基于U1-net网络的放疗脑肿瘤靶区分割

文章基于全卷积神经网络(fully convolutional network,FCN)的U-net网络,并通过对U-net网络的调整,构建适用于脑肿瘤图像分割的U1-net网络。U1-net网络由卷积层、最大池化层、反卷积层和激活函数4个部分组成。通过在公共数据集BRATS 2015上的实验验证了该网络的有效性。实验结果表明,该网络能适应脑肿瘤轮廓取得较好的分割效果,在脑肿瘤的完整肿瘤区、核心肿瘤区、增强肿瘤区的Dice相似系数(Dice similarity coefficient,DSC)分别为0.95、0.85、0.83。

基于改进型循环生成对抗网络的雾天图像生成算法

为了优化图像采集效果,通过改进循环生成对抗网络的方法设计雾天图像生成算法。以立体视觉KITTI2015数据集为例,对其中图像数据进行雾天场景转化。首先,为提高算法的准确性,基于图像退化模型对采集的真实雾天图像进行去动态模糊处理;然后,针对反卷积过程中产生的棋盘效应,对生成器网络中的上采样模块加以改进,利用插值上采样与卷积组合模块提高雾天图像的生成效果;最后对循环一致性损失训练过程中的参数进行了调整,从而获得最优的雾天图像生成模型。实验结果表明,所得雾天图像的棋盘效应得以削弱,且去雾后能准确地再现原始图像信息。