基于A*算法与人工势场法无人车路径规划的改进探索

针对静态地图全局路径规划问题提出了一种改进的A*算法。根据激光雷达扫描从而获取地图数据再建立栅格地图环境模型,再使用A*算法进行初步的路径规划。其次,针对A*算法规划的路径靠近障碍物以及转向角度偏大的缺陷,提出将A*算法与人工势场法相结合,在行驶阶段中通过建立车辆与障碍物之间的斥力场使得行驶路径远离障碍物。当目标车辆行驶到一定范围内,通过人工势场法的引导将车辆准确引导至目标地点,同时解决转折角度过大等问题,让车辆的行驶路线更加平滑,经仿真实验,测试和证实了本文算法的可行性。

改进的YOLOv4模型在自动驾驶多目标检测的应用

目标检测是自动驾驶汽车与外界环境实现信息交互的重要环节,为了能有效地对多个目标进行实时检测,本文针对在道路目标检测中小目标和被物体遮挡的目标易被漏检或检测框定位不准确等问题,提出一种基于YOLOv4的目标检测模型。增加152x152的特征融合结构,减少每个YOLO层前的两个卷积层,以优化目标特征提取,模型训练前用kmeans++聚类算法优化锚框,以提升模型对自动驾驶多目标的检测性能。实验结果表明,本文改进YOLOv4算法比原始算法提升1.5个百分点,在检测精度和检测速度上均有一定提升,改进算法具有一定的实用价值。

改进型Unet网络在脑CT图像出血区域识别与分割中的应用

目的探讨改进型Unet网络技术对脑CT图像出血区域识别与分割的性能及其应用价值。方法回顾性纳入476份自发性脑出血(spontaneous intracerebral hemorrhage,SICH)患者的脑CT图像,采用基于改进型Unet网络对患者脑CT图像出血区域进行识别和分割,由临床医生手动标注出血区域的影像数据,通过随机排序后,选取来自106例患者的430份数据进入训练集,11例患者的46份数据进入测试集,实验数据集通过数据增强后,经过网络训练和模型测试,以检验分割性能,并将分割结果与Unet网络(Base)、FCN-8s和Unet++网络进行对比。结果改进型Unet网络对脑CT图像出血区域的分割中,相似性系数(Dice)、正向预测系数(PPV)、灵敏度系数(SC)三项评价指标分别达到0.8738、0.9011和0.8648,相较于FCN-8s网络分别提升8.80%、7.14%和8.96%,相较于Unet网络(Base)分别提升4.56%、4.44%和4.15%,同时优于Unet++网络的分割性能。结论本文提出的基于Unet网络的改进方法对脑CT出血区域的识别和分割具有良好的性能,是一种脑CT出血区域识别和分割的适用方法,对于辅助临床决策和预防早期血肿扩张具有潜在应用价值。

基于分水岭及区域增长算法建立一种测量自发性脑出血血肿体积的分割方法

目的基于分水岭及区域增长算法建立一种CT图像脑血肿分割方法,以快速准确测量血肿体积,探讨其与临床金标准手动分割结果的一致性,并与临床常用的两种多田公式计算进行比较。方法回顾性收集2018年1月–2019年6月由于自发性脑出血于四川大学华西医院神经外科就诊的患者术前152例CT图像,通过随机数字表将其随机分为训练集、测试集和验证集,分别为100例、22例、30例。算法训练及测试采用训练集与测试集的标记结果,验证集采用4种方式——人工手动分割、算法分割(基于分水岭及区域增长算法的分割计算)、多田公式(传统多田公式计算)与精准多田公式(基于3D-slicer的精准多田公式计算)——对出血病灶体积进行测量。将符合研究对象标准的医学数字成像和通信(Digital Imaging and Communications in Medicine,DICOM)资料通过两名高年资神经外科医生进行手动分割脑出血病灶。基于分水岭算法及区域增长算法搭建血肿分割模型以神经外科医生选取的种子点作为增长起点,采用区域灰度差异准则,结合手动分割验证,最终确定符合颅内血肿分割精度要求的区域生长阈值。以人工手动分割为金标准,采用BlandAltman一致性分析验证其余3种测量血肿体积的方式的一致性。结果以人工手动分割为金标准,3种测量血肿体积的方式中,算法分割百分误差最小,差值范围最窄,组内相关系数最高(0.987),一致性较好,且95%一致性界限(limits of agreement,LoA)最窄。其分割的百分误差在不同血肿体积比较中差异无统计学意义。结论基于分水岭及区域增长算法的自发性脑出血血肿分割方法的测量稳定,与临床金标准一致性好,具有一定临床意义,但仍需更多的临床样本予以验证。