基于深度学习的眼底视网膜血管图像分割方法
这是一篇关于视网膜血管,多尺度融合,深度学习,注意力机制的论文, 主要内容为利用眼底成像技术对视网膜内的血管进行早期检测,对防治和筛查相关眼部疾病具有十分重要的意义。然而,传统的人工检测方法难以实现对其进行快速的检测。所以,实现自动的视网膜血管分割具有重要的价值。受限于视网膜血管结构复杂、形态多变的特征,现有的图像分割方法在精确和速度上都不能很好地适应临床需求。近年来,基于深度学习的医学图像分割方法已经展现出了巨大的应用前景。本文在详细研究了目前国内外的视网膜血管分割方法的基础上提出了新的深度学习方法用于精确分割视网膜血管。本文的主要研究工作包括:(1)设计了一种基于U-Net的多尺度注意力的视网膜血管分割网络(称为MA-UNet)。MA-UNet是以U-Net结构为基础。U-Net含有的编码-解码结构和跳跃连接可以有效的融合各层的特征信息,提高分割的精确度。MA-UNet在U-Net结构的基础上提出了多尺度融合模块和三型注意力模块。多尺度融合模块主要用来融合各个层次的重要特征,并且保留了含有高分辨率特征的空间维度信息。三型注意力模块可以使网络自动的调整各个信道的权重,从而强化重要特征并且能够抑制不相关特征的表达。(2)设计了一种基于U-Net的多分辨率融合的视网膜血管分割网络(称为MR-UNet)。MR-UNet在U-Net结构的基础上提出了多分辨率融合模块和区域敏感注意力模块。其中多分辨率融合模块包含编码器融合子模块和解码器融合子模块,分别位于编码器和解码器的结构末端,主要用于融合编码器和解码器各层不同分辨率的特征信息。区域敏感注意力模块由通道注意力子模块和空间注意力子模块组成,用来训练网络,以提高网络对血管区域的关注,忽略不相关区域。本文采用了DRIVE和CHASE_DB两个公开的视网膜血管数据集对上述两个网络的分割性能进行了验证。实验结果表明设计的两个网络模型对视网膜血管具有一定的分割能力。同时,消融实验也证明了各个功能模块的有效性。
基于多尺度级联沙漏网络的立体匹配算法研究
这是一篇关于立体匹配,级联预测,多尺度融合,沙漏网络的论文, 主要内容为双目立体视觉模拟人眼观察和处理景深的过程,以双目摄像机取代双眼来获取图像数据,以计算机代替神经中枢处理获取的外界信息,是一种以立体匹配任务为核心的非接触式的测量方法。立体匹配通过对双目图像匹配像素点来计算视差,以低成本和易部署的优势获取深度信息,逐渐应用于机器人导航和自动驾驶领域的环境感知模块。目前端到端的立体匹配算法在纹理丰富的区域显著提升了精度,但重复纹理和细长结构区域极易误匹配。此外,日益复杂的网络结构、高计算复杂度致使模型难以部署到实际应用。本文围绕高效精准的立体匹配网络进一步研究,主要工作如下:(1)高分辨率图像的多阶段立体匹配中,针对初始阶段累积视差误差并持续传递,导致局部优化范围未覆盖视差标签值的问题,本文融合多尺度的匹配代价体,利用全局和局部特征的匹配关联性,以更准确的初始视差引导后续匹配。本文提出多信息匹配代价体来描述特征匹配的相似度,构建基于多尺度匹配代价体融合的沙漏代价聚合模块,在低分辨率下生成初始视差图,逐步细化生成高精度的高分辨率视差图。Scene Flow测试集的端点误差(End-point-error,EPE)降低到0.83,KITTI测试集的定性结果表明,引入多尺度匹配代价体融合模块后,初始阶段下道路标志和护栏区域的细节信息完整性更高,最终生成轮廓清晰、细节结构更完整的高分辨率视差图,提高了模型在重复纹理区域的鲁棒性。(2)针对立体匹配模型复杂度高且可移植性差的问题,提出一个自适应残差范围模块对固定残差范围进行快速剪枝,以精简的调整范围优化视差,设计一个基于Mobile Net V2模块的轻量级高效立体匹配网络。利用各候选视差的概率分布信息来度量每个像素立体匹配的不确定度,对后续待匹配的残差范围进行动态调整,利用沙漏网络对高可能性的候选视差进行代价聚合,避免无效匹配点的影响,实现更加高效精准的匹配过程。在网络中采用基于Mobile Net V2模块的特征提取器和代价聚合模块,降低了模型参数的冗余度。Scene Flow测试集的实验结果表明,与基于标准卷积的本文算法相比,在EPE误差仅上升0.04的前提下,模型计算量显著下降,参数量降低了1.83MB,以0.127秒快速生成一对高分辨率(540×960)双目图像的视差图。道路场景下粗略的视差预测即可为避障等高级任务提供先验信息,而多阶段视差预测的方式可以实时获取到当前最佳的视差图。本文采用层次化的视差精调策略,获取亚像素精度的视差值更有效地满足高层次视觉任务的需求。
基于深度卷积神经网络的桥梁裂缝检测方法研究
这是一篇关于桥梁裂缝,无人机,GGLRG预处理,空洞卷积,多尺度融合的论文, 主要内容为中国公路桥梁建设规模巨大,随着时间的推移,有很大比例路桥结构已经步入了老龄化阶段,破损现象日趋严重,对在役桥梁进行检测维修和养护管理已引起业界和学术界的广泛关注。然而,目前对桥梁的常规检测大多依赖于人工进行,耗时费力,且存在一定的危险性。为了规避现有检测方法存在的诸多弊端,满足现代检测模式智能化和准确性的需求,本文提出了一种基于深度卷积神经网络的桥梁裂缝检测模型。该模型适用于无人机成像的桥梁裂缝检测,通过输入实际环境中拍摄的桥梁裂缝图像训练模型,使模型在测试集上自动完成对不同尺度和四种类型裂缝的像素级识别与分割,从而准确地测量出裂缝的形态特征和物理尺寸,为桥梁的安全评估提供可靠的数据。(1)本文应用无人机进行自动航线规划和图像采集,结合桥梁裂缝的形态特征,重点研究了图像去噪、图像锐化和图像增强。在分析比较了各种预处理算法的基础上,提出了应用于桥梁裂缝图像的GGLRG预处理方案,为深度卷积神经网络模型的训练与测试提供了高质量的图像数据集。(2)本文对Alex Net深度卷积神经网络进行了改进,用全局平均池化代替全连接层,提高了模型的抗过拟合能力。经过大量的训练与优化试验后,该模型在测试集的各项主要技术指标上平均提高了5.42%,同时具有较强的鲁棒性,在众多噪声干扰的环境下,对桥梁裂缝图像进行了准确的分类。(3)本文在全卷积神经网络的基础上,提出了一种适用于桥梁裂缝的语义分割模型。该模型在网络的编码和解码路径中,扩展了一组空洞卷积和融合多尺度特征的空间金字塔池化模块,极大地提高了网络的整体裂缝分割能力。与FCN、U-Net相比,该模型在测试集中具有更高的准确率、精确度、召回率、F1分数和IOU平均值,为准确测量裂缝物理尺寸消除了障碍。(4)本文基于最小二乘分段拟合方法计算裂缝的最大图像宽度,然后获取像素解析度将裂缝图像宽度换算为物理宽度,并与现场测量结果对比,证明了算法的准确性与可行性。
基于深度学习的肺部CT辅助检查系统的设计与实现
这是一篇关于深度学习,注意力机制,多尺度融合,肺结节检测的论文, 主要内容为肺部疾病严重影响人类身体健康和生命安全,尤其是肺癌,已经成为威胁人类身体健康和生命安全的头号杀手。临床经验表明,如果肺癌在最早期阶段能够被及时检测并得到有效治疗,那么患者存活率将得到大幅度提升。肺癌早期形态主要表现为肺结节,检测肺结节形态及变化是筛查、诊断和治疗肺癌最为关键的一步。计算机断层扫描技术作为传统医学重要检测手段之一,能够多方位呈现患者肺部病灶的具体位置、非正常形态、繁杂纹理变化等诸多特征。但是断层扫描技术产生的庞大CT影像数量,极大加重医生工作负担,因人为因素导致的误诊也越来越多,对患者肺癌的诊断以及治疗极其不利。将计算机辅助诊断系统嵌入诊断过程可有效避免医生疲劳等人为因素的影响,进而提高医学诊断的准确率。肺结节检测算法作为计算机辅助诊断系统的重要组件之一,改善和提高精度对提升肺癌患者的生存率与治愈率具有重要意义。构建在线肺结节辅助检测系统以更好预测、筛查和诊断肺癌的基本条件已经具备。一是深度学习技术快速发展,广泛应用于医学领域影像检测、识别和分类等方面。二是随着互联网的深度普及,越来越多的患者愿意选择线上问诊寻求“第二检查与治疗意见”。因此,本文以肺部医学CT影像为研究对象,针对肺癌早期筛查,探索研究提高肺结节检测准确率的深度学习算法,并在检测算法的基础上设计与开发了在线肺部CT辅助检测系统。具体研究工作如下:(1)优化设计肺结节检测算法。通过分析和研究国内外肺部结节自动检测方法,针对肺结节形状大小不一、肺部背景复杂多变以及目前肺结节检测模型对有肺壁粘连的肺结节特征提取不足等问题,本文优化了基于多尺度注意力的肺结节检测算法模型。该模型组成包括肺结节候选检测和假阳性减少两部分,改进了如下三部分内容:a)组合Res2Net部分结构,预激活操作和卷积四元组注意力机制,引入扩张卷积,优化设计3D多尺度注意力模块(VUA)。该模块首先充分提取肺结节的多尺度信息,将深浅层信息进行有效进行融合。其次,使用预激活函数用以缓解过拟合问题;b)将VUA与3D U-Net编码器—解码器结构和Faster R-CNN骨干网络结合,特征层融合过程采用卷积块替换Concat连接,用于实现候选结节检测部分;c)在3D深度卷积网络基础上,加入残差连接提取融合更多不同尺度特征,结合VUA模块通过分类完成假阳性减少部分。在LUNA16和天池竞赛数据集上进行的大量实验表明,准确率达到了95.40%左右,该检测算法可以有效提高检测灵敏度,降低假阳性结节数量,具有临床实际应用价值。(2)设计实现了基于深度学习的肺部CT辅助检测系统。遵循软件工程相关理论,采用前后端分离的方式,后端基于Web主流SSM(Spring+Spring MVC+My Batis)框架搭建,前端使用基于Element UI组件库的Vue框架,设计并实现了在线肺部CT辅助检测系统。该系统包括登录注册模块、肺部CT检查模块、肺结节辅助检测模块和管理员模块四部分。其中肺部检查模块实现医生对患者肺部情况的诊断并且提出治疗方案,肺结节辅助检测模块调用本文的深度学习CT影像检测算法帮助医生完成肺结节的检测。经测试,系统功能正常且运行稳定,达到了预期设计目标。
基于深度学习的肺部CT辅助检查系统的设计与实现
这是一篇关于深度学习,注意力机制,多尺度融合,肺结节检测的论文, 主要内容为肺部疾病严重影响人类身体健康和生命安全,尤其是肺癌,已经成为威胁人类身体健康和生命安全的头号杀手。临床经验表明,如果肺癌在最早期阶段能够被及时检测并得到有效治疗,那么患者存活率将得到大幅度提升。肺癌早期形态主要表现为肺结节,检测肺结节形态及变化是筛查、诊断和治疗肺癌最为关键的一步。计算机断层扫描技术作为传统医学重要检测手段之一,能够多方位呈现患者肺部病灶的具体位置、非正常形态、繁杂纹理变化等诸多特征。但是断层扫描技术产生的庞大CT影像数量,极大加重医生工作负担,因人为因素导致的误诊也越来越多,对患者肺癌的诊断以及治疗极其不利。将计算机辅助诊断系统嵌入诊断过程可有效避免医生疲劳等人为因素的影响,进而提高医学诊断的准确率。肺结节检测算法作为计算机辅助诊断系统的重要组件之一,改善和提高精度对提升肺癌患者的生存率与治愈率具有重要意义。构建在线肺结节辅助检测系统以更好预测、筛查和诊断肺癌的基本条件已经具备。一是深度学习技术快速发展,广泛应用于医学领域影像检测、识别和分类等方面。二是随着互联网的深度普及,越来越多的患者愿意选择线上问诊寻求“第二检查与治疗意见”。因此,本文以肺部医学CT影像为研究对象,针对肺癌早期筛查,探索研究提高肺结节检测准确率的深度学习算法,并在检测算法的基础上设计与开发了在线肺部CT辅助检测系统。具体研究工作如下:(1)优化设计肺结节检测算法。通过分析和研究国内外肺部结节自动检测方法,针对肺结节形状大小不一、肺部背景复杂多变以及目前肺结节检测模型对有肺壁粘连的肺结节特征提取不足等问题,本文优化了基于多尺度注意力的肺结节检测算法模型。该模型组成包括肺结节候选检测和假阳性减少两部分,改进了如下三部分内容:a)组合Res2Net部分结构,预激活操作和卷积四元组注意力机制,引入扩张卷积,优化设计3D多尺度注意力模块(VUA)。该模块首先充分提取肺结节的多尺度信息,将深浅层信息进行有效进行融合。其次,使用预激活函数用以缓解过拟合问题;b)将VUA与3D U-Net编码器—解码器结构和Faster R-CNN骨干网络结合,特征层融合过程采用卷积块替换Concat连接,用于实现候选结节检测部分;c)在3D深度卷积网络基础上,加入残差连接提取融合更多不同尺度特征,结合VUA模块通过分类完成假阳性减少部分。在LUNA16和天池竞赛数据集上进行的大量实验表明,准确率达到了95.40%左右,该检测算法可以有效提高检测灵敏度,降低假阳性结节数量,具有临床实际应用价值。(2)设计实现了基于深度学习的肺部CT辅助检测系统。遵循软件工程相关理论,采用前后端分离的方式,后端基于Web主流SSM(Spring+Spring MVC+My Batis)框架搭建,前端使用基于Element UI组件库的Vue框架,设计并实现了在线肺部CT辅助检测系统。该系统包括登录注册模块、肺部CT检查模块、肺结节辅助检测模块和管理员模块四部分。其中肺部检查模块实现医生对患者肺部情况的诊断并且提出治疗方案,肺结节辅助检测模块调用本文的深度学习CT影像检测算法帮助医生完成肺结节的检测。经测试,系统功能正常且运行稳定,达到了预期设计目标。
本文内容包括但不限于文字、数据、图表及超链接等)均来源于该信息及资料的相关主题。发布者:源码工厂 ,原文地址:https://bishedaima.com/lunwen/50797.html