源直线扫描辅助内CT成像研究

这是一篇关于计算机断层成像,内CT成像,内CT图像重建,U-net的论文, 主要内容为内部计算机断层成像(Interior computed tomography,内CT成像)仅对工业产品内部的感兴趣区域(Region of interest,ROI)进行成像,具有成像效率高、重建速度快的优势。但是,内CT成像不可避免地会导致投影数据在横向方向完全截断,直接利用截断的投影数据进行重建,重建图像会伴随严重的截断伪影,从而影响检测质量。针对该问题,本文从内CT成像策略和图像重建两方面展开研究,主要的研究内容如下:首先,介绍内CT成像和内CT图像重建的原理,并根据Radon变换和传统解析重建算法的非局部特性,分析内CT图像重建结果出现截断伪影以及重建结果不具备唯一性的原因。然后,针对已有的基于辅助扫描的内CT成像策略存在几何条件不一致、探测器利用率低等问题,提出基于射线源平移扫描辅助的内CT成像策略(Source translation assisted interior computed tomography,STCT-ROI),确定了STCT-ROI成像策略的几何参数,并设计了相应的成像系统模型。相较于其他内CT成像策略,该方法具有在相同的几何条件下实现ROI投影数据采集和全局辅助扫描,且探测器利用率高的优势。其次,基于STCT-ROI成像策略,提出基于多次源平移投影数据补全(multiSTCT based projection completion method,m STCT-PC)的ROI图像重建方法。该方法将辅助扫描获得的数据信息用于补全截断的ROI投影数据,然后利用全局重建算法进行重建。数值仿真实验和工业样件ROI检测结果表明,m STCT-PC重建方法可以有效的抑制噪声和消除截断伪影,提高ROI图像质量。最后,为进一步提升内CT重建图像质量,提出基于深度学习-先验信息压缩感知(Deep learning-enabled prior image constrained compressed sensing method,DLPICCS)的ROI图像重建算法。DL-PICCS算法利用U-net网络消除辅助扫描重建结果中的条纹伪影,然后将处理后的图像作为PICCS算法的先验信息,引导约束ROI图像重建。数值仿真实验和电缆ROI检测结果表明,DL-PICCS算法可以获得更高质量的ROI重建图像,突显ROI的细小结构特征,满足工业检测需求。综上,本文针对工业产品内部ROI检测的需求,提出了STCT-ROI内CT成像策略,以及m STCT-PC和DL-PICCS内CT图像重建方法,研究成果已经用于工件ROI的实际检测。

基于深度神经网络的连续无创血压测量方法研究

这是一篇关于动脉血压(ABP),光电容积脉搏波(PPG),CycleGAN,U-net,无创连续的论文, 主要内容为血压是人体血管系统的主要特征之一,它可以反映出人体的健康程度,还是临床医学判断病情的重要指标。目前临床上主要使用的测量方法为有创直接测量法,但是该方法容易对病人的身体产生损伤,只适用于重症患者。间接测量主要通过柯氏音听诊法和示波法,但是无法实现连续的血压测量。目前基于脉搏波信号的无创连续血压测量的研究越来越热,研究表明可以通过脉搏波信号重构动脉血压波形信号,使用深度学习模型进行数据自适应计算特征,减少人工提取特征的误差,提高模型普适性,重构的动脉血压波形,有助于提供后续的心血管疾病的诊断和治疗。本文主要采用了深度神经网络模型对光电容积脉搏波进行血压测量,主要研究工作如下:1、针对原始脉搏波信号存在噪声干扰等问题,采用小波变换方法对脉搏波信号分解重构去除高频噪声和基线漂移。2、针对连续无创血压波形重构问题,提出了基于循环生成对抗网络的连续无创血压测量研究,通过脉搏波信号进行动脉血压波形重构。循环生成对抗网络的记忆性能够充分的学习输入信息的重要特征,该网络具有更好的特征学习能力,能够获取更多的有效特征信息。实验结果表明该模型能够有效的进行动脉血压波形重构。在基于深度神经网络结构的基础上,进一步提出了基于融合U-net模型的无创血压测量。利用一维U-net模型提取深层语义信息同时保留浅层语义信息,结合一维Multi Res UNet模型融合成新的网络模型结构,使的该网络模型具有更好的全局特征学习能力。将处理好的脉搏波信号输入网络模型中,通过与原始动脉血压波形对比分析,该网络能够精准的重构动脉血压信号。基于无创动脉血压实验表明,与CycleGAN模型相比,该模型具有更优的动脉血压波形重构性能。3、设计无创血压训练检测系统,将模型的训练和检测结果进行可视化分析,通过算法模型进行动脉血压的检测分析,提高了无创血压测量模型的实用性。

基于深度神经网络的连续无创血压测量方法研究

这是一篇关于动脉血压(ABP),光电容积脉搏波(PPG),CycleGAN,U-net,无创连续的论文, 主要内容为血压是人体血管系统的主要特征之一,它可以反映出人体的健康程度,还是临床医学判断病情的重要指标。目前临床上主要使用的测量方法为有创直接测量法,但是该方法容易对病人的身体产生损伤,只适用于重症患者。间接测量主要通过柯氏音听诊法和示波法,但是无法实现连续的血压测量。目前基于脉搏波信号的无创连续血压测量的研究越来越热,研究表明可以通过脉搏波信号重构动脉血压波形信号,使用深度学习模型进行数据自适应计算特征,减少人工提取特征的误差,提高模型普适性,重构的动脉血压波形,有助于提供后续的心血管疾病的诊断和治疗。本文主要采用了深度神经网络模型对光电容积脉搏波进行血压测量,主要研究工作如下:1、针对原始脉搏波信号存在噪声干扰等问题,采用小波变换方法对脉搏波信号分解重构去除高频噪声和基线漂移。2、针对连续无创血压波形重构问题,提出了基于循环生成对抗网络的连续无创血压测量研究,通过脉搏波信号进行动脉血压波形重构。循环生成对抗网络的记忆性能够充分的学习输入信息的重要特征,该网络具有更好的特征学习能力,能够获取更多的有效特征信息。实验结果表明该模型能够有效的进行动脉血压波形重构。在基于深度神经网络结构的基础上,进一步提出了基于融合U-net模型的无创血压测量。利用一维U-net模型提取深层语义信息同时保留浅层语义信息,结合一维Multi Res UNet模型融合成新的网络模型结构,使的该网络模型具有更好的全局特征学习能力。将处理好的脉搏波信号输入网络模型中,通过与原始动脉血压波形对比分析,该网络能够精准的重构动脉血压信号。基于无创动脉血压实验表明,与CycleGAN模型相比,该模型具有更优的动脉血压波形重构性能。3、设计无创血压训练检测系统,将模型的训练和检测结果进行可视化分析,通过算法模型进行动脉血压的检测分析,提高了无创血压测量模型的实用性。

激光熔覆涂层在线检测算法研究

这是一篇关于激光熔覆,在线检测,图像处理,语义分割,U-net的论文, 主要内容为激光熔覆作为一种使用激光作为热源将金属涂层施加到零件表面的加工方法,被广泛应用于增材制造领域,其通常用于创建保护涂层以增强原始零件性能,以及修复损坏或磨损的表面。但由于激光熔覆过程中能量的传递机理和物理过程复杂不可控,导致熔覆加工过程中产生缺陷,从而使熔覆涂层失效,因此为了确保熔覆加工质量,对加工过程中的熔覆涂层进行在线检测是十分有必要的。本文首先利用红外热像仪、计算机等设备建立了一套检测系统,其次通过红外图像增强和图像语义分割算法对采集到的图像进行增强和区域分割处理得到缺陷检测结果,最后进行验证实验,实现在线检测。主要完成了以下工作:构建了激光熔覆涂层红外图像采集平台。该平台以红外热像仪为基础,结合其配套的PC端控制软件,实现了熔覆涂层加工过程中的红外图像数据采集和PC端存储。针对采集到的红外图像存在噪声和非缺陷区域的红外特征与真实缺陷区域红外特征相似,导致将真实缺陷区域淹没的问题。本文在直方图均衡化算法的基础上结合加工过程中熔覆涂层的热场分布规律,设计出Heat-HE红外图像增强算法,可将红外图像中的噪声和非缺陷区域有效剔除,为后续缺陷识别提供了有效数据。提出了 RespathU-net语义分割缺陷检测网络,该检测网络以U-net网络为基础框架,针对其无法实现端到端输出,对复杂对象分割效果较差等问题,采用重新设计编码网络结构、扩大网络感受野、残差连接路径等方法对其进行优化改进,以提升对熔覆涂层缺陷区域的分割效果,并通过KolektorSDD数据集和本文构建的红外数据集,分别对RespathU-net网络进行泛化性能测试和缺陷检测实验。结果表明本文提出的RespathU-net实现了良好的多尺寸特征识别,效果远优于其他语义分割网络,其平均交换比(Mean Intersection over Union,MIoU)值与相似系数(Dice similarity coefficient,Dice)相较于 U-net网络分别提升了 2.76%和1.25%,实际缺陷检测准确率达87.01%。

U型神经网络激活函数研究及在医学影像中的应用

这是一篇关于U-net,医学图像,深度神经网络,激活函数的论文, 主要内容为近年来,随着人工智能理论与技术的迅猛发展,以深度神经网络为代表的深度学习方法受到了极大的关注,取得了长足的进步。其中的代表之一,在医学图像智能识别和辅助诊断领域,由全卷积网络发展而来的U-net网络发挥了重要作用,成为医学图像识别与分割的最基础和重要的工具之一。目前,医学图像领域所使用的深度神经网络,包括U-net在内,采用的激活函数基本都默认是Re LU。而激活函数作为神经网络中重要的组成部分,其在处理和传递图像特征之间复杂非线性关系的过程中,起到了至关重要的作用。相比于损失函数及网络架构的研究成果,详细探究和比较激活函数在深度神经网络中的作用及表现的研究还比较缺乏。鉴于此,本文着重讨论U-net网络中各类激活函数的性能与表现。本文的主要工作之一是,针对病理图切片分类实验。首先,比较逻辑斯蒂模型、随机森林模型以及深度神经网络分类模型在医学图像分类的优劣。实验结果表明基于深度神经网络分类模型,五种评价指标提升范围在13.6%-31.8%之间。其次,针对医学图像分类模型,对比分析Re LU、Mish、Ge LU、ELU、SELU、Tanh六种单一形式激活函数及三种组合形式激活函数。实验结果表明三种组合激活函数比单一激活函数表现性能要优,在单一激活函数中Mish、Ge LU也比Re LU效果好。本文的主要工作之二是,基于四个医学图像数据集进行实验,研究如下问题:一,激活函数对眼底血管数据集的分割所起的作用和影响是什么?二,饱和与非饱和激活函数的各类评价指标在不同数据集上的表现与差异情况如何?三,基于胸部X光图像数据集、直肠CT图像数据集及脑胶质瘤图像数据集,对比分析Re LU、Mish、Ge LU、ELU、SELU、Tanh、Softplus七种单一形式激活函数及三种组合形式激活函数。实验结果表明:不用激活函数几乎分割不出图像的纹路;非饱和激活函数优于饱和激活函数;三种组合激活函数相对于单一激活函数取得较好的结果,在单一激活函数中Mish、Ge LU也比Re LU效果好,Tanh、Softplus激活函数效果最差。

基于改进U-net的个性化异位心搏检测方法研究

这是一篇关于动态心电信号,多目标检测,U-net,个性化,迁移学习的论文, 主要内容为动态心电图可不间断地记录受试者24小时的心电信号,能够有效捕捉突发性、隐匿性的异位心搏,实现对受试者心脏状况的实时监测。目前,基于动态心电信号的异位心搏检测方法可实现自动化诊断,但大多无法定位异位心搏,且面临标签匮乏及患者间信号特征存在显著差异的问题。因此,本文从设计出患者个性化异位心搏多目标检测方法的切实需求出发,展开了异位心搏多目标检测、患者数据筛查标注和个性化多目标检测的研究。主要工作内容和创新成果如下:(1)为实现异位心搏的多目标检测,针对U-net对心电信号的长时序关联性学习能力不足和标签间的相关性建模困难的问题,提出了基于U-net-Bi LSTM-CRF的异位心搏多目标检测方法。在改进U-net的基础上,通过引入双向长短时记忆网络(Bi-directional Long Short-Term Memory,Bi LSTM)完善特征提取;利用条件随机场(Conditional Random Field,CRF)对标签间的关系建模,优化分类结果,实现对目标心律失常的类别和位置信息的同时检测。依据ANSI/AAMI EC57:2012的心搏分类标准,对MIT-BIH心律失常数据库中共85609个心拍记录进行划分,利用划分后的数据集进行实验。改进的方法对心拍分类的准确率达到99.11%,特异性为99.76%,灵敏度为97.21%,且对于室性早搏(Premature Ventricular Contraction,PVC)和房性早搏(Premature Atrial Contraction,PAC)的准确率分别提升了9%和47%。实验结果表明,该方法能够充分学习到长时序依赖关系和标签间的相关性,优于传统基于U-net的方法。(2)针对医生难以在海量动态心电数据中逐个标注的问题,提出了一种基于RR间隔和QRS波群特征的异位心搏筛查方法。按照RR间隔和QRS波群最大波幅的时限特征初筛标注出患者尽可能多的异常样本,再由心内科医生进行复核和标注。选用MIT-BIH心律失常数据库中有代表性的28位患者的心电数据进行实验,所提方法对异常心电信号片段识别的平均准确率可达到99.82%。实验结果表明,该方法能够快速准确地初筛异常心电信号,提高了医生精细标注的效率,为后续定制化设计异位心搏检测模型奠定了数据基础。(3)针对单人心电数据有限和通用模型泛化能力弱、训练时间长的问题,提出了基于深度迁移学习的个性化异位心搏多目标检测方法。该方法充分考虑患者的个性化特征,采用基于模型的迁移方式将从外部心电数据中学习到的知识应用至特定患者,并在此基础上利用该患者的心电数据训练个性化检测模型。选用MIT-BIH的短期数据库(28位患者)和长期数据库(7位患者)进行迁移前后的对比实验,迁移后模型的平均准确率分别提高了13.82%和4.82%;训练用时缩短至5分钟。实验结果表明,该方法节约了训练时间成本,实现了对特定患者异位心搏的多目标检测,具有现实应用价值。随着生活水平的进步和生活方式的剧烈变化,运动量不足、熬夜、久坐等不良生活习惯,极易引发心脏的病变。即使是目前健康的人群,也可能会出现异位心搏。当受试者的异位心搏和正常心搏积累至一定程度,采用本文所提的方法可形成一套高效率、个性化的监测方法。模型的个性化不断升级,医生的工作量就会不断减少,能够在满足受试者有针对性的诊断需求的同时,提高辅助诊断的效率。

激光熔覆涂层在线检测算法研究

这是一篇关于激光熔覆,在线检测,图像处理,语义分割,U-net的论文, 主要内容为激光熔覆作为一种使用激光作为热源将金属涂层施加到零件表面的加工方法,被广泛应用于增材制造领域,其通常用于创建保护涂层以增强原始零件性能,以及修复损坏或磨损的表面。但由于激光熔覆过程中能量的传递机理和物理过程复杂不可控,导致熔覆加工过程中产生缺陷,从而使熔覆涂层失效,因此为了确保熔覆加工质量,对加工过程中的熔覆涂层进行在线检测是十分有必要的。本文首先利用红外热像仪、计算机等设备建立了一套检测系统,其次通过红外图像增强和图像语义分割算法对采集到的图像进行增强和区域分割处理得到缺陷检测结果,最后进行验证实验,实现在线检测。主要完成了以下工作:构建了激光熔覆涂层红外图像采集平台。该平台以红外热像仪为基础,结合其配套的PC端控制软件,实现了熔覆涂层加工过程中的红外图像数据采集和PC端存储。针对采集到的红外图像存在噪声和非缺陷区域的红外特征与真实缺陷区域红外特征相似,导致将真实缺陷区域淹没的问题。本文在直方图均衡化算法的基础上结合加工过程中熔覆涂层的热场分布规律,设计出Heat-HE红外图像增强算法,可将红外图像中的噪声和非缺陷区域有效剔除,为后续缺陷识别提供了有效数据。提出了 RespathU-net语义分割缺陷检测网络,该检测网络以U-net网络为基础框架,针对其无法实现端到端输出,对复杂对象分割效果较差等问题,采用重新设计编码网络结构、扩大网络感受野、残差连接路径等方法对其进行优化改进,以提升对熔覆涂层缺陷区域的分割效果,并通过KolektorSDD数据集和本文构建的红外数据集,分别对RespathU-net网络进行泛化性能测试和缺陷检测实验。结果表明本文提出的RespathU-net实现了良好的多尺寸特征识别,效果远优于其他语义分割网络,其平均交换比(Mean Intersection over Union,MIoU)值与相似系数(Dice similarity coefficient,Dice)相较于 U-net网络分别提升了 2.76%和1.25%,实际缺陷检测准确率达87.01%。

基于深度学习的介质目标散射与逆散射特性研究

这是一篇关于电磁散射,电磁逆散射,深度学习,U-net,PINN的论文, 主要内容为介质目标散射与逆散射特性的数值计算在物理和工程科学中有许多应用,如地球物理传感、隐形飞机设计、生物医学成像与诊断等。利用传统算法求解电磁散射和逆散射时,由于涉及大矩阵的逆运算,其计算效率较低,无法完成问题的实时计算。针对这些问题,本文提出了基于深度学习的介质目标散射与逆散射特性的求解算法,在深度学习算法的基础上通过改进网络结构和引入物理信息约束,使其更适合求解电磁问题,改进后的深度学习算法具备了良好的鲁棒性、可生成性和可解释性,并可完成实时计算。论文的主要研究内容如下:首先,基于包含物理信息的U-net(Physics-informed U-net,PIU-net)求解了二维电磁散射问题,PIU-net的输入为包含入射场信息的图像和包含散射介质信息的图像,经过训练后直接输出总场图像,有效实现了问题的实时成像。PIU-net的结构相比于U-net做了如下改进:池化层的替换使得图像包含的电磁信息得到充分保留;残差连接的增加保障了深层网络的训练效果;输入输出特征图的定制化设计深度融合了所有特征,可以直接预测复值场;包含物理信息误差判别模块的加入使得像素表征更加符合电磁规律。结果表明:PIU-net预测的相对误差率仅为1%左右并且具有较强的泛化能力,相比于U-net,对电磁问题的学习能力明显增强。其次,基于包含物理信息的神经网络(Physics-informed Neural Network,PINN)求解介质目标的雷达散射截面(Radar Cross section,RCS),将亥姆霍兹方程作为物理约束加入损失函数,PINN输入为二维点坐标,输出为近场分布,不需要提前准备训练集,输入采样点坐标即可训练。训练结果表明该方法能够有效地求解散射体的RCS。最后,将PINN方法应用于天线上方覆板的设计,以实现天线的任意辐射方向图。方法将设计目标作为已知条件来确定期望远场,PINN的输入为二维点坐标,输出为近场分布和相对介电常数分布。通过一次预训练获得网络初始参数,再将亥姆霍兹方程和Lippman-Schwinger方程作为物理约束加入损失函数,进行正式训练。训练结果表明该方法能够有效实现天线辐射方向图的设计,在求解电磁逆散射问题领域潜力巨大。

基于改进U-net的多光谱遥感影像分类方法研究

这是一篇关于多光谱遥感影像,图像分类,深度学习,卷积神经网络,U-net的论文, 主要内容为对多光谱遥感影像进行准确和高效的分类,一直是遥感领域研究的热点,多光谱遥感影像包含地物丰富的光谱信息,可以使用这些信息对地物进行识别和分类。在过去的30年中提出许多传统的地物特征提取和分类的方法,例如最小二乘分类器、K均值分类器、支持向量机分类器和基于降维的主成分分析等方法。但是这些方法都不能提取多光谱遥感影像中地物的深层抽象特征,因此深度学习为解决这一问题应运而生。与传统的分类方法比,人工神经网络拥有较强的学习能力,具有一定的容错性,并且无需假设概率模型等特点,适用于复杂场景地物提取和空间模式识别等各类问题的处理。为了解决传统分类方法对多光谱影像分类产生的精确度低和效率低等问题,使用U-net网络能够有效的解决这些问题。U-net网络可以构建更深层次的网络结构,增加模型的训练参数,使模型能够学习更多的多光谱影像数据特征,针对特定的情景应用,设定与之对应的网络参数,能大大减少网络的计算时间,提高网络的精确度,进而提高多光谱影像地物的分类结果。如何使用改进的U-net神经网络对多光谱遥感影像地物分类是论文的研究重点,论文的主要研究内容如下所示:1)本文首先归纳总结传统的多光谱影像分类方法,如监督分类、无监督分类和半监督分类,分析了这些方法在地物识别中存在的精度不足、效率低和容错率低等问题,进而引出卷积神经网络在多光谱影像分类中的重要作用,证明了卷积神经网络对多光谱遥感影像分类的可行性与必要性。2)接着提出U-net网络结构的概念与改进,证明了改进的U-net网络适用于多光谱影像的分类,着重介绍了对多光谱影像的预处理,相比其它使用神经网络对多光谱影像分类方法,对训练数据预处理能够极大程度的提高网络的计算速度,使网络模型能够学习到更多的数据特征,提高网络模型的识别率。然后叙述了U-net网络的训练过程,分析了网络的模型结构、参数和评估指标。3)最后着重叙述了对实验结果进行后期处理的重要性,在许多使用神经网络做分类的方法中,都只是使用网络模型进行分类,而不对分类结果做任何的后期处理,导致分类结果精确度低和分类效果差。为了解决这一问题,使用图像处理的方式对实验结果做了进一步的处理。实验证明,对实验结果进行后期处理能有效的提升实验结果的精确度,为多光谱遥感影像的分类提供了一种新的方向。