期刊导航
期刊开放获取
河南省图书馆
退出
期刊文献
+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
检索
高级检索
期刊导航
共找到
3
篇文章
<
1
>
每页显示
20
50
100
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
显示方式:
文摘
详细
列表
相关度排序
被引量排序
时效性排序
基于多尺度残差双域注意力网络的乳腺动态对比度增强磁共振成像肿瘤分割方法
1
作者
刘侠
吕志伟
+2 位作者
李博
王波
王狄
《电子与信息学报》
EI
CSCD
北大核心
2023年第5期1774-1785,共12页
针对乳腺肿瘤大小形态多变、边界模糊以及前景与背景间严重类不平衡的问题,该文提出一种多尺度残差双域注意力融合网络。该网络以多尺度卷积构成的多尺度残差块作为基本搭建模块,通过提取多尺度特征和优化梯度传播通道提高其识别不同尺...
针对乳腺肿瘤大小形态多变、边界模糊以及前景与背景间严重类不平衡的问题,该文提出一种多尺度残差双域注意力融合网络。该网络以多尺度卷积构成的多尺度残差块作为基本搭建模块,通过提取多尺度特征和优化梯度传播通道提高其识别不同尺寸目标的能力,同时融入双域注意力单元,提高网络的边缘识别和边界保持能力。另外该文提出一种混合自适应权重损失函数改善网络优化方向,缓解正负样本极度不均衡的影响。实验结果表明,该文所提方法的平均骰子相似系数(Dice)值达到0.8063,较U形网络(UNet)提高5.3%,参数量下降73.36%,具有更优的分割性能。
展开更多
关键词
乳腺肿瘤分割
多尺度残差块
双域注意力
混合
自适应权重损失函数
下载PDF
职称材料
增强型DeepLab算法和自适应损失函数的高分辨率遥感影像分类
被引量:
17
2
作者
许泽宇
沈占锋
+4 位作者
李杨
赵丽芳
柯映明
李苓苓
温奇
《遥感学报》
EI
CSCD
北大核心
2022年第2期406-415,共10页
高分辨率遥感影像地物复杂,分类难度大,而深度学习方法可以提取地物更多更深层次的特征信息,适用于高分辨率遥感影像的地物分类。本文研究对高分辨率影像中不透水地面、建筑、低矮植被、树、车辆等地物的高精度分类。结合遥感多地物分...
高分辨率遥感影像地物复杂,分类难度大,而深度学习方法可以提取地物更多更深层次的特征信息,适用于高分辨率遥感影像的地物分类。本文研究对高分辨率影像中不透水地面、建筑、低矮植被、树、车辆等地物的高精度分类。结合遥感多地物分类的特点,以DeepLab v3+网络模型为基础,提出E-DeepLab网络模型。主要改进为:(1)改进编码器和解码器的结合方式,使用简洁有效的加成连接方式。(2)缩小单次上采样倍数,增加上采样层,提高编码器与解码器连接的紧密性。(3)使用改进的自适应权重损失函数,自动调节地物损失权重。同时根据数据特点,提出结合DSM、NDVI数据等多通道训练方式。使用两个地区数据进行实验,结果表明,两地区精度均明显优于原始DeepLab v3+模型和其他相关模型,Potsdam地区总体提取精度达到93.2%,建筑物提取精度达到97.8%,Vaihingen地区总体提取精度达到90.7%,建筑物提取精度达到96.3%。目视对比分类图和标准标记图,两者具有高度的一致性。本文所提出的E-DeepLab网络在高分辨率遥感影像地物高精度提取和分类中有较好的应用价值。
展开更多
关键词
遥感
高分辨率影像
深度学习
E-DeepLab
自适应权重损失函数
原文传递
基于深度学习的腹部多器官图像分割
被引量:
5
3
作者
谢飞
权媚阳
+1 位作者
管子玉
段群
《西北大学学报(自然科学版)》
CAS
CSCD
北大核心
2021年第1期1-7,共7页
CT扫描是临床上腹部相关疾病诊断的常规检查方式,通过CT,医生能对腹部的器官结构和组织病变结构产生更加直观的观察,从而提高了疾病诊断的准确性,因此,精准地对CT图片进行图像分割有着非常重要的临床价值。传统的分割算法针对腹部形变...
CT扫描是临床上腹部相关疾病诊断的常规检查方式,通过CT,医生能对腹部的器官结构和组织病变结构产生更加直观的观察,从而提高了疾病诊断的准确性,因此,精准地对CT图片进行图像分割有着非常重要的临床价值。传统的分割算法针对腹部形变较大、体积较小且组织边缘模糊的器官分割效果相对较差。为此,该文提出了基于改进nnUNet腹部多器官图像分割方法,在腹部CT图像上分割肝脏、胃、肠道和胰腺4个器官。该文利用自适应权重的损失函数对nnUNet网络进行改进,使得网络在分割过程中更加关注体积较小且样本数量相对较少的器官特征。实验表明,该文提出方法相对于现有传统的分割方法具有更高的准确性和敏感性。
展开更多
关键词
腹部多器官分割
nnUNet
自适应权重损失函数
语义分割
下载PDF
职称材料
题名
基于多尺度残差双域注意力网络的乳腺动态对比度增强磁共振成像肿瘤分割方法
1
作者
刘侠
吕志伟
李博
王波
王狄
机构
哈尔滨理工大学
黑龙江省复杂智能系统与集成重点实验室
广东科学技术职业学院计算机工程技术学院(人工智能学院)
出处
《电子与信息学报》
EI
CSCD
北大核心
2023年第5期1774-1785,共12页
基金
国家自然科学基金(61172167)
黑龙江省青年科学基金(QC2017076)。
文摘
针对乳腺肿瘤大小形态多变、边界模糊以及前景与背景间严重类不平衡的问题,该文提出一种多尺度残差双域注意力融合网络。该网络以多尺度卷积构成的多尺度残差块作为基本搭建模块,通过提取多尺度特征和优化梯度传播通道提高其识别不同尺寸目标的能力,同时融入双域注意力单元,提高网络的边缘识别和边界保持能力。另外该文提出一种混合自适应权重损失函数改善网络优化方向,缓解正负样本极度不均衡的影响。实验结果表明,该文所提方法的平均骰子相似系数(Dice)值达到0.8063,较U形网络(UNet)提高5.3%,参数量下降73.36%,具有更优的分割性能。
关键词
乳腺肿瘤分割
多尺度残差块
双域注意力
混合
自适应权重损失函数
Keywords
Breast tumor segmentation
Multi-scale residual block
Dual-domain attention
Hybrid loss function with adaptive weight
分类号
R737.9 [医药卫生—肿瘤]
R445.2 [医药卫生—影像医学与核医学]
TP391.41 [自动化与计算机技术—计算机应用技术]
下载PDF
职称材料
题名
增强型DeepLab算法和自适应损失函数的高分辨率遥感影像分类
被引量:
17
2
作者
许泽宇
沈占锋
李杨
赵丽芳
柯映明
李苓苓
温奇
机构
中国科学院空天信息创新研究院国家遥感应用工程技术研究中心
中国科学院大学电子电气与通信工程学院
中国科学院空天信息创新研究院遥感科学国家重点实验室
中国科学院大学资源与环境学院
应急管理部国家减灾中心
出处
《遥感学报》
EI
CSCD
北大核心
2022年第2期406-415,共10页
基金
国家重点研发计划(编号:2021YFB3900505,2018YFB0505000)
国家自然科学基金(编号:41971375,41871283)
2018年新疆维吾尔自治区柔性人才项目。
文摘
高分辨率遥感影像地物复杂,分类难度大,而深度学习方法可以提取地物更多更深层次的特征信息,适用于高分辨率遥感影像的地物分类。本文研究对高分辨率影像中不透水地面、建筑、低矮植被、树、车辆等地物的高精度分类。结合遥感多地物分类的特点,以DeepLab v3+网络模型为基础,提出E-DeepLab网络模型。主要改进为:(1)改进编码器和解码器的结合方式,使用简洁有效的加成连接方式。(2)缩小单次上采样倍数,增加上采样层,提高编码器与解码器连接的紧密性。(3)使用改进的自适应权重损失函数,自动调节地物损失权重。同时根据数据特点,提出结合DSM、NDVI数据等多通道训练方式。使用两个地区数据进行实验,结果表明,两地区精度均明显优于原始DeepLab v3+模型和其他相关模型,Potsdam地区总体提取精度达到93.2%,建筑物提取精度达到97.8%,Vaihingen地区总体提取精度达到90.7%,建筑物提取精度达到96.3%。目视对比分类图和标准标记图,两者具有高度的一致性。本文所提出的E-DeepLab网络在高分辨率遥感影像地物高精度提取和分类中有较好的应用价值。
关键词
遥感
高分辨率影像
深度学习
E-DeepLab
自适应权重损失函数
Keywords
remote sensing
high-resolution images
deep learning
E-DeepLab
adaptive weight loss function
分类号
TP751 [自动化与计算机技术—检测技术与自动化装置]
原文传递
题名
基于深度学习的腹部多器官图像分割
被引量:
5
3
作者
谢飞
权媚阳
管子玉
段群
机构
西北工业大学计算机学院
西安电子科技大学前沿交叉研究院
西北大学信息科学与技术学院
咸阳师范学院计算机学院
出处
《西北大学学报(自然科学版)》
CAS
CSCD
北大核心
2021年第1期1-7,共7页
基金
国家自然科学基金资助项目(61876145,61973249,61973250)
陕西省教育厅服务地方科学研究计划资助项目(19JC041,19JC038)。
文摘
CT扫描是临床上腹部相关疾病诊断的常规检查方式,通过CT,医生能对腹部的器官结构和组织病变结构产生更加直观的观察,从而提高了疾病诊断的准确性,因此,精准地对CT图片进行图像分割有着非常重要的临床价值。传统的分割算法针对腹部形变较大、体积较小且组织边缘模糊的器官分割效果相对较差。为此,该文提出了基于改进nnUNet腹部多器官图像分割方法,在腹部CT图像上分割肝脏、胃、肠道和胰腺4个器官。该文利用自适应权重的损失函数对nnUNet网络进行改进,使得网络在分割过程中更加关注体积较小且样本数量相对较少的器官特征。实验表明,该文提出方法相对于现有传统的分割方法具有更高的准确性和敏感性。
关键词
腹部多器官分割
nnUNet
自适应权重损失函数
语义分割
Keywords
abdominal multi-organ segmentation
nnUNet
adapted softmax loss
semantic segmentation
分类号
TP391.41 [自动化与计算机技术—计算机应用技术]
下载PDF
职称材料
题名
作者
出处
发文年
被引量
操作
1
基于多尺度残差双域注意力网络的乳腺动态对比度增强磁共振成像肿瘤分割方法
刘侠
吕志伟
李博
王波
王狄
《电子与信息学报》
EI
CSCD
北大核心
2023
0
下载PDF
职称材料
2
增强型DeepLab算法和自适应损失函数的高分辨率遥感影像分类
许泽宇
沈占锋
李杨
赵丽芳
柯映明
李苓苓
温奇
《遥感学报》
EI
CSCD
北大核心
2022
17
原文传递
3
基于深度学习的腹部多器官图像分割
谢飞
权媚阳
管子玉
段群
《西北大学学报(自然科学版)》
CAS
CSCD
北大核心
2021
5
下载PDF
职称材料
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
上一页
1
下一页
到第
页
确定
用户登录
登录
IP登录
使用帮助
返回顶部