对抗学习下的眼底图像视盘视杯分割算法

由于不同数据集的质量、拍摄条件和采集状态的差异,导致模型图像分割效果参差不齐。针对这种情况,提出对抗学习下的眼底图像视盘视杯分割算法,从不同眼底图像数据集中分割视盘(OD)和视杯(OC),在生成对抗网络的基础上,改进生成器网络,加入密集连接块,使网络在更低计算成本、更短训练时间的情况下,获得更优的性能,提高了模型在不同数据集中的泛化能力。实验结果表明,在REFUGE数据集中验证了该算法在分割性能方面的稳定性,同时将算法推广到无须进一步训练就能测试来自不同设备的眼底数据集中均取得了较好的效果。

紧支撑正交复小波滤波器的参数化

针对复小波在实际应用中比实小波更具有优势的特点,给出了紧支撑正交复小波滤波器参数化的更简单的形式,比FENG等(2013)减少了参数的个数,更易于得到正交的复小波,从而为工程人员选择合适的复小波带来更大的便利,并给出了算例.

双波长视网膜成像自适应光学系统的轴向色差补偿方法

双波长视网膜成像自适应光学系统非常适用于视网膜微血管的高对比度和高分辨率成像。本文重点研究了双波长自适应系统的轴向色差补偿问题。首先对轴向色差进行了测量,对实测波前进行了分析,并给出任意波前轴向色差补偿法。自适应校正实验结果显示,色差补偿后,波前均方根误差减小到0.16λ(λ=589 nm),视网膜微血管分辨率提高到6μm。这项工作可用于视网膜成像的临床应用。

基于注意力机制的交通场景图像描述生成算法

针对交通场景复杂多变,主要体现在道路拓扑结构复杂、道路元素和交通参与者类型的多样性问题,提出一种基于注意力机制的图像描述生成算法。在算法的编码阶段,利用卷积神经网络提取图像不同区域的图像特征,每个区域融合注意力机制用来获取具有注意力权值的图像特征,突出图像中的重点信息。解码阶段,利用多个长短期记忆网络模块作为交通场景图像描述生成任务的语言模型。实验结果表明:在MSCOCO验证数据集中,该算法在评估指标BLEU-1至BLEU-4上分值分别为0.735、0.652、0.368和0.323,所提算法能够很好地描述交通场景图像。

基于L_(2) Wasserstein距离的正态性检验的Bootstrap方法

目前有很多检验正态性假设的方法.这些方法主要分为两种类型:一种是基于经验分布函数的检验,另一种是基于相关性和回归的检验.在本文中,我们提出了一种新的基于L_(2) Wasserstein距离和第i个样本顺序统计量近似分布的两步检验方法.我们讨论在零假设下新检验方法的特性,并与最常用的几种检验分别在四个备择分布组进行功效比较.最后,将新方法应用于分析实际问题.仿真结果表明,新检验方法提高了鉴别不对称长尾备择分布的效率.

带两个化学物质的趋化模型分岔解的稳定性

研究文献[1]中的带两个化学物质的趋化模型分岔解的稳定性.应用展开方法、谱分析、线性化稳定性理论证明了当参数满足特定条件下,分岔解是稳定的.

两阶段DEA绩效评价及其分摊模型——以全运会为例

基于两阶段DEA (data envelopment analysis)模型提出了两阶段DEA固定资源分配方法.首先利用两阶段DEA模型计算各个决策单元之间的效率;然后考虑各决策单元的运营模式,提出比例分摊模型,引入一系列度量按有效分摊方案集与按比例分配方案分摊的成本之间的差异的偏差变量,通过最小化偏差,得到唯一的固定资源分摊方案集;最后利用Tobit模型探究外部影响因素对决策单元效率的影响.利用上述方法对中国31个省(自治区,直辖市)参加第十二届全运会的数据进行了分析.结果表明:在整个两阶段全运会过程中,仅山东省和西藏自治区为DEA有效,且提高各地区总效率的关键在于提高其AC阶段效率;从固定资源分配结果来看,大多数地区第二阶段的体育资源分配值要高于第一阶段的体育资源分配值;从影响因素来看,体育场地资源配置及体育类支出是影响效率的主要因素.最后,文章为提高中国各省份的竞技体育效率提出了一些建议.

基于改进的U-Net视网膜图像的神经纤维层分割算法

视网膜图像中的神经纤维层(Retinal Nerve Fiber Layer,RNFL)作为视网膜病变的最主要最早期的特征性部位,RNFL的分割对于糖尿病视网膜病变的评估具有重要的意义.由于视网膜图像中视网膜纤维层部分的对比度相对于背景较低,边缘不明显,分割的图像中存在断裂和难以识别的情况.提出了一种基于U-Net的RNFL分割方法,将Res path、子像素卷积层(Sub-pixel Convolution)和残差模块与原始的U-Net结合,能够更好地保留边缘信息,更加准确地分割RNFL,减少分割中断裂的情况.将提出的算法与原始的U-Net和MultiResUNet进行了比较,选取Jaccard、F1、Precision和Recall四个指标作为评价指标,结果表明本文提出的算法具有更好的分割结果,优于其他两种分割算法.

基于全残差注意力网络的视网膜细胞核分割方法

通过对糖尿病视网膜扫描显微镜病理切片的分析,可以发现细胞之间微小的差距难以用肉眼来辨别.纤维层的薄厚变化以及层内细胞核的数量和形态变化更难以用肉眼评估.需要从专业人员的主观分析发展到定量分析,才能够客观评价视网膜疾病早期组织结构的细微变化.细胞核的自动分割是计算机辅助病理图像分析的关键步骤,然而由于数据复杂性和可变性,细胞核的分割存在一定困难.近年来,深度学习在病理图像的分析应用中受到了越来越多的关注.提出了一种基于深度学习的全残差注意力网络对糖尿病视网膜病理图像进行细胞核分割.在全残差卷积网络上结合注意力模块,能捕获全局上下文,强调关键语义特征,增强特征表示,更好的分割细胞核.最后结合糖尿病视网膜病变的细胞核数据,对基于全残差注意力网络的视网膜细胞核分割方法进行了验证,实验结果表明该算法整体性能较好,能有效地从背景中分割出细胞核.为评估糖尿病视网膜病变时的各项病理变化提供条件,进行客观定量的评价.