【摘 要】
:
器官或肿瘤的精确分割对于医生诊断和预测疾病至关重要.与传统的特征工程相比,经典的U-Net模型在生物医学图像分割中具有较好的性能.但在U-Net模型中,池化操作和卷积操作会使得一些特征空间信息丢失,导致图像分割精度降低.为此本文采用MultiResR2block模块代替U-Net模型中的两个3×3卷积模块用于提取特征,采用Path Net模块连接MultiResR2UNet模型中的编码网络和解码网
【机 构】
:
上海理工大学光电信息与计算机工程学院人机共融自主机器人实验室
【基金项目】
:
国家自然基金项目(81973749)资助,上海市科委中医引导类项目(18401903600)资助,上海市卫计委科研面上项目(201740093)资助.
论文部分内容阅读
器官或肿瘤的精确分割对于医生诊断和预测疾病至关重要.与传统的特征工程相比,经典的U-Net模型在生物医学图像分割中具有较好的性能.但在U-Net模型中,池化操作和卷积操作会使得一些特征空间信息丢失,导致图像分割精度降低.为此本文采用MultiResR2block模块代替U-Net模型中的两个3×3卷积模块用于提取特征,采用Path Net模块连接MultiResR2UNet模型中的编码网络和解码网络,减少空间信息丢失,同时本文也提出了一种新的图像增强策略,使分割模型更加关注图像较难分割的部分.针对细
其他文献
针对现有的交通标志识别算法在识别率和识别速度等方面存在的不足,在空间不变性方面还可以进一步利用的问题,提出一种基于空间变换网络和注意力机制的交通标志识别算法.首先将交通标志图片经过数据增强,然后输入到空间变换网络中,使得图片具有空间不变性,经过卷积层提取特征和池化层降维,提取图片抽象语义信息进行分类,在模型中加入改进的注意力机制模块,在通道和空间两个维度对特征图施加注意力机制,实现交通标志的准确快
针对传统阿尔茨海默症辅助诊断算法使用单一模态数据,以及丢弃缺失模态样本的问题,本文提出了一种基于非对称多模态学习的阿尔茨海默症辅助诊断算法.本算法包含两阶段任务,第1阶段利用磁共振成像(Magnetic Resonance Imaging,M RI)和正电子发射断层扫描成像(Positron Emission Tomography,PET)之间的潜在联系,使用3D循环生成对抗神经网络,训练出一个特
针对传统视觉背景提取算法(visual background extraction algorithm,ViBe)在室内监控条件下容易产生"鬼影"现象以及阴影难以消除的问题,提出一种针对人物室内活动的改进ViBe算法.针对容易引入"鬼影"现象,采用一种外接矩形像素直方图的方法,利用运动目标区域直方图与邻域背景区域直方图相似度匹配,快速检测"鬼影"现象,设置鬼影点像素值并参与背景模型更新,从而快速消
针对低光照图像增强任务中缺少正常光照的参考图像问题,提出了一种基于生成对抗网络的无参考低光照图像增强方法,即在不需要参考图像的条件下可训练得到低光照图像增强模型.为实现低光照图像增强过程中保留图像细节和全局一致性,本文了提出了改进的基于空间和通道的自注意力融合模块以及图像全局信息感知的自适应实例化归一化模块.由于训练过程中无法获得参考图像,本文进一步提出基于图像自身信息感知的自颜色损失函数,从而提
在微表情自动识别任务中,浅层卷积神经网络和深层网络相比更好地改善了网络训练过拟合的情况,但是多数浅层卷积神经网络存在输入特征单一和提取高维有效特征能力不足的问题.针对上述问题本文同时使用图像的灰度特征和运动特征表征原图像,并且提出了一种改进双流浅层卷积神经网络(Enhanced Dual-stream Shallow Convolutional Neural Network,EDSSNet)用于微
许多推荐技术(如协同过滤)存在以下不足,降低了用户的体验满意度和忠诚度:1)忽略了“用户兴趣和商品属性会随时间而改变”这一事实;2)过度追求预测准确性而牺牲了推荐多样性和新颖性.为此,提出一种能动态适应上述变化,同时优化推荐准确度、多样度和新颖度的互动式推荐系统.主要步骤:1)采用理想点法构造多目标优化函数;2)收集用户反馈信息,及时地更新推荐策略;3)基于多臂赌博机构建互动式推荐框架.实验表明,经过与用户不断地互动推荐,该系统的平均列表准确度、多样度和新颖度都在逐步提升.
针对机器人SLAM系统,在实际场景或低纹理场景中提取的有效特征点数量少,使得系统初始化效果差和定位精度不高的问题,提出了一种基于点线特征和IMU信息融合的双目惯导SLAM系统(Stereo Visual-Inertial state estimator based on optimized ORB point feature and line feature,OOL-VINS).首先,对双目视觉进
针对肝脏肿瘤存在的分割难点结合级联网络的思想,提出了一种融合了双注意力机制和U-Net架构优势的肝脏肿瘤分割网络(CDA-Net).首先,训练第一个DA-Net来实现肝脏的粗略分割;然后将第一阶段的分割结果与原始CT图做与操作,提取感兴趣区域,并将其输入第2个DA-Net实现肝肿瘤的精确分割;最后利用条件随机场对分割结果进行边缘约束,优化分割结果.在LiTS2017数据集上对模型进行训练及测试,平
随着直播频道的不断增加,观众不得不花费额外的时间和精力来选择适合的节目.通常,推荐系统可有效缓解上述问题,然而直播电视所具有的实时性、多用户、隐性反馈、冷启动等特点给推荐系统的研究带来挑战.针对这些特点,现有的方法大多利用时段划分的方式将用户对节目的偏好转换为对频道的偏好,通过推荐频道来完成节目的推荐.然而,这些方法的时段划分规则依赖经验,不具通用性,可解释性差,并且未考虑用户偏好会随时间的推移而变化的情况,同时,推荐频道的模型往往忽视了对正在播出的节目的关注.为此,本文提出了时间相关的直播电视推荐算法T
深度卷积网络由于强大的特征学习及表征能力在图像超分辨率领域取得了广泛的应用,伴随图像超分辨率模型的不断发展,复杂的模型带来了庞大的参数量以及越来越高的计算需求.为了提升参数的复用并抑制特征冗余信息在迭代反馈中的传播,本文引入了反馈机制,并提出了一种新的基于深度反馈注意力的超分辨率网络模型(Deep Feedback Attention Network,DFAN).本文提出的模型在每一轮训练中,以迭