变窗重建算法和自适应SegNet网络在地层层序划分中的应用

深度学习技术以批量处理数据、解释时间短、解释精度高等特点,为地层自动划分提供了新的方向。然而由于测井数据维度高、样本数量有限、相邻样本间特征相似等原因,深度学习存在着样本独立性与可靠性等问题。面对复杂的地下结构和不整合面,特别是在样本质量差、样本数量少的情况下,常规深度学习方法很难准确划分地层边界。考虑到测井数据属于小样本数据、数量有限且质量较差,不利于模型的训练和构建,因此拟采用可变窗口波形重建算法增加训练数据量,根据原始波形的特征生成重建波形,模拟不同速度下模型的波形特征,对部分原始测井数据进行人工分层重建,将重建后的数据作为训练样本输入到自适应可变卷积核尺寸的SegNet网络中,使用训练好的SegNet来解决复杂的地下结构问题。实验结果表明,采用自适应可变卷积核尺寸的SegNet网络可以在多个尺度上拟合地震数据中的断层和不整合面,达到更好的分割效果,且具有良好的识别效率和较强的鲁棒性。

改进的Libra区域卷积神经网络的脑动脉狭窄影像学检测算法

针对断层面上血管的多形性和检测过程中出现的采样不均衡的问题,提出一种改进的Libra区域卷积神经网络(R-CNN)的脑动脉狭窄影像学检测算法,用于检测计算机断层扫描血管造影(CTA)图像的颈内动脉和椎动脉狭窄。首先,在目标检测网络LibraR-CNN中以ResNet50为骨干网络,并分别在骨干网络的3、4、5阶段引入可变卷积网络(DCN),通过学习偏移量提取血管在不同断层面的形态特征;然后,将从骨干网络中提取的特征图输入至引入非局部神经网络(Non-localNN)的平衡特征金字塔(BFP)中进行更深度的特征融合;最后,将融合后的特征图输入至级联检测器,并通过提高交并比(IoU)阈值优化最终检测结果。实验结果表明,改进的LibraR-CNN检测算法相比Libra R-CNN算法,在脑动脉CTA数据集中平均准确率(AP)、AP_(50)、AP_(75)和AP_(S)分别提升了4.3、1.3、6.9和4.0个百分点;在公开的结肠息肉CT数据集中,AP、AP_(50)、AP_(75)和AP_(S)分别提升了6.6、3.6、13.0和6.4个百分点。通过在LibraR-CNN的骨干网络中加入DCN、Non-localNN和级联检测器,进一步融合特征从而学习脑动脉血管结构的语义信息,使得狭窄区域检测结果更精确,且改进算法在不同的检测任务中具有泛化能力。