MICCAI 2024Centerline Boundary Dice Loss for Vascular Segmentation

news2024/11/15 15:52:28

MICCAI 2024 Centerline Boundary Dice Loss for Vascular Segmentation

  • MICCAI 2024Centerline Boundary Dice Loss for Vascular Segmentation
  • 中心线边界Dice损失用于血管分割
    • **摘要**:
    • 1. 引言
      • 相关工作:
    • 2. 方法
      • 预备知识
      • Dice的变化
    • 3 实验
      • 3.1 数据集
      • 3.2 设置
      • 3.3 结果
    • 4 结论
    • 5. 补充材料

MICCAI 2024Centerline Boundary Dice Loss for Vascular Segmentation

中心线边界Dice损失用于血管分割

彭成世1, 捷斯·胡1,2, 颜武洋1,2, 齐乐高1, 韦磊1, 马霆1,2,3,4

  1. 哈尔滨工业大学(深圳)电子与信息工程学院,深圳,中国
  2. 彭程实验室,深圳,中国
  3. 哈尔滨工业大学(深圳)通信与网络技术省重点实验室,深圳,中国
  4. 哈尔滨工业大学(深圳)人工智能研究院,深圳,中国

邮箱:tma@hit.edu.cn

摘要:

在医学成像中,血管分割在形态学和功能评估中起着至关重要的作用。传统方法,如中心线Dice (clDice) 损失,确保拓扑保留但在捕获几何细节(特别是平移和变形)方面存在缺陷。结合传统Dice损失的clDice可以导致直径不平衡,偏向较大的血管。为了解决这些挑战,我们引入了中心线边界Dice (cbDice) 损失函数,该函数保持拓扑完整性和几何统一性,确保跨各种血管尺度的一致分割。cbDice通过包括边界感知方面丰富了clDice,从而提高了几何细节捕获能力。它通过基于掩膜距离的方法实现了与边界差异(B-Dou)损失相当的性能,增强了平移灵敏度。关键的是,cbDice从血管骨架中整合信息,使直径变化均匀,并在分支处保持一致影响。此外,我们进行了各类Dice变体的理论分析(t-X-Dice)。我们验证了cbDice在二维和三维、多尺度分割应用中的有效性。特别是在多分支情况下,使用cbDice的方法在近期的MICHAL 2023分割挑战中取得了卓越表现。我们的代码已公开可用,地址为: https://github.com/PengchengShi1220/cbDice.

关键词: 血管分割, 中心线边界损失, 直径平衡


1. 引言

深度学习的进步显著提升了医学图像分割的能力,尤其是在血管方面,革新了诊断和介入放射学。然而,现有的评估指标常常忽视特定领域的要求,如几何细节的不足【10,15】。血管分割遇到的特定挑战包括:1) 保持拓扑完整性;2) 精确的几何分割(如准确的血液动力学分析);3) 基于解剖学的血管网络标记(如处理静脉窦);4) 跨不同血管直径的一致分割并随着几何变化进行直径调整(见图1)。

在本文中,我们寻求解决一个基本问题:如何在血管分割中实现拓扑和几何一致性?近期在深度学习驱动的血管分割领域的重大进展得益于利用生物学知识【4,13,20,17,11,7,14,2】和几何知识【24,13,23,12,18,14】的网络方法。然而,在医学图像分割中设计损失函数以减轻数据不平衡方面的进展有限【6,28,27】。一个全面的分析框架在这一领域仍然缺乏。我们的研究旨在通过提出中心线边界Dice (cbDice)损失函数来弥补这一差距。cbDice独特地结合了从血管骨架中提取的半径信息。这种方法促进了不同直径血管的一致分割,关键地保持了拓扑一致性。我们的贡献如下:(1)我们介绍了统一的clX-Dice变体,一个结合拓扑完整性和血管直径一致性的血管分割框架。(2) 从中心线Dice (clDice)损失中引入几何考虑因素,等效于边界差异过联合 (B-Dou)损失的新方法,使用基于掩膜距离的方法,增强了平移敏感性。(3) 我们提出了cbDice通过整合来自血管骨架的信息,适应血管直径的变化,确保分支的一致影响。(4) 我们进行了一般理论分析,以展示不同clX-Dice实现的几何变换响应。 除此之外,我们还验证了cbDice在各种血管分割数据集中的有效性,包括二维和三维,以及二元和多类分割任务。

相关工作:

(i) 拓扑学: 保持连接性,如使用非监督的持续同调【4,13,20】,中心线或骨架化技术【11,17】和欧拉特征方法【7】,至关重要。拓扑不变性确保了在平移和变形情况下的几何细节保持。例如,clDice损失函数【17】强调了在捕获几何精度时保持拓扑完整性,但在捕获几何精度(尤其是平移和变形)方面存在不足。这凸显了需要能够和谐平衡拓扑保真度与精准几何表示的分割方法。

(ii) 几何学: 最近的工作通过如B-Dou损失【8】和深度编码网络【24】等方法突出了几何性的重要性。技术如动态形状卷积【13】和特征传递【21】在医学图像分割中得到了应用。基于距离图的方法变得普遍,包括使用带符号距离图的形状感知分割【25】,以及基于距离变换图的CNN集成【9】。最近的技术结合了中心线和距离图,展示了在管状结构分割中同时约束骨架和几何形态的能力【23,18】。然而,它们在损失函数中的综合集成不足,这对于扩大适用性和泛化性至关重要。尽管基于clDice的归一化骨架距离变换(NSDT)损失【14】在几何形态和拓扑保真度方面表现出色,传统的损失函数如Dice损失仍然受到直径不平衡的影响。

(iii) 不平衡: 在医学图像分割中,不平衡是一个常见问题,传统的Dice损失在较大解剖结构上表现出偏差。为了解决这个问题,最近的研究提出了一系列针对不平衡解决方案,包括边界损失【6】、局部Dice损失【28】、联合损失【22】和统一焦点损失【27】。这些方法旨在减轻不平衡分割。然而,它们并未特别解决血管网络中直径不平衡的问题,同时忽视了血管网络的连接性。


2. 方法

预备知识

该方法首先通过模型处理输入 X ∈ R c i i m e s N X \in \mathbb{R}^{c_i imes N} XRciimesN ,生成输出 Y ∈ R c o i m e s N Y \in \mathbb{R}^{c_o imes N} YRcoimesN ,其中 c i c_i ci c o c_o co 分别表示输入和输出通道的数量。随后,输出 Y Y Y 被转换为二值掩码,记为 V V V 。这里, N N N 表示像素或体素的总数,定义为 w i m e s h w imes h wimesh 对于2D图像,或 w i m e s h i m e s d w imes h imes d wimeshimesd 对于3D体积,其中 w , h , d w, h, d w,h,d 分别表示宽度、高度和深度。掩码 V V V 定义为 V = { v i ; b j ∣ i ∈ [ 1 , q ] , j ∈ [ 1 , k ] } ,包括值为 1 的掩码点( V = \{v_i; b_j | i \in [1,q], j \in [1,k]\} ,包括值为1的掩码点( V={vi;bji[1,q],j[1,k]},包括值为1的掩码点(v$)和值为0的背景点( b b b )。相应的骨架 S S S V V V 导出,组成 S = { s i ; b j s ∣ i ∈ [ 1 , n ] , j ∈ [ 1 , m ] } S = \{s_i; b_j^s | i \in [1,n], j \in [1,m]\} S={si;bjsi[1,n],j[1,m]} ,其中 n n n 个骨架点( s s s )值为1, m m m 个背景点( b s b^s bs )值为0。 V V V S S S 都属于 R N \mathbb{R}^N RN 。下标 P 和 L 分别表示预测和参考。我们从检查传统的 clDice【17】开始,介绍拓扑保留的方法。
T p r e c ( S P , V L ) = ∣ S P ∩ V L ∣ ∣ S P ∣ , T s e n s ( S L , V P ) = ∣ S L ∩ V P ∣ ∣ S L ∣ T_{prec}(S_P, V_L) = \frac{|S_P \cap V_L|}{|S_P|}, \quad T_{sens}(S_L, V_P) = \frac{|S_L \cap V_P|}{|S_L|} Tprec(SP,VL)=SPSPVL,Tsens(SL,VP)=SLSLVP
clDice ( V P , V L ) = 2 × T p r e c ( S P , V L ) × T s e n s ( S L , V P ) T p r e c ( S P , V L ) + T s e n s ( S L , V P ) \text{clDice}(V_P, V_L) = \frac{2 \times T_{prec}(S_P, V_L) \times T_{sens}(S_L, V_P)}{T_{prec}(S_P, V_L) + T_{sens}(S_L, V_P)} clDice(VP,VL)=Tprec(SP,VL)+Tsens(SL,VP)2×Tprec(SP,VL)×Tsens(SL,VP)

这里是引用

Dice的变化

图2说明了cl-X-Dice的变化。我们的方法将管状结构视为具有可变半径的实体:利用沿中心线的法向圆来表示2D中的绘图线段,使用沿3D中的中心线对齐的圆形截面。这种对齐通过集合基方法促进体积估计。集合 D D D 表示从掩码点( v i v_i vi )到其各自边界的最小距离,定义为 D = { d i ; v i ∣ i ∈ [ 1 , q ] , j ∈ [ 1 , k ] } D = \{d_i; v_i | i \in [1,q], j \in [1,k]\} D={di;vii[1,q],j[1,k]} ,形成距离图。集合 R R R ,与骨架点 S S S 相关,定义为 R = { r i ; s i ∣ i ∈ [ 1 , n ] , j ∈ [ 1 , m ] } R = \{r_i; s_i | i \in [1,n], j \in [1,m]\} R={ri;sii[1,n],j[1,m]} ,表示每个骨架点( s s s )与其骨架半径( r r r )的距离。 S S S 中的每个骨架点的半径由距离图 D D D 派生,生成集合 R R R 。相反,集合 T = { t i ; b j s ∣ i ∈ [ 1 , n ] , j ∈ [ 1 , m ] } T = \{t_i; b_j^s | i \in [1,n], j \in [1,m]\} T={ti;bjsi[1,n],j[1,m]} 表示骨架半径的集合,表示在 S S S 中的骨架点。 D , R , T D, R, T D,R,T R N \mathbb{R}^N RN 的元素。为了协调骨架线和距离图计算中的差异,超出 R max ⁡ R_{\max} Rmax D D D 中的值被调整为 R max ⁡ R_{\max} Rmax 。因此, R R R 的范围为 [ 0 , R max ⁡ ] [0, R_{\max}] [0,Rmax] D D D 的范围为 [ 1 , R max ⁡ ] [1, R_{\max}] [1,Rmax] 。对于 p 个掩码点 { v i ∣ i ∈ Z i ∈ [ 1 , p ] } \{v_i | i \in \mathbb{Z}_{i \in [1,p]}\} {viiZi[1,p]} ,在2D平面上与中心线或3D截面中的点的距离 d i d_i di ,骨架半径 r r r 范围在 [1, r] 之内。cl-X-Dice度量设计用于解决不同直径血管的分割挑战:
T p r e c ( S P , S L , V L ) = ∣ Q S P ∩ Q V L ∣ ∣ Q S P ∣ T_{prec}(S_P, S_L, V_L) = \frac{|Q_{SP} \cap Q_{VL}|}{|Q_{SP}|} Tprec(SP,SL,VL)=QSPQSPQVL
T s e n s ( S L , V P ) = ∣ Q L ∩ Q V ∣ ∣ Q L ∣ T_{sens}(S_L, V_P) = \frac{|Q_{L} \cap Q_{V}|}{|Q_{L}|} Tsens(SL,VP)=QLQLQV
cl-X-Dice ( V P , V L ) = 2 × T p r e c ( S P , S L , V L ) × T s e n s ( S L , V P ) T p r e c ( S P , S L , V L ) + T s e n s ( S L , V P ) \text{cl-X-Dice}(V_P, V_L) = \frac{2 \times T_{prec}(S_P, S_L, V_L) \times T_{sens}(S_L, V_P)}{T_{prec}(S_P, S_L, V_L) + T_{sens}(S_L, V_P)} cl-X-Dice(VP,VL)=Tprec(SP,SL,VL)+Tsens(SL,VP)2×Tprec(SP,SL,VL)×Tsens(SL,VP)
我们定义 U U U 为每个元素为1的 R N \mathbb{R}^N RN 。我们引入变量 Q S P , Q S L , Q V L , Q P Q_{SP}, Q_{SL}, Q_{VL}, Q_{P} QSP,QSL,QVL,QP 来解决几何和血管直径不平衡在分割过程中提出的不同方面。这些变量对于血管结构的详细分析至关重要。表1中提供了cl-X-Dice在血管分割中的综合比较。Q的关键符号定义为:sp = SP, sl = SL, vl = VL, vp = VP, s = SL, v = VL 和 spp = SP \cap VP。此外,归一化比率表示为 R N = R R max ⁡ R_N = \frac{R}{R_{\max}} RN=RmaxR ,面积比 S N = S P V P S_N = \frac{S_P}{V_P} SN=VPSP ,以及 D N = D R max ⁡ D_N = \frac{D}{R_{\max}} DN=RmaxD 。图3展示了不同度量对平移、变形和直径不平衡的响应。我们广泛分析了cl-X-Dice度量对几何变换的理论响应。详细证明见补充材料。

在这里插入图片描述
这里是引用


在这里插入图片描述
在这里插入图片描述


在这里插入图片描述

图1. 在各种数据集中血管分割面临的挑战。关键特征如下:

  1. 绿色中心线表示血管连通性;
  2. 蓝色圆圈表示形态学特征;
  3. 浅橙色箭头(在浅蓝色框内)指示具有显著直径差异的分支。
    在这里插入图片描述
    图2. 该图显示了分割后的二维视网膜血管,提供了表1中提到的不同变量的可视化示例。
    二维示意图描述了从clDice到cbDice的过渡,表现为一个具有变化半径的瓶子。

表1. cl-X-Dice的逐步演变和2D与3D度量的比较。
在这里插入图片描述
缩写包括参考(L),预测(P),中心线(cl),Dice(D),骨架(S),掩码(M),逆骨架半径(I),归一化(N),和中心线边界(cb)。在这项研究中,cl-MIN-D等同于cb-D。

3 实验

3.1 数据集

我们在三个血管分割数据集上评估我们提出的方法。DRIVE数据集【19】是二维视网膜血管成像的基准,包含40张彩色眼底照片(584x565像素),分为16张训练图像、4张验证图像和20张测试图像。对于三维CT肺动脉分割,MICCAI 2022 Parse挑战数据集【8】包含100个CT扫描(512x512x228到512x512x376像素),其中80个用于训练,20个用于验证和测试。最后,MICCAI 2023 TopCoW挑战数据集【26】包括90个脑MRA病例(大约481x586x185像素),其中72个用于训练,18个用于验证和测试。

在这里插入图片描述
图3. (a) 在仅有平移扰动的情况下,cb-Dice度量对cl-M-Dice变化的敏感性,随着平移距离的增加,与B-Dou相当,而clDice保持不变。 (b) 在均匀缩放(放大或缩小)中,cbDice度量确保了比clDice更一致的评估,能有效适应尺度变化。 © 对于直径不平衡,cbDice一致地评估了各种直径变化,优于clDice。

表2. 经过20个周期的训练后,使用nuU-Net在DRIVE数据集上的结果比较。我们的方法以浅黄色突出显示,最佳分数以粗体显示。
在这里插入图片描述


3.2 设置

我们使用PyTorch 2.1进行实验,利用NVIDIA V100以提高计算效率。所有实验都是从头开始在nnU-Net V2框架上训练的【5】。在标准化我们的实验设置时,我们选择不使用深度监督,将批量大小设置为2,并根据每个数据集的默认配置调整nnU-Net的其他参数。此外,对于TopCoW 2023数据集,我们禁用了镜像增强,以防止左右标签的错误翻转。我们严格评估了cbDice损失在TopCoW 2023挑战和其他最近研究的分割模型上的效果。这项评估包括nnU-Net【5】、SwinUNETR【3】和NexToU【16】。比较研究涉及多种损失函数:标准Dice损失、clDice损失【17】、B-Dou损失【21】以及我们提出的cl-M-Dice和cbDice损失。分割性能通过关键指标评估,如重叠(Dice和clDice【17】)、拓扑(Betti数误差和Betti匹配误差【20】)和距离(归一化表面距离(NSD)在1.0mm容差内,参考【12,10】)。我们采用了在【11】中描述的可证明的差分骨架提取算法,并通过cuCIM库实现了加速的欧几里得距离变换。与nnU-Net保持一致,我们使用交叉熵(CE)损失。损失函数定义为: L = 0.5 × C E + α 2 ( α + β ) × D i c e + β 2 ( α + β ) × X L = 0.5 \times CE + \frac{\alpha}{2(\alpha + \beta)} \times Dice + \frac{\beta}{2(\alpha + \beta)} \times X L=0.5×CE+2(α+β)α×Dice+2(α+β)β×X其中,X表示cl-X-Dice或B-Dou【21】。参数α和β是非负数;当两者都设置为0时,恢复为CE损失。

3.3 结果

我们的方法在二维和三维二值分割任务中展示了有效性。表2中详细分析的DRIVE数据集结果表明,cbDice损失显著提高了重叠指标。具体来说,它实现了82.5%的最高Dice得分和82.4%的clDice得分。此外,β = 0.5的cbDice变体达到87.2%的最高NSD。在Parallel中,cl-M-Dice与B-Dou的表现相当。在Parse 2022数据集中,cbDice损失在保持拓扑和几何结构方面表现有效,提高了分割Dice得分,增加了NSD得分,并减少了拓扑错误。
在这里插入图片描述
图4. TopCoW 2023数据集结果的比较可视化。黄色箭头标记了分割的假阴性区域,绿色箭头指示假阳性区域,红色箭头标识了分类错误的区域。
在这里插入图片描述

表3. Parse 2022 和 TopCoW 2023 数据集结果的综合比较。这里,L 表示大动脉(不连通),S 表示小动脉(连通)。

4 结论

在本研究中,我们介绍了cbDice损失,这是clDice损失框架中的一项创新进展,并通过一系列cl-X-Dice度量进一步阐述了这一进展。这些发展专门针对医学成像中血管分割的复杂性。对不同数据集的广泛评估验证了我们方法在保持拓扑完整性、捕获几何细节和在血管分割任务中保持平衡直径表示方面的有效性。与领先模型和损失函数的比较分析表明,cbDice损失在满足血管分割的复杂需求方面表现出了卓越的能力。

5. 补充材料

clDice变体的理论分析。 本节深入探讨了血管分割中cl-X-Dice度量的理论基础和几何敏感性。我们引入了三个定理来阐明cl-X-Dice度量的行为和计算:
定理 1
对于沿骨架线的垂直平移且无变形情况下,cl-M-Dice系数对半径R内掩码 V V V的平移敏感,而clDice保持不变。
证明。 在二维中,cl-M-Dice定义如下(类似地可扩展到三维):
T p r e c ( S P , S L , V L ) = ∣ S P ∩ D L ∣ ∣ R P ∩ ( U − S L ) ∣ + ∣ S P ∩ R L ∣ T_{prec}(S_P, S_L, V_L) = \frac{|S_P \cap D_L|}{|R_P \cap (U - S_L)| + |S_P \cap R_L|} Tprec(SP,SL,VL)=RP(USL)+SPRLSPDL
T s e n s ( S L , S P , V P ) = ∣ S L ∩ D P ∣ ∣ R L ∩ ( U − S P ) ∣ + ∣ S L ∩ R P ∣ T_{sens}(S_L, S_P, V_P) = \frac{|S_L \cap D_P|}{|R_L \cap (U - S_P)| + |S_L \cap R_P|} Tsens(SL,SP,VP)=RL(USP)+SLRPSLDP
在保持恒定半径的垂直平移下, ∣ S P ∩ R L ∣ |S_P \cap R_L| SPRL等于 ∣ S L ∩ R P ∣ |S_L \cap R_P| SLRP。这将cl-M-Dice的分母减少为 ∣ R P ∣ |R_P| RP(对于 R L R_L RL类似),使其敏感性仅依赖于分子。因此,cl-M-Dice对 R R R V V V的空间位移作出反应。 相反,clDice评估 S S S V V V之间的重叠,不受这些变化的影响。
定理 2
cl-S-Dice与clDice不同,对在无垂直平移下骨架变形的半径变化敏感。在完全重叠的情况下,cl-S-Dice等于值为1的clDice。
证明。 在二维中,cl-S-Dice定义如下(类似地可扩展到三维):
T p r e c ( S P , S L , V L ) = ∣ R P ∩ V L ∣ ∣ R P ∣ , T s e n s ( S L , S P , V P ) = ∣ R L ∩ V P ∣ ∣ R L ∣ T_{prec}(S_P, S_L, V_L) = \frac{|R_P \cap V_L|}{|R_P|}, \quad T_{sens}(S_L, S_P, V_P) = \frac{|R_L \cap V_P|}{|R_L|} Tprec(SP,SL,VL)=RPRPVL,Tsens(SL,SP,VP)=RLRLVP
对于clDice ≠ 1(部分重叠),半径的变化( R P R_P RP R L R_L RL)影响 ∣ R P ∩ V L ∣ |R_P \cap V_L| RPVL ∣ R L ∩ V P ∣ |R_L \cap V_P| RLVP。具体来说, S = { s i , b j s ∣ i ∈ [ 1 , n ] , j ∈ [ 1 , m ] } S = \{s_i, b_j^s | i \in [1,n], j \in [1,m]\} S={si,bjsi[1,n],j[1,m]} R = { r i ; s i , b j s ∣ i ∈ [ 1 , n ] , j ∈ [ 1 , m ] } R = \{r_i; s_i, b_j^s | i \in [1,n], j \in [1,m]\} R={ri;si,bjsi[1,n],j[1,m]},任何 s i s_i si r i r_i ri的变化修改cl-S-Dice。 当clDice = 1(完全重叠), ∣ R P ∩ V L ∣ |R_P \cap V_L| RPVL ∣ R L ∩ V P ∣ = ∣ R L ∣ |R_L \cap V_P| = |R_L| RLVP=RL,cl-S-Dice与clDice一致,突显了cl-S-Dice在其他情况下对半径变化的敏感性。
定理 3
cl-X-Dice增强了几何敏感性并补偿了直径差异,同时保留了clDice的拓扑完整性。
证明。 cl-X-Dice度量通过引入变量 Q s l Q_{sl} Qsl Q s p Q_{sp} Qsp Q v l Q_{vl} Qvl Q v p Q_{vp} Qvp,提供了对几何变化(包括大小和形状变化)的高级敏感性,同时保持clDice的拓扑保留特性。
T p r e c ( S P , S L , V L ) = ∣ Q s p ∩ Q v l ∣ ∣ Q s p ∩ Q s p v p ∩ ( U − S L ) ∣ + ∣ Q s p ∩ Q s l v l ∣ T_{prec}(S_P, S_L, V_L) = \frac{|Q_{sp} \cap Q_{vl}|}{|Q_{sp} \cap Q_{spvp} \cap (U - S_L)| + |Q_{sp} \cap Q_{slvl}|} Tprec(SP,SL,VL)=QspQspvp(USL)+QspQslvlQspQvl
T s e n s ( S L , S P , V P ) = ∣ Q s l ∩ Q v p ∣ ∣ Q s l ∩ Q s l v l ∩ ( U − S P ) ∣ + ∣ Q s l ∩ Q s p v p ∣ T_{sens}(S_L, S_P, V_P) = \frac{|Q_{sl} \cap Q_{vp}|}{|Q_{sl} \cap Q_{slvl} \cap (U - S_P)| + |Q_{sl} \cap Q_{spvp}|} Tsens(SL,SP,VP)=QslQslvl(USP)+QslQspvpQslQvp
方程9和方程10代表了一种平衡的方法,在适应几何变化的同时保持拓扑准确性,从而在拓扑完整性和几何精度之间实现平衡。

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.coloradmin.cn/o/1907000.html

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈,一经查实,立即删除!

相关文章

autocad软件许可优化解决方案

Autocad软件介绍 Autodesk 是世界领先的设计软件和数字内容创建公司,用于建筑设计、土地资源开发、生产、公用设施、通信、媒体和娱乐。始建于 1982 年,Autodesk 提供设计软件、Internet 门户服务、无线开发平台及定点应用,帮助遍及 150 多个…

uniapp 表格,动态表头表格封装渲染

1.接口表格数据: {"headers": [{"label": "实例名","name": "v1","order": 1,"hide": false,"dateTypeValue": null},{"label": "所属科室","name&quo…

【Java伴学笔记】Day-01 命令行|环境|编译解释运行|Java的相关分支|Java的特性|字面量

一、关于命令行 图形化界面的缺点 需要加载图片等一系列资源 效率较低 命令行 CMDMicrosoft Learn-CMDWindows CMD常用命令大全(值得收藏) 二、环境 什么是JDK JDK是Java Development Kit的缩写,意为Java开发工具包。它是一个用于开发Java应用…

分类下两列一组统计

表格 A 列是分类,后面是 2N 个 key-value 列 ABCDEFG1CountryLabel1Count1Label2Count2Label3Count32USA10B9C83USD9C8A74USC8D7B65USA7C6B56CAA10B9C87CAD9C8A78CAC8D7B69INA10C9B810IND9A8B711INA8D7B6 需要对分类、key 分组,对 value 求和&#xff…

【Qt】Qt Creator初使用

目录 一. 创建新项目 二. 认识Qt Creator界面 2.1 main.cpp 代码解释 2.2 mywidget.h 代码解释 2.3 mywidget.cpp 代码解释 2.4 form file —— Forms里的mywidget.ui 2.5 .pro文件 2.6 编译生成的中间文件 Qt Creator是一个跨平台集成开发环境(IDE),专门用…

Vue3使用markdown编辑器之Bytemd

官网地址:https://bytemd.js.org/playground GitHub地址:https://github.com/bytedance/bytemd ByteMD 是字节跳动出品的富文本编辑器,功能强大,可以免费使用,而且支持很多掘金内置的主题,写作体验很棒。 …

Android约束布局的概念与属性(1)

目录 1.相对定位约束2.居中和偏移约束 约束布局(ConstraintLayout)是当前Android Studio默认的布局方式,也是最灵活的一种布局方式。约束布局推荐使用所见即所得的模式进行布局,约束布局的大部分布局可以通…

CentOS7下安装Doris

Doris简介 Apache Doris 是一款基于 MPP 架构的高性能、实时的分析型数据库,以高效、简单、统一的特点被人们所熟知,仅需亚秒级响应时间即可返回海量数据下的查询结果,不仅可以支持高并发的点查询场景,也能支持高吞吐的复杂分析场…

SpringBoot升级引发一个循环依赖支持问题

最近有个重要的项目要求使用带自定义表单的工作流。要求灵活配置流程。选用了较稳定的Flowable6.72版本。但面临着一个问题。教材上,Flowable6.7.2要求匹配的SpringBoot版本是2.6.2.需要对项目的Boot版本从2.3releae升到2.6.2,其他还好。不存在有类编译问题或类找不到问题。就是…

互联网银行每日2TB数据量,Apache SeaTunnel集成应用轻松搞定!

在我国,数字化的趋势驱动互联网银行发展走上快车道,近年来互联网银行发展迅速,积极拓展线上业务,并利用大数据技术加强风险控制,积极进行数字化转型。当新兴互联网银行乘着数字化改革的风潮搭档数据集成平台Apache Sea…

Android 15 适配之16K Page Size :为什么它会是最坑的一个适配点

首先什么是 Page Size ?一般意义上,页面(Page)指的就是 Linux 虚拟内存管理中使用的最小数据单位,页面大小(Page Size)就是虚拟地址空间中的页面大小, Linux 中进程的虚拟地址空间是由固定大小的页面组成。 Page Size 对于虚拟内…

如何把harmonos项目修改为openharmony项目

一开始分不清harmonyos和openharmony,在harmonyos直接下载的开发软件,后面发现不对劲,打脑阔 首先你要安装对应版本的开发软件,鸿蒙开发是由harmonyos和openharmony官网两个的,找到对应的地方下载对应版本的开发软件&…

rocketmq实现限流

目录 问题背景 技术方向 方案确认 消息队列(√) 分布式锁() 方案实现 监控方向 业务方向 问题背景 公司邮件服务token有 分钟内超200封的熔断机制,当前token被熔断后,系统发邮件操作会被忽略&…

关于微信支付-商户平台:查询订单提示“查询失败:操作失败,请稍候重试”的分析

目录 引子 分析 应对 小结 引子 在开发和实施微信 JSAPI 支付的应用后,我们遇到了一些问题,订单的状态更新不正常,当然我们首先需要从自身寻找原因和完善解决问题的办法和方案。在支付的过程中,客户会给我们一些反馈&#xf…

K8S篇之Ingress详解以及用法说明

一、Ingress简介 Ingress 是 Kubernetes 中用于管理和配置从集群外部访问集群内部服务的资源对象。它通过定义路由规则来控制外部流量的访问方式,支持基于 HTTP 和 HTTPS 的高级路由功能和安全性配置。 Ingress是一种HTTP方式的路由转发机制,为K8S服务配…

【力扣高频题】014.最长公共前缀

经常刷算法题的小伙伴对于 “最长”,“公共” 两个词一定不陌生。与此相关的算法题目实在是太多了 !!! 之前的 「动态规划」 专题系列文章中就曾讲解过两道相关的题目:最长公共子序列 和 最长回文子序列 。 关注公众…

SpringCloud 负载均衡

目录 一、负载均衡 1、问题 2、什么是负载均衡 服务端负载均衡 客户端负载均衡 二、Spring Cloud LoadBalance 1、使用 Spring Cloud LoadBalance 2、负载均衡策略 3、LoadBalancer 原理 一、负载均衡 1、问题 我们来看一下前面写的代码&#xff1a; List<Serv…

【易捷海购-注册安全分析报告】

前言 由于网站注册入口容易被黑客攻击&#xff0c;存在如下安全问题&#xff1a; 暴力破解密码&#xff0c;造成用户信息泄露短信盗刷的安全问题&#xff0c;影响业务及导致用户投诉带来经济损失&#xff0c;尤其是后付费客户&#xff0c;风险巨大&#xff0c;造成亏损无底洞…

Drools开源业务规则引擎(五)- jBPM流程图元素介绍

文章目录 Drools开源业务规则引擎&#xff08;五&#xff09;- jBPM流程图元素介绍1.process2.startEvent3.Connections3.1.sequenceFlow3.2.Association 4.Activities4.1.businessRuleTask4.2.scriptTask 5.Gateways5.1.exclusiveGateway 6.endEvent Drools开源业务规则引擎&a…

Windows netstat命令详解,Windows查看网络连接

「作者简介」&#xff1a;冬奥会网络安全中国代表队&#xff0c;CSDN Top100&#xff0c;就职奇安信多年&#xff0c;以实战工作为基础著作 《网络安全自学教程》&#xff0c;适合基础薄弱的同学系统化的学习网络安全&#xff0c;用最短的时间掌握最核心的技术。 netstat 常用来…