基于改进LadderNet的视网膜血管分割应用

视网膜血管的分割有助于辅助医学工作者对眼部或全身性疾病进行诊断和治疗。为进一步提升视网膜血管的分割精度,改进LadderNet架构应用于视网膜血管分割。首先结合DO-Conv,提出改进的池化卷积块替换LadderNet中的池化卷积层,保留强上下文特征;其次引入不平衡注意力模块应用在改进LadderNet网络末端,处理血管和背景,以及粗血管和细小血管之间的类不平衡问题。所提的方法在数据集DRIVE上实验得到AUC、SE、SP评价指标值分别为0.9564、0.7863和0.9802。实验结果表明,改进LadderNet对提升视网膜血管分割精度有一定的作用。

基于注意力机制和稠密卷积的视网膜微血管分割算法

为了解决糖尿病性视网膜病变诊断难、各地评判标准不统一的问题,提出了基于注意力机制和稠密卷积的视网膜微血管分割算法,即通过图像分割技术来辅助诊断,既减轻了工作量,又能保证准确率.以LadderNet为基础网络,为了更加突出微血管信息,加入注意力机制,使微血管的特征信息更加完整、准确地保留下来.使用稠密卷积在增强特征信息传递的同时减少参数数量,进一步提升图像分割性能.该算法具有更好的分割性能,能够更好地完成视网膜微血管分割任务.

基于阶梯网络的ERT污染区域识别方法

采用电阻率成像(ERT)技术进行污染场地的实时监测是环境污染监测领域的研究热点之一。在利用ERT数据进行污染区域的自动识别过程中,当土壤介质分层和背景与污染区域电阻率值差异减小时会出现识别精度低的问题。针对此问题,该文将协方差聚类和半监督阶梯网络(semi-ladderNet)相结合的方法用于ERT的监测结果,进行污染区域的识别。通过对某条测线的电阻率矩阵进行协方差聚类,初步得到污染区域的大致范围,将其部分数据作为semi-ladderNet训练阶段的初始标签,以克服上述问题,进而提高该算法的识别精度。结果表明:(1)该算法能够准确识别出污染区域的范围及位置,并能克服介质分层的问题,其识别精度达到了98%以上;(2)尤其当背景值和污染区域电阻率值差异减小时,该算法的识别精度仍能达到98%及以上;(3)可以将基于协方差和半监督阶梯网络算法引入到ERT监测系统中,为后续污染区域的自动识别提供技术支持。