基于深度学习的肺部CT图像分割算法研究
这是一篇关于肺结点,残差模块,3D U-Net,注意力机制,深度监督,多尺度卷积,U-Net的论文, 主要内容为肺癌是当今世界死亡率最高的癌症,如果能够在肺癌发生的早期发现并及时治疗,可以明显降低肺癌死亡率。利用图像分割技术对患者肺部CT图像中发生病变的区域进行精准分割,可以提高肺癌早期诊断率。传统图像分割方法分割精度低且需要大量人工操作。近年来分割精度更高且特征表征能力更强的深度神经网络在图像分割领域得到了广泛应用。因此,本文以U-Net和3D U-Net网络这两种深度学习方法为基础展开研究。主要贡献如下:(1)基于深度残差网络和注意力机制的U-Net图像分割算法研究针对U-Net中的传统CNN网络随着深度增加出现网络性能退化的问题,本文探索了一种特征提取能力更强的深度学习方法;针对肺结点大小形态各异且容易受到周围组织干扰的问题,设计了两种不同尺度的卷积模块;针对U-Net中跳跃连接忽略了通道间关系的问题,引入了注意力机制。首先对特征提取网络进行改进,将表征能力更强的深度残差网络作为主干网络。其次参考Inception设计了大核卷积模块,并引入小核卷积模块,提取全局语义信息和局部几何信息。最后使用注意力模块,加强特征通道之间的联系,使特征表达更丰富。在LUNA16数据集上进行实验,最终实验结果表明本文模型相较于基础U-Net网络精确度提高了3.86%,DICE提升了5.53%。(2)基于注意力机制和深度监督的3D U-Net图像分割算法研究针对2D U-Net模型中没有考虑CT图像三维空间特性的问题,本文探索了一种分割精度更高的3D U-Net模型;针对二维注意力模块无法适用于高维数据的问题,改进了3D U-Net的注意力模块;针对模型对于不同形态和大小的特征鲁棒性低的问题,利用深度监督方法进行改进。首先将U-Net模型中的二维卷积核替换为三维卷积核以适应不经过切片处理的完整CT图像。其次将二维注意力模块扩展到三维,使模型在空间和通道维度获得了整个全局范围内特征之间的依赖。最后利用深度监督方法,防止浅层特征丢失,同时避免梯度消失等问题。实验结果表明,3D U-Net模型比原始2D U-Net模型有着更强的分割性能,同时相较于基础3D U-Net模型,本文方法平均交并比提高了1.92%,DICE系数提高了2.59%,MPA系数提高了2.04%。(3)基于3D CNN的肺结点分类研究针对3D U-Net分割结果中出现的假阳性样本,本文设计了一种分类网络对其进行区分。将所有分割后的肺结点作为输入,使用3D CNN网络进行特征提取,最后使用全连接网络整合特征并分类。实验结果表明,通过筛选,有效降低了假阳性样本的比例,降低了发生误诊的概率。
基于深度学习的肺部CT图像分割算法研究
这是一篇关于肺结点,残差模块,3D U-Net,注意力机制,深度监督,多尺度卷积,U-Net的论文, 主要内容为肺癌是当今世界死亡率最高的癌症,如果能够在肺癌发生的早期发现并及时治疗,可以明显降低肺癌死亡率。利用图像分割技术对患者肺部CT图像中发生病变的区域进行精准分割,可以提高肺癌早期诊断率。传统图像分割方法分割精度低且需要大量人工操作。近年来分割精度更高且特征表征能力更强的深度神经网络在图像分割领域得到了广泛应用。因此,本文以U-Net和3D U-Net网络这两种深度学习方法为基础展开研究。主要贡献如下:(1)基于深度残差网络和注意力机制的U-Net图像分割算法研究针对U-Net中的传统CNN网络随着深度增加出现网络性能退化的问题,本文探索了一种特征提取能力更强的深度学习方法;针对肺结点大小形态各异且容易受到周围组织干扰的问题,设计了两种不同尺度的卷积模块;针对U-Net中跳跃连接忽略了通道间关系的问题,引入了注意力机制。首先对特征提取网络进行改进,将表征能力更强的深度残差网络作为主干网络。其次参考Inception设计了大核卷积模块,并引入小核卷积模块,提取全局语义信息和局部几何信息。最后使用注意力模块,加强特征通道之间的联系,使特征表达更丰富。在LUNA16数据集上进行实验,最终实验结果表明本文模型相较于基础U-Net网络精确度提高了3.86%,DICE提升了5.53%。(2)基于注意力机制和深度监督的3D U-Net图像分割算法研究针对2D U-Net模型中没有考虑CT图像三维空间特性的问题,本文探索了一种分割精度更高的3D U-Net模型;针对二维注意力模块无法适用于高维数据的问题,改进了3D U-Net的注意力模块;针对模型对于不同形态和大小的特征鲁棒性低的问题,利用深度监督方法进行改进。首先将U-Net模型中的二维卷积核替换为三维卷积核以适应不经过切片处理的完整CT图像。其次将二维注意力模块扩展到三维,使模型在空间和通道维度获得了整个全局范围内特征之间的依赖。最后利用深度监督方法,防止浅层特征丢失,同时避免梯度消失等问题。实验结果表明,3D U-Net模型比原始2D U-Net模型有着更强的分割性能,同时相较于基础3D U-Net模型,本文方法平均交并比提高了1.92%,DICE系数提高了2.59%,MPA系数提高了2.04%。(3)基于3D CNN的肺结点分类研究针对3D U-Net分割结果中出现的假阳性样本,本文设计了一种分类网络对其进行区分。将所有分割后的肺结点作为输入,使用3D CNN网络进行特征提取,最后使用全连接网络整合特征并分类。实验结果表明,通过筛选,有效降低了假阳性样本的比例,降低了发生误诊的概率。
基于深度学习的多目标实例分割算法研究
这是一篇关于实例分割,深度学习,多尺度卷积,重叠目标的论文, 主要内容为随着计算机视觉的发展,实例分割任务的应用场景与日俱增,因此实例分割技术受到研究者们的关注与研究。但目前为止该任务依然没有达到令人满意的效果,其中大部分算法在面对复杂环境时准确度不够高,与人眼识别分割还有一定差距。为解决在工程中无法使用具有高精度的实例分割算法,本论文在Mask R-CNN算法的基础上进行了改进,目的是解决实例分割技术在面对多目标遮挡、低照度图像、小目标等情况时能够有效进行实例分割,进一步提高算法准确度。本文的主要研究内容和贡献如下:(1)本文针对多目标重叠问题,以Mask R-CNN算法为基础进行改进,设计了一种基于Mask-RCNN的多尺度双层分解模型(MBDN)。该算法采用Mask R-CNN检测头作为本文算法检测的基础部分,分割部分将重叠的对象解耦成两个图像层,其中顶层处理遮挡对象,底层处理目标对象,在每一层中增加了多尺度膨胀卷积和图卷积来进行处理,能够有效获取图像更多特征,分别从全局和局部的视角对图像中感兴趣的特征信息进行编码解码,提升算法获取全局和局部特征的能力,进而提高图像的分割性能,有效解决多目标遮挡物实例分割的问题。在主干网络Res Net50和Res Net101上,该模型分别对基线模型的精度提高了7.3%和7.2%,方法在COCO公开数据集实验中得到验证。实验结果表明,本文所提出的方法优于同类现有方法。(2)针对低照度图像实例分割的问题,本文在MBDN模型基础上设计了一种基于低照度图像增强的实例分割方法。该方法在检测时采用图像增强模块,使实例分割图像亮度提升,增加其可检测性,同时将CBAM注意力模块加入至检测头中,提高模型对小目标的检测能力。该模型实验结果优于同类现有方法,AP从36.85提升到39.33,提高了6.7%,有效解决复杂环境下图像实例分割问题。综上,本文针对复杂环境下图像实例分割问题进行了探索与研究,提出了两个基于深度学习的实例分割模型,与其他方法相比效果良好,具有一定的借鉴意义。
基于深度学习的头部姿态估计方法研究
这是一篇关于头部姿态估计,多尺度卷积,空间注意力,MSM-Net,疲劳状态检测的论文, 主要内容为随着计算机性能的提升和数据量的爆发,深度学习迅速发展。头部姿态估计是计算机视觉领域的一个重要研究方向,与人脸检测、头部三维重建、面部表情分析等方向紧密相关。头部姿态估计是通过利用计算机视觉和模式识别的方法在数字图像中判断头部朝向。头部姿态估计常应用于疲劳驾驶检测、学生课堂注意力分析、以及安防监控系统等方面。因此,基于深度学习的头部姿态估计研究具有重要的意义和价值。头部姿态估计仍然面临许多问题,在训练时由于不同姿态角的样本数量差距大,损失难以快速收敛,在实际应用时加载模型速度慢,在复杂环境下的预测精度低。本文针对以上问题,对基于深度学习的头部姿态估计算法进行研究,本文的研究内容如下:本文提出了一个结合多尺度卷积模块和空间注意力机制的头部姿态估计模型(MSM-Net)。首先针对加载模型速度慢的问题,在构建的网络模型中使用深度可分离卷积结构。针对在复杂环境下预测精度低的问题,采用多尺度卷积模块提取头部图像多层次特征,并融合输入到下层网络。同时在网络中加入空间注意力机制,重点关注头部图像中头部轮廓和人脸关键点的位置特征,提高头部姿态估计的准确性。为了在训练模型时损失快速收敛,使用多损失函数替代单一的回归损失函数,采用分类结合回归的方式训练网络。该MSM-Net模型在AFLW2000数据集和BIWI数据集上测试,将本文提出的方法与经典论文的方法对比,测试的平均绝对误差降低,而且MSM-Net模型更小,在加载时速度更快。头部姿态估计可应用于疲劳状态检测。人处于疲劳状态时,会发生闭眼、打哈欠、低头瞌睡等行为。针对于人处于疲劳状态时低头瞌睡行为,设计一套实时地疲劳状态检测及提醒系统具有重要意义。本文提出一套双阈值判定方案,首先判断视频图像中头部是否处于低头状态,在单位时间内统计低头次数,再根据低头的频率判定被检测人员是否属于疲劳状态。
基于深度神经网络的DNA-蛋白质结合位点预测研究
这是一篇关于DNA-蛋白质结合位点,DNA形状特征,密集连接网络,容错编码,多尺度卷积的论文, 主要内容为能够与基因上游的特定核苷酸序列结合的蛋白质被称为转录因子,转录因子结合位点是指与特定的转录因子结合的DNA片段,它被称为基序,通常位于基因的上游区域。准确预测DNA-蛋白质结合位点(DNA-protein binding sites,DPBS)对于研究基因表达的调控机制具有重要的生物学意义。近年来,随着生物信息技术的快速发展,先进的深度神经网络被引入该领域,显著提高了DNA-蛋白质结合位点的预测性能。然而,这些预测方法主要是基于Ch IP-seq技术测量的DNA序列,没有考虑到基序序列可能出现的部分变异和测序技术本身的错误。此外,大部分的预测方法只考虑了DNA的序列信息,而忽略了其形状特征。同时,在模型设计阶段,大多数方法只考虑了使用固定的基序长度来捕获DNA序列中的结合特征,而结合位点的长度却不是固定不变的,这样的特征提取方式显然是不充分的。针对上述存在的问题,本文从特征表示和网络结构设计出发,设计了两种用于DNA-蛋白质结合位点预测的解决方案,主要工作内容如下:(1)本文同时考虑了DNA的序列信息和其形状特征,并在密集连接网络的基础上设计了一种用于预测DNA-蛋白质结合位点的深度神经网络Shape-Dense Net。混合的编码方式能够为神经网络的训练提供更多的特征,实验表明,通过将DNA序列信息和其形状特征结合,DNA-蛋白质结合位点的预测性能得到了一定的提升。(2)本文提出一种容错编码机制用于将DNA序列转换为神经网络的输入,该机制考虑了基序序列可能出现的部分变异和测序技术本身的错误,丰富了神经网络的输入特征。同时,针对转录因子结合位点长度不固定的特性,本文设计了一种多尺度密集连接网络结构(MSDense Net)。实验表明,通过将容错编码与多尺度密集连接网络结合,显著提升了DNA-蛋白质结合位点的预测性能。(3)本文基于Spring Boot框架,开发了一款DNA-蛋白质结合位点预测系统,方便了相关领域的科研工作者能够便捷、高效地确认待预测DNA序列中是否包含转录因子结合位点。
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：代码工坊 ，原文地址：https://bishedaima.com/lunwen/54324.html
