基于选择性自校正卷积U-Net的肺部X射线图像肺实质分割

针对U-Net分割算法无法提取多尺度特征、易受到伪影和噪声干扰而导致在肺部X射线图像中肺实质分割不精确的问题,提出一种基于选择性自校正卷积的U-Net改进算法。改进后的U-Net算法将普通卷积模块替换为选择性自校正卷积模块,该模块采用多分支结构提取多尺度特征信息,使用Sigmoid函数和Softmax函数对多尺度特征信息进行选择性校正,使校正后的特征信息聚焦于肺实质区域,输出特征更加具有针对性。实验表明,该方法对骰子系数、交并比、F_(1)评分结果以及对肺实质分割结果都有一定程度的提升。

基于改进神经网络的肺炎图像分类研究

早期的发现和诊断对于治疗新冠患者至关重要,利用卷积神经网络识别肺部X光图像判别新冠患病与否,在实际医疗中得到了广泛应用。基于卷积神经网络的方法能够迅速、准确地判别肺部X光图像。然而,传统的卷积神经网络模型在处理图像数据时存在一定的不足,特别是在特征提取方面缺乏针对性。为此,本文提出了一种融合金字塔池化模型(PPM)的神经网络模型。本文将DenseNet121模型与PPM特征提取模块进行了巧妙的融合,并通过在肺炎公开数据集上进行验证,展示了该方法在实际应用中的有效性。实验结果表明,本文提出的融合金字塔池化模型的网络架构显著提升了对新冠肺炎的识别准确性。这一创新性的图像识别方法不仅在实践中取得了显著的效果,而且为深度学习在医学影像领域的应用提供了有益的参考。这对于改善COVID-19早期诊断和治疗具有积极的推动作用,对于未来类似疾病的防控和医学研究也具有一定的指导意义。