基于2.5D网络和尺度注意力感知的肝脏与肿瘤分割

深度学习技术已被广泛应用在肝脏与肿瘤的分割任务中。但是,现有的3D网络模型大都忽略了医学图像横断面的像素距离过大的问题,直接使用3D卷积操作难以学习到准确的三维空间信息。此外,肿瘤形状大小高度可变的特点使得分割肿瘤更具挑战性。针对第一个问题,本文提出改进后的2.5D ResNet34对肝脏和肿瘤特征进行编码,提高模型对三维空间信息的建模能力。同时,利用DSC损失函数来提高模型对整体结构的分割能力。针对第二个问题,本文提出尺度注意力感知模块,通过建模不同尺度特征下的局部和全局三维空间信息,以有效地整合低级上下文信息和高级区域语义信息,从而实现精准的肝脏和肿瘤分割。本文所提出的方法在Liver Tumor Segmentation (LiTS)数据集上测试了肝脏与肿瘤的分割性能,其中肝脏分割的DSC为96.4%,肿瘤分割的DSC为72.3%,并与近三年的模型相比,本文提出的方法在肝脏和肿瘤分割中表现最好。

基于目标检测算法的智能防护研究

为提高医护人员一次性防护装备的检测准确率和精确率,降低感染风险和环境污染,针对现有目标检测算法在复杂环境下性能较差的问题,本文通过引入多任务损失函数、最小绝对值偏差、复杂尺度感知注意力和空间感知注意力以及可变卷积的方式优化目标检测算法,提出多尺度感知网络(MSTDA)和多重感知注意力检测模型(MATDA)并进行医护人员防护的智能算法实验。实验结果表明:MSTDA模型在准确率和精确率上均优于现有YOLO系列模型及Faster RCNN模型,且MATDA模型在准确率和预测精确率上表现最佳。正确佩戴口罩时模型MSTDA比其他3种模型分别高出17.8%、2.7%、16.3%,未正确佩戴口罩时比其他3种模型分别高出17.3%、4.1%、16.1%。消融实验验证了尺度注意力模块和空间注意力模块的有效性。未来工作将致力于降低模型复杂度,提升计算速度,并考虑其他因素的交叉影响,以增强智能检测方法的适用性。