【摘 要】
：
近年来，随着深度学习技术的发展，深度神经网络在医学图像分割领域得到广泛应用。其中，U-Net由于其良好的分割性能，逐渐成为图像分割领域中的研究热点。根据相关研究工作，首先就结构改进和非结构改进两大方面对U-Net网络的相关改进模型进行了综述。然后以视网膜血管、肺结节、肝脏和肝脏肿瘤、脑肿瘤这四种典型医学图像为例，阐释了各类图像的特点和分割难点，并对U-Net及其改进网络在相关图像分割上的应用进行了
论文部分内容阅读
近年来，随着深度学习技术的发展，深度神经网络在医学图像分割领域得到广泛应用。其中，U-Net由于其良好的分割性能，逐渐成为图像分割领域中的研究热点。根据相关研究工作，首先就结构改进和非结构改进两大方面对U-Net网络的相关改进模型进行了综述。然后以视网膜血管、肺结节、肝脏和肝脏肿瘤、脑肿瘤这四种典型医学图像为例，阐释了各类图像的特点和分割难点，并对U-Net及其改进网络在相关图像分割上的应用进行了总结。最后对U-Net改进工作中存在的问题进行探讨，并对未来发展予以展望。
其他文献
在印刷电路板（PCB）的生产制造中由于生产工序等问题易导致电路板存在有瑕疵缺陷，为提高对电路板缺陷的检测效率，提出了一种基于卷积神经网络的电路板缺陷检测网络。该检测网络整体基于YOLO v4网络进行优化改造，针对于PCB制作精密复杂，各类缺陷不易检测的难点，在优化后的网络中加入了基于细粒度空间域的长距离全局注意力机制，同时在SPP模块的基础上进行特征图重组作为各个YOLO检测头的输入。通过使用长距
锥束X射线发光断层成像(cone-beam X-ray luminescence computed tomography, CBXLCT)是一种可在生物体外对早期肿瘤进行有效检测的新型医学成像技术。其中，稀疏角CB-XLCT成像进一步加速了该技术走向临床的实时化进程。然而，相对于传统多角度成像，稀疏角CB-XLCT成像的逆问题病态性明显加剧，这对传统成像方法的有效扩展提出了挑战。本文基于稀疏非凸L
近年来，随着计算机视觉技术的快速发展，越来越多基于图像的应用被开发出来用以解决农业生产中的问题。目前对农作物生长和产量影响最大的就是植物干旱胁迫问题。传统卷积神经网（CNN）使用直接回归玉米叶片数的算法，在实际实验中误差较大，因此本文引入了CNN和Fisher向量编码联合提取多尺度特征的方法。在设计特征提取网络时参考了GoogLeNet中多尺度卷积核结构，使其更适合于提取不同尺寸叶片的特征。然后，
提出了一种基于视点分段式体像素的大视角全视差桌面式光场显示系统，系统采用了定向准直背光和反贴于分辨率为7680×4320的液晶显示屏上的柱镜阵列实现100°的水平观看视角，并利用光学偏折膜和全息功能屏在适用于桌面显示的正面观看范围内实现离散采样光场的体像素重建。设计了一种能够根据多位观看者的空间坐标划分独立视区的视点分段式体像素，并推导其与液晶显示屏上子像素的函数映射关系，实现了对观看区域的分段式
海洋温度和盐度是重要的海洋环境参数，对了解海洋性质、生物多样性具有重要的作用。本文基于碘分子吸收池的边缘探测技术，将携带温度信息的布里渊散射光分束后，通过三个压强不同的碘分子吸收池从而形成三个探测通道,得到两个信号强度比值信息。通过迭代算法即可同时反演被测区域的温度和盐度信息。采用探测器输出的信号强度比值的形式能有效抑制激光器光强抖动带来的影响。为将测温误差控制在0.2K以内，本套算法对探测器输出
针对金属缺陷识别分类，传统机器学习需要人工提取特征，而深度学习需要大量样本的问题，本文针对中小规模缺陷数据集提出了一种基于浅层的卷积神经网络（CNN）和决策树（DT）的金属缺陷分类方法。利用卷积神经网络提取特征，通过决策树分类，实现缺陷分类。引入主成分分析（PCA）方法对特征向量降维，减小过拟合并提升算法识别分类效率。为验证本文方法的通用性，除图像缺陷数据外还引入非图像缺陷数据。实验结果表明，本文
针对钢梁在工程项目中应用广泛，其表面缺陷若未能及时发现将很可能带来安全隐患。本文利用一种具有跨阶段分层结构的轻量化卷积神经网络实现了钢梁表面缺陷的快速实时检测。首先使用跨阶段局部网络搭建用于特征提取的骨干网络，不仅能丰富了梯度更新路径，而且有助于浅层表面缺陷特征的提取。其次，将跨阶段分层模块作为特征提取器嵌入到跨阶段分层结构的其中一个分支中得到轻量化的特征提取模块，极大的提高了检测速度。最后，将多
为了解决图像采集过程中由于昆虫图像获取不完整而导致整体稻飞虱识别精度低、速度慢的问题，提出了一种基于字典学习和SSD的不完整稻飞虱图像分类研究方法。首先，使用自主研发的野外昆虫图像采集装置采集稻飞虱图像，构建小型图像集。然后，将采集到的稻田昆虫图像进行阈值分割，得到单一稻田昆虫图像；对单一昆虫图像进行分块处理，得到带有背景信息和特征信息的混合子图像块集；使用子图像块作为字典原子来构建过完备字典，并
针对工业生产中小型零件存在漏检及识别率不高等问题，结合深度学习基本理论，提出一种改进YOLOV3网络的零件目标识别算法。该算法首先在零件特征融合结构信息中增加了一个特征尺度，进一步融合深层网络与浅层网络的特征信息，以便更好融合零件的位置信息和语义信息。为克服YOLOV3算法中使用K-means聚类对初值不稳定的缺点，根据不同零件类别宽高比，采用K-means++算法对Anchor框重新进行了聚类。
鱼类识别检测技术中，采用Anchor-free算法中的Centernet算法对鱼类进行识别检测时，低层特征信息容易丢失，降低识别精度和识别效率。为此，在Centernet算法网络结构中引入特征融合模块将低层特征信息和高层特征信息融合，输出更加完整的特征图，提高识别检测精度；设置参数调节正负样本的损失比例，使得网络模型的损失函数得到优化，提高整个模型的识别检测效率。采用PASCALVOC数据集对改进