基于改进通道多头注意力机制的U-Net3+医学图像分割算法研究

医学图像分割作为当前的研究热点之一,分割精度对于后续的医学诊断影响巨大。针对目前大多数医学图像分割技术无法充分利用并融合多尺度特征信息的缺陷,提出了一种融合通道注意力机制的改进U-Net3+图像分割算法。在U-Net3+的全局跳跃连接结构的基础上,设计一种新的通道注意力机制并将它嵌入到U-Net3+网络的解码路径中,帮助分割网络在拼接全局特征图时调整重要信息的训练权重从而高效融合全局特征信息。最后,在两种经典的医学图像分割数据集上将该模型进行对比评估,平均Dice系数分别达到了74.31%和77.16%,相比原本U-Net3+的Dice系数分别提高了3.01%和2.98%。实验结果表明改进后的网络模型有效提高了医学图像的分割精度。

基于曼哈顿距离自注意力机制的 U-Net3+图像分割

目前主流图像分割算法在分割边界上对特征相似而类别不同的像素鉴别能力不佳,从而影响了分割精度。设计了一种基于曼哈顿距离自注意力机制的U-Net3+图像分割算法,通过关注不同特征点之间信息表征的差异程度来对大范围上下文信息关系进行建模,增强算法对特征相似而类别不同的像素的鉴别能力和对全局关系的学习能力;再通过U-Net3+的全尺度跳跃连接结构将不同尺度的特征相融合,为算法提供更多尺度的上下文信息,使分割算法兼顾细节信息和全局关系。使用COVID-19 CT数据集对该算法进行实验测试,结果表明,引入基于曼哈顿距离自注意力机制后U-Net3+的Dice和IoU指标分别提升了2.79%和3.17%,对比使用多头自注意力机制的U-Net3+分别提升了1.06%和1.02%,证明了该算法的有效性和优越性。

基于U-Net3+的虹膜分割算法研究

虹膜分割是虹膜识别中非常重要的环节,会影响最终识别的结果。针对虹膜图像中存在的噪声问题,本文使用了图像分割网络结构U-Net3+,来进行虹膜分割。相较于U-Net,U-Net3+网络结构增加了深度监督和全尺度跳跃连接,提高了虹膜分割的准确性。本文在U-Net3+中引入了CA(Coordinate Attention)注意力机制模块,使网络结构更加关注重要的特征部分,并将模型在CASIA-Iris数据集上进行了验证。实验结果表明,U-Net3+和U-Net3+(CA)有更高的精度。

基于YOLOv5和U-Net3+的桥梁裂缝智能识别与测量

为了克服传统数字图像处理方法进行桥梁裂缝识别时面临的效率低、效果不佳等问题,提出了集成深度学习YOLOv5和U-Net3+算法的一体化桥梁裂缝智能检测方法.通过调整算法宽度和深度参数,优化边界框损失函数,构建基于YOLOv5目标检测算法的裂缝识别定位模型,实现桥梁裂缝快速识别与定位;引入结合深度监督策略及预测输出模块的U-Net3+图像分割算法,训练并构建桥梁裂缝高效分割模型,实现像素级裂缝智能化提取;建立结合连通域去噪、边缘检测、形态学处理的八方向裂缝宽度测量法,基于U-Net3+裂缝分割结果实现裂缝形态及宽度高精度测量;利用LabelImg图像标注软件制作包含4414张图像的裂缝识别定位模型训练数据集;利用LabelImg图像标注软件及CFD数据集制作包含908张图像的裂缝分割模型训练数据集;利用无人机航拍的485张5280×2970 pixels桥梁索塔裂缝图像,来制作裂缝智能检测模型的测试对象.将所提出的裂缝检测方法应用于上述裂缝测试对象,其裂缝识别定位准确率91.55%、召回率95.15%、F1分数93.32%,裂缝分割准确率93.02%、召回率92.22%、F1分数92.22%.结果表明,基于YOLOv5与U-Net3+的桥梁裂缝智能检测方法,可实现桥梁裂缝高效率、高精度、智能化检测,具有较强的研究价值和广泛的应用前景.

基于U-net3+的宫颈癌后装治疗中靶区和危及器官位置的预测

目的构建基于深度学习方法的宫颈癌后装治疗中高危靶区和危及器官位置预测方法。方法构建基于U-net3+的端到端自动分割框架,对两个中心213例已进行后装高剂量率治疗的宫颈癌患者进行勾画,并按照7:2:1的比例分为训练集、验证集和测试集。勾画的内容包括高危临床靶区、膀胱、直肠和小肠,分别用豪斯多夫距离及戴斯相似系数评估预测模型的准确性。结果膀胱自动勾画的戴斯相似系数为0.953,直肠、小肠分别为0.885、0.857,危及器官的平均值是0.898,豪斯多夫距离平均为5.4 mm;高危临床靶区戴斯相似系数是0.869,豪斯多夫距离为8.1 mm。结论基于U-net3+的宫颈癌后装治疗中靶区和危及器官位置预测模型具有较高的准确率,同时训练耗费时间少,有望在临床进行应用推广。

基于ASP．NET3．5成绩录入系统的设计与实现

论述了一个基于ASP.NET 3.5,ADO.NET和SQL Server 2005相结合的Web成绩录入系统的设计原理、总体结构及功能实现,有效解决了成绩录入系统的Web动态发布等问题,并设计了GridView控件的数据添加方法来增加数据处理的灵活性.通过利用集成的AJAX技术解决页面局部刷新问题,实际应用证实了这种方法的有效性.

基于U-Net3+的高分遥感影像建筑物提取

针对传统的高分影像建筑物提取方法存在分割精度低和分割边界模糊等问题,本文提出了一种基于U-Net3+模型的建筑地物语义分割方法。该模型以U-Net网络结构为基础,首先使用全尺度的跳跃连接将不同尺度的特征图相融合;然后通过深度监督从多尺度聚合的特征图中学习特征表达,并使用交叉熵损失函数进行训练;最后根据数据集特征,调试出不同的模型参数并以此模型进行测试,以达最佳的分割效果。试验结果表明,与U-Net和U-Net++模型相比,基于该方法的影像分割精度及地物边缘分割完整度均得到了显著提升,且当设置历元为15时,精度最高。使用该方法对高分辨率遥感影像中建筑物进行的分割试验,精度达96.62%,平均交并比(mIoU)达0.9027,并减少了错分、漏分,同时也减少了模型参数,模型损失收敛速率快且缩短了训练周期,显著提升了建筑物提取精度。

修改NET3文件的死机原因分析

《电脑》杂志94年第一期《多种DOS版本下的NETWARE 3.11工作站的运行》(以下简称多文)一文中提出了修改NETX.COM文件以适应不同DOS版本的方法。多文中是对NET4.COM文件进行修改从而在DOS5.0上有效的运行,然而对NET3.COM进行类似修改就会死机,笔者分析后认为与DPB有关。

改进U-Net3+与跨模态注意力块的医学图像融合

目的针对目前多模态医学图像融合方法深层特征提取能力不足,部分模态特征被忽略的问题,提出了基于U-Net3+与跨模态注意力块的双鉴别器生成对抗网络医学图像融合算法(U-Net3+and cross-modal attention block dual-discriminator generative adversal network,UC-DDGAN)。方法结合U-Net3+可用很少的参数提取深层特征、跨模态注意力块可提取两模态特征的特点,构建UC-DDGAN网络框架。UC-DDGAN包含一个生成器和两个鉴别器,生成器包括特征提取和特征融合。特征提取部分将跨模态注意力块嵌入到U-Net3+下采样提取图像深层特征的路径上,提取跨模态特征与提取深层特征交替进行,得到各层复合特征图,将其进行通道叠加、降维后上采样,输出包含两模态全尺度深层特征的特征图。特征融合部分通过将特征图在通道上进行拼接得到融合图像。双鉴别器分别对不同分布的源图像进行针对性鉴别。损失函数引入梯度损失,将其与像素损失加权优化生成器。结果将UC-DDGAN与5种经典的图像融合方法在美国哈佛医学院公开的脑部疾病图像数据集上进行实验对比,其融合图像在空间频率(spatial frequency,SF)、结构相似性(structural similarity,SSIM)、边缘信息传递因子(degree of edge information,Q^(AB/F))、相关系数(correlation coefficient,CC)和差异相关性(the sum of the correlations of differences,SCD)等指标上均有提高,SF较DDcGAN(dual discriminator generation adversative network)提高了5.87%,SSIM较FusionGAN(fusion generative adversarial network)提高了8%,Q^(AB/F)较FusionGAN提高了12.66%,CC较DDcGAN提高了14.47%,SCD较DDcGAN提高了14.48%。结论UC-DDGAN生成的融合图像具有丰富深层特征和两模态关键特征,其主观视觉效果和客观评价指标均优于对比方法,为临床诊断提供了帮助。

基于深度学习的相位解缠方法

针对干涉测量技术应用中的缠绕相位解缠问题,提出了一种基于U-Net3+的深度学习相位解缠方法。该方法以U-Net3+为架构,首先,利用全尺度的跳跃连接(skip connection)整合来自不同尺度特征图中的高级语义与低级语义信息;其次,利用深度监督加快网络收敛速度,同时增强干涉图特征信息;为防止梯度爆炸,在网络中添加残差网络,最终搭建适用于不同条纹类型干涉图解缠的网络架构,建立从缠绕相位到真实相位的直接映射关系。完成训练后的网络可直接对缠绕干涉图进行相位解缠以获得其真实相位估计,并在不同条纹类型的干涉图相位解缠实验中均表现出良好的稳定性。

基于全尺度跳跃连接的视网膜血管分割算法

为了解决经典分割算法对于视网膜血管分割精度不够的缺陷,通过将U-net3+(全尺度连接U形网络)应用于视网膜微血管分割,并加以改进来提高分割精度。首先利用U-net3+中的全尺度跳跃连接,提取更多尺度的视网膜微血管特征。针对细小血管难以捕捉的问题,将网络中的普通卷积换成可变卷积,它可以根据血管的形状、大小改变感受野的大小,提高算法的分割准确度。然后使用SFAM模块来优化U-net3+网络中的特征融合部分,保留更多的有用信息。在视网膜图像数据库上测试本文算法,结果表明,分割的平均准确率为97.63%,比传统的U-net网络和U-net3+网络分别提高了2.35%、0.99%。可见,改进算法有效提高了视网膜血管分割精度。