【摘 要】
:
当前,计算机相关技术在医学领域扮演了越来越重要的角色。而医学图像作为医学诊断中重要的组成部分,对于病患的病情判定,疾病的严重程度评估,以及康复预测等方面,都具有极其重要的意义。医学图像分割可以快速且准确的将医学图像中的病患区域和背景区域分割开,对于临床治疗和医学研究都有很好的辅助作用。深度学习的兴起大大提高了医疗图像分割的准确度,同时可以提取出医生很难定性定量的病理特征,甚至探究尚未发现的医学原理
论文部分内容阅读
当前,计算机相关技术在医学领域扮演了越来越重要的角色。而医学图像作为医学诊断中重要的组成部分,对于病患的病情判定,疾病的严重程度评估,以及康复预测等方面,都具有极其重要的意义。医学图像分割可以快速且准确的将医学图像中的病患区域和背景区域分割开,对于临床治疗和医学研究都有很好的辅助作用。深度学习的兴起大大提高了医疗图像分割的准确度,同时可以提取出医生很难定性定量的病理特征,甚至探究尚未发现的医学原理。然而,当前还有诸多因素制约了医学图像分割的发展。很多任务的准确率还无法达到临床实践的要求。其中主要有三个方面的原因。第一,部分医学图像的背景复杂,前景和背景中的某些物体非常相似,这无疑会增大分割的难度。第二,语义实体的边缘像素难以识别。在深度学习网络中,为扩大感受野,提取高阶特征,往往通过池化层降低特征图的分辨率。而这会使得图像在恢复为原分辨率的时候损失边缘信息。第三,医疗图像收集较为困难,少量的数据容易造成深度学习网络过拟合。当前的创面图像分割算法,常常采用传统特征工程算法与卷积神经网络相结合的方法。即先使用传统的图像处理算法对图像进行预处理,再使用深度学习网络对图像进行分割。然而这样的算法存在两个问题:(1)预处理算法中存在参数,而参数需要根据具体数据集进行调整,参数调整需要耗费大量的时间和人力。(2)预处理算法对所有图像进行预处理。然而有一部分图像经过预处理会产生过曝现象,使得这部分图像分割准确率不升反降。针对以上问题,我们设计了一个端到端的创面分割网络,并命名为D-Unet。该网络可以随训练过程自动调整预处理算法的参数,并使用双输入保留了原始图像的特征信息,在创面图像数据集中取得了当前最好的准确率。其基本思路为:(1)将预处理算法中的卷积操作,换成卷积神经网络中的算法。以此将预处理算法融合进卷积神经网络中,实现了自动调整参数的目的。(2)使用两个输入分支,其中一个是经过预处理的图像,另一个输入分支为原始图像,以此来消除预处理对部分图像的负面影响。目前针对息肉分割的深度学习网络,仍然存在大块的息肉区域识别错误。这主要是由于高阶语义特征信息较弱的原因,其次,多重感受野模块存在填充的面积相对特征图过大的情况。针对这些问题,本文提出了增强高阶语义信息的网络——RcaNet,该网络有效增强了高阶语义信息,改善了大面积区域的识别问题,在所有的息肉数据集中都取得了最好的准确率。其主要思路是:(1)使用细化残差模块增强了高阶语义信息。(2)改进了现有的多重感受野模块。(3)削减了跳跃连接的数量,消除了不必要的低阶高分辨率信息的冗余。视网膜血管分割是视网膜疾病识别系统的重要组成部分,其准确率直接关系到疾病识别的准确率。然而当前视网膜血管分割的性能还远远达不到临床诊疗的要求,主要原因在于分支血管过细,当前针对视网膜血管分割的深度学习网络还无法处理如此细小的结构。针对该问题,我们设计了一个全新的针对视网膜血管分割的架构,该架构有效解决了分支血管分割困难的问题,取得了较好的结果。其主要思路为:(1)首先使用CLAHE算法对视网膜血管图像进行增强。(2)使用多种方式对数据集进行数据增强。(3)设计了一个新的针对视网膜血管分割的深度学习网络。该网络由多尺度输入,分为两个网络,包括一个主体网络,一个细节网络。主体网络是完整Unet网络,细节网络为两阶段特征提取网络,用来增强细小血管的分割细节。
其他文献
街景分割是分割目标为街景图像的语义分割。随着深度学习的发展,基于卷积神经网络的街景分割方法获得了巨大发展。然而,当训练数据和测试数据中存在较大的领域差距时,神经网络模型会急剧退化,这种现象被称为域偏移。为了解决该问题,本文实现了如下的研究工作和创新点:1、实现了一个基于生成对抗学习的无监督域适应街景分割算法原型。通过生成对抗学习的思想,将分割网络视为生成器,添加额外的判别器来拉近目标域与源域的输出
合成孔径雷达(Synthetic Aperture Radar,SAR)图像舰船目标检测技术可以自动标注SAR图像中舰船所在位置,其在军事和民用领域都具有重要应用价值。SAR高分辨率成像技术的不断发展,丰富了目标特征信息,为深度学习技术在SAR图像检测领域的应用提供了数据基础。SAR图像具有场景大目标小的特点,并且图像中舰船目标尺寸跨度大,舰船形态多样,多种尺度的舰船目标给检测过程增加了一定难度。
线性调频(Linear Frequency Modulated,LFM)信号,以其低截获率(Low Probability of Intercept,LPI)特性被广泛应用于各种雷达系统中,是一种应用极其广泛的辐射源信号。LFM信号的检测与参数估计算法已经相对成熟,不同的算法适用于不同的电磁场景,但它们大多只能估计LFM信号时频脊线的调制参数,而且存在估计精度与计算效率之间的矛盾。对于雷达系统中的
由于浅海声传播特性复杂多变,因此浅海环境下水声目标定位技术一直是水声学领域的热点和难点。该技术的典型代表是匹配场处理,其在海洋环境参数已知条件下通过水声传播模型生成拷贝声场,与阵列接收数据进行匹配,实现目标定位。然而在实际应用中,海洋环境参数(声速剖面、海深、海底地质参数等)存在诸多不确定性,使得拷贝声场计算不准确,导致匹配场处理性能急剧恶化甚至失效。随着计算机图形处理单元运算性能的提高以及深度学
随着人工智能和计算机视觉领域的快速发展,深度学习作为人工智能下的子学科在视觉分析任务中占据了重要位置。深度学习用包含大量神经元的神经网络来提取图像中有用的特征进行信息分析。利用深度学习的方法来进行图像分析已经形成了较为规范的分析框架,包括对网络模型的训练,学习输入到输出的关系映射,从而对未知的输入进行模式预测。该框架具有很强的通用性,通过较少的调整就能解决很多图像上类似的问题。医学是一个数据急剧增
当前,随着数据以指数形式增长,大量的信息蕴含在其中,如何有效地利用其中的有用信息,从海量文本数据中自动的抽取出有用的信息,更为具体地,如何从文本中抽取出潜在的语义关系元组则成为了关键的问题。关系元组抽取任务就是为了专门研究和解决这一问题而提出的。根据预先定义的关系的种类数目的不同,关系元组抽取任务可以分为单关系元组抽取和多关系元组抽取。在单关系元组抽取任务中,本文以情感原因对的提取为例,针对现有模
唇读,旨在通过说话者嘴唇及其周围区域的视觉信息,解码其所说文本内容,是计算机视觉领域的一个重要问题,在公共安防、健康医疗、军事情报等领域有着广泛的应用价值。近年来,深度学习技术的兴起、大规模唇读数据集的构建和计算机算力的提升极大推动了唇读研究进展,取得里程碑式的突破。本课题围绕唇部运动规律和深度网络结构特点,对基于深度学习的唇读方法进行探索研究,分别对当前主流唇读方法的特征提取前端网络和序列建模后
电动舵传动系统是装备中用于高精度、高响应控制运行轨迹的关键设备系统。舰船电动舵传动系统的传动机构受盐碱环境腐蚀,其轴承等关键零部件出现的故障将对装备安全可靠服役产生重大影响。本文以电动舵传动系统为背景,重点研究低速往复运动的模拟实验台设计及滚动轴承智能故障诊断算法。文章首先提出了针对一维振动信号的多尺度卷积神经网络智能诊断模型,利用西储大学的轴承数据集验证了其优秀性能,并基于某型电动舵传动系统工作
为了更加直观和清晰地观察患者体内正常和病变组织(即肿瘤),医师通常需要借助医学影像的辅助,为患者临床诊断和制定针对性的手术方案提供科学依据和必要准备。医生在进行手术之前,可以借助医学影像分割技术,从患者的影像学资料中,得到人体的器官与病变组织分割结果。分割技术能够增加医生对肿瘤病变情况的了解程度,同时帮助医生在完全切除肿瘤病变区域的前提下,尽量保护肿瘤周围的血管、神经等正常组织,并以此增加手术的成
文学作品能够引发读者对于人性真、善、美的思考,因而具有独特的育人价值。本文聚焦英文小说类语篇,结合教学实例探讨如何挖掘小说类语篇的育人价值。在教学设计和实施中,教师可将育人与小说类语篇的文体特征及语言特点相结合,引导学生在探究语篇主题意义的过程中,辨析矛盾冲突,剖析人物心理和探析故事结局,学会认识和分析人性真、善、美及人与人之间关系的一些基本问题,从而促进思维的发展,达到育人目的。