基于双注意力机制的头影标志点检测研究

准确可靠的头影标志点检测在口腔正畸的临床诊疗和研究中至关重要,但在实践中存在标志点定位难度大、准度低以及速度慢等问题,因此为了降低检测难度,提高临床诊断的准确性和高效性,提出了一种结合多注意力机制的检测算法CenterNetSC。算法首先采用深度聚合网络DLA-34作为CenterNetSC的主干网络并用于特征提取;其次,通过在深度聚合网络中引入SE和CBAM两种注意力机制加强网络对卷积通道以及空间位置的全局感知;再次,在DLA-34网络之后加入可变形卷积捕捉对象的细节和局部信息;最后,模型在ISBI 2015 Grand Challenge的cephalometric X-rays两个测试集上分别实现了1.11 mm和1.37 mm的平均径向误差(MRE),以及2.0 mm定位误差范围内87.13%和77.03%的成功检测率(SDR)。较其他检测方法而言,CenterNetSC能够快速、准确地定位标志点,可以满足临床医学的需求。

多尺度特征融合的头影标志点检测

头影标志点检测对于临床诊断、治疗计划和研究至关重要。为提高自动检测的准确性,提出一种改进的多尺度特征融合检测模型AIW-Net。采用经过预训练的轻量型网络MobileNetV2作为主干网络进行特征提取,使用上、下采样路径构成中间模块,利用改进的倒残差模块减少下采样过程中的特征损失。在解码器模块中引入从粗到细的中间监督,将得到的多个尺度热图与特征图进行融合,并在跳跃连接中使用注意力门,有效抑制特征图中的背景区域响应。在ISBI 2015 Grand Challenge提供的基准数据集Test 1上进行实验,结果表明,该模型的平均径向误差为1.14 mm,在临床可接受的误差范围2 mm与2.5 mm内的成功检测率分别为86.38%与92.10%,性能优于W-Net、IW-Net等模型。

智能化牙齿正畸技术的研究与应用

为了实现头影测量的智能化,研究采用了具有高效检测能力的YOLOv5模型来进行头影检测,通过采用点换面的新颖数据增强技术,并引入CoordAttention通道注意力机制,能够显著提高检测的准确性。论文以1mm、2mm、3mm和4mm的误差范围作为评价指标,对点换面数据增强技术的提升效果进行了量化。实验结果显示,研究在四种误差范围内分别实现了26.5%、18.5%、15.3%和12%的提升,充分证明了其对于提高头影检测准确性的显著作用。同时,CoordAttention通道注意力机制的引入,使得模型在上述四种误差范围内的检测成功率再次提升,其提升幅度分别为2.7%、2.3%、2.3%和2.2%。

多视角乳腺X线图像匹配方法综述

乳腺X线摄影术是目前乳腺疾病的主要检查方式之一,采用图像处理与模式识别的方法对乳腺X线图像进行分析,可以辅助医生发现漏检的病变,识别出假阳性组织,有效降低漏诊率和误诊率。基于图像处理的方法应模拟医生阅片机制,因而基于多视角的乳腺癌检测与分类方法更加适合临床的要求。多视角乳腺癌检测的基础是确定不同视角图像间的匹配关系,本文较为全面地讨论了乳腺X线图像多视角匹配方法。首先对现有乳头检测和胸肌分割方法进行回顾,并对比分析了不同方法之间的优缺点;然后讨论了现有双视角匹配以及双边匹配方法;最后对现有匹配方法存在的问题进行分析,并提出了改善措施。

基于改进MSCKF的无人机室内定位方法

针对无人机室内定位容易出现漂移的问题,提出基于改进多状态约束卡尔曼滤波器(MSCKF)的无人机(UAV)室内定位方法.该方法在MSCKF的框架下,提出高鲁棒性、低时延的标志点检测方法.利用在世界坐标系下坐标已知的标志点计算得到无人机位姿,实现惯性测量单元(IMU)信息与单目视觉信息融合以及无人机位姿修正.对提出的定位方法进行测试.测试结果表明,该方法的定位误差小于0.266 m,与OpenVins和LARVIO开源算法相比,定位精度提高了54.6%以上.