基于深度卷积编解码网络的fNIRS成像技术研究

在功能性近红外光谱(fNIRS)成像技术的实现中,扩散光学层析成像(DOT)具有改善定量性和分辨率的巨大潜力,但其效果受制于生理干扰(呼吸、心跳和低频振荡等)、检测系统的随机噪声以及有限测量数据量带来的不适定性。为增强fNIRS-DOT成像的性能,本文提出了一种基于模型先验信息的深度卷积编解码网络重建方法,利用分层半三维重建算法实现对表层和深层脑血氧变化信息的初步区分,发挥卷积、编解码网络对空间特征的学习能力,实现对深层脑激活信息的提取重建。为验证所提重建方法的有效性,开展了数值模拟和仿体实验,并将其与传统重建方法进行对比。结果表明,所提重建法不仅可以显著提高重建精度,极大地缩短重建时间,而且具有优异的泛化能力,为实现动态fNIRS成像提供了重要参考。

融合通道注意力机制和深度编解码卷积网络的道路场景分割

针对深度编解码卷积网络在道路场景分割中没有考虑对各卷积特征图通道依赖性的问题,提出了一种融合通道注意力机制的深度编解码卷积网络,并将通道注意力机制改进为双路通道注意力机制.该方法保留了原有通道注意力机制能优化背景信息的优点,同时增加另一路通道用来收集到难区分物体之间重要的特征,从而获得详细的通道注意力.实验结果表明,对于道路场景图像,融合双路通道注意力机制的深度编解码卷积网络进一步提高了分割性能,其中在评价指标准确率和平均交并比分别提高了约7个百分点和8个百分点.