lg-3 center- заблокировать app_730_2"]' или lxml извлекает все данные в виде списка?

спросил 2 фев. 2016 в 2:19

Мари ЭннМари Энн

19111 золотой знак11 серебряный знак1212 бронзовых знаков

1

xpath возвращает список экземпляров, и вы должны использовать цикл для , чтобы получить подэлементы из экземпляров.

Пример кода ниже данных

  данные = '''<дел>
    <дел>
         
                М4А4 | Посейдон
            
        <дел>
            Прямо с завода
            Засекреченная винтовка
            <маленький>
        
        
        <дел>
            
$195,00
Рекомендуемая цена: $258,52
Осмотреть
<дел> <дел> Ключ от футляра Chroma 2 <дел> <маленький> Ключ базовой оценки <маленький> <дел>
$2,11
Рекомендуемая цена: 2,70 доллара США
<дел> ''' импортировать lxml, lxml.html html = lxml.html.fromstring(данные) divs = html.xpath('//div[@class="featured-item col-xs-12 col-sm-6 col-md-4 col-lg-3 center-block app_730_2"]') для x в div: a = x.xpath('.//a/text()')[0] напечатать a.strip() small = x.xpath('.//small[@class="text-muted"]/text()') если маленький: печатать мелким шрифтом[0] дел = х.xpath('.//div[@class="item-amount"]/text()')[0] печать div a_href = x.xpath('.//a/@href') элемент = a_href[1].split('=')[-1] элемент печати img = x.xpath('.//img[@class="item-img"]/@src')[0] распечатать изображение

  М4А4 | Посейдон
Прямо с завода
195,00 долларов США
9462141
https://steamcommunity-a.akamaihd.net/economy/image/-9a81dlWLwJ2UUGcVs_nsVtzdOEdtWwKGZZLQHTxDZ7I56KU0Zwwo4NUX4oFJZEHLbXH5ApeO4YmlhxYQknCRvCo04DEVlxkKgpou-6kejhjxszYfi5H5di5mr-HnvD8J_WCkmkEvp0pi7zDodv3jAHj-UM5ZGr7INfHJAc9MlzV-FK_kO281pa_ot2XnrA-A3kA/256fx256f
Ключ от футляра Chroma 2
2 доллара.11
9462120
https://steamcommunity-a.akamaihd.net/economy/image/-9a81dlWLwJ2UUGcVs_nsVtzdOEdtWwKGZZLQHTxDZ7I56KU0Zwwo4NUX4oFJZEHLbXX7gNTPcUxuxpJSXPbQv2S1MDeXkh6LBBOie3rKFRh26PKd2pDvozixtSOwaP2ar7SlzIA6sEo2rHCpdyhjAGxr0A6MHezetG0RZXdTA/256fx256f