基于多尺度区域可靠性感知的半监督肺肿瘤分割

提出一种基于多尺度下一致性和区域可靠性感知的半监督学习方法,在使用少量标注数据的情况下结合未标记的数据来实现高性能的肺部肿瘤分割任务。首先,提出一种多尺度一致性均值教师框架,构建多尺度一致性损失并约束教师学生网络中多个尺度上的输出保持一致,使模型学习到更丰富的一致性知识。此外,提出一种区域可靠性感知方法使一致性学习之间的知识交换更加有效,使模型从无标注的数据中学习到更有效且可靠的知识。本文方法在医学图像分割十项全能比赛肺肿瘤数据集上进行充分的评估,与当前先进的半监督学习方法比较有更优越的性能,验证本文方法的有效性。

智能家庭用电检测装置

本文设计采用STC12C5A60S2单片机,负责该系统的各项功能实现;对于电参数采集采用CS5463电参数计量芯片, 具有测量电流、电压、功率的瞬时值和有效值的功能;显示模块采用LCD12864;蓝牙模块采用HC-05。本设计是针对单相用电器实时监测和分析,并显示参数,且能通过学习自动判断用电器的接入的方法进行研究,以STC12C5A60S2单片机为核心,可用于110-250V交流电参数采集,并且可以数据存储、学习功能的硬件系统。

多尺度残差可变形肺部CT图像配准算法

肺部4维CT(4D-CT)图像因受到呼吸、心跳的影响而发生较大的形变,肺内的运动尺度可能大于算法用于优化过程的感兴趣结构(血管、气道等),这可能导致配准算法仅对齐了血管、气道等明显特征。针对肺实质轮廓配准后强度差异性较大的问题,文中提出了以无监督端到端深度学习为基础的多尺度残差可变形肺部CT图像配准算法,使用编码器-解码器结构形式的多尺度深度残差网络作为形变向量场的生成模型,以增强特征表达能力,提高参数利用效率和网络收敛能力;通过多分辨率自注意力融合模块提高网络对多尺度信息的感知能力;设计包含特征校正提取模块的跳跃连接,以有选择地提取编码器输出的特征图,并在重新校准后供解码器学习对齐偏移。最后,在Dir-lab公共数据集上采用文中配准算法与传统算法、目前先进的无监督配准算法进行了比较实验。结果表明:所提出的配准算法在Dir-lab公共数据集上的目标配准误差可以达到1.44mm±1.24mm,优于传统算法和主流的无监督配准算法;在控制体素折叠率小于0.1%的情况下,估计密集变形向量场耗时小于2.00s,表明文中算法在对时间敏感的肺部研究中有巨大潜力。