基于多通路CNN的多模态MRI神经胶质瘤分割

由于传统卷积神经网络CNN(Convolutional Neural Networks)受卷积核尺度的限制,容易丢失磁共振成像MRI(Magnetic Resonance Imaging)脑肿瘤图像的全局信息,而且卷积、池化的过程会导致网络浅层的部分信息丢失,造成基于CNN的脑肿瘤分割特征信息不足,分割精度不高。针对上述问题,提出一种具有全局通路,同时结合网络浅层信息的多通路CNN模型,用来完成多模态MRI脑部神经胶质瘤的全自动分割任务。算法主要思想:将三维多模态MRI图像沿轴向切片化,在相同序列的切片上按比例选取尺度为33×33像素的图像块,得到训练集;将训练集图像块输入多通路CNN模型进行训练;将测试集输入训练好的模型,将脑肿瘤从脑部MRI图像中正确分割出来,并具体划分为坏死、水肿、增强和非增强四种区域,利用模型评估参数Dice系数、敏感度(Sensitivity)系数和特异度(Specificity)系数评测模型的质量。实验结果表明,该方法操作简单,能够有效地完成脑肿瘤的分割任务。

基于EEMD与多通路一维CNN的掘锚机齿轮箱故障诊断

针对掘锚机齿轮箱故障信号具有非平稳、振动模式复杂的特点,传统方法难以进行诊断的问题,提出一种基于EEMD(Ensemble Empirical Mo de Decomposition,EEMD)与多通路一维CNN(Convolutional Neural Networks,CNN)的掘锚机齿轮箱故障诊断方法。首先对齿轮箱振动信号进行EEMD分解得到内禀模式函数(Intrinsic mode function,IMF);然后利用多通路1DCNN自适应提取每个分量的特征,并将提取的特征通过一个全连接层进行拼接;最后通过分类器进行分类识别,实现齿轮箱的自动诊断。实验证明,所提方法具有较高准确率,具有一定的实用性。