V-net网络故障查找及处理

通过对CENTUM CS系统控制网特点的分析 ,并结合该特点 ,对一次CS通讯故障的成功处理进行论述 。

基于改进的V-Net模型肺结节分割算法的研究

由于CT图像是三维图像,在原始的V-Net模型分割中,易出现结节漏检和边界分割不清晰,以及损失函数Dice训练时不稳定等问题。根据这些问题,提出3D多尺度SE V-Net,简称MSEV-Net网络,同时通过联合损失函数来提高训练的稳定性。该网络模型在V-Net网络的基础上,使用多尺度卷积模块来替换原有的5×5×5卷积,同时在残差连接后加入SE通道注意力模块,通过不同尺度的特征融合和学习不同通道之间的关系,解决肺结节小不易分割的问题。同时在V-Net网络残差连接基础上加一条短跳跃连接,使得整个网络更好利用全局特征。联合损失函数选择Dice和交叉熵损失函数进行融合,可以很好地解决训练不稳定问题。提出的MSEV-Net网络模型和联合损失函数在平均分割准确率PA达到0.998,DSC达到0.837。实验结果表明,该方法在提高肺结节分割精度方面具有一定的效果。

基于深度神经网络的乳腺癌病灶分割系统的研究开发

病灶分割是一种常应用于医疗图像中针对病灶区域的识别技术.图像分割技术在早期主要采用的是传统方式,但是识别不够准确,且效率较低,不能够满足当前医疗上的要求.该文利用基于V-Net技术设计一套磁共振图像乳腺癌病灶的分割系统,通过上传三维图像,自动检测肿瘤区域,用来作为辅助医生判断的一种手段,满足当前医学领域的实际要求.

多阶段冠状动脉CTA三维分割算法

冠脉血管CTA(computed tomography angiongraphy)的分割是判断血管堵塞的首要一步,也是后续三维重建、定性分析等医学诊断的先决条件。本文提出多阶段方式完成冠状动脉从粗到细逐级分割。为了减少非心脏组织给神经网络训练带来的影响,首先采用基于自适应阈值的方法预提取心脏区域。然后提出以V-net作为基础网络框架的深度全卷积网络,扩大了每一层卷积核的第三维通道,充分利用血管空间连续性,增加了网络学习能力。第一阶段提取的心脏区域结合对应标签作为下阶段全卷积网络的训练数据,来实现精确的冠脉血管分割,最后通过水平集函数迭代优化血管边缘轮廓,得到分割结果。本文提出的方法对血管分割的平均Jaccard达到了0.813,Dice达到了0.903,能够对冠脉CTA进行准确的三维分割。

基于深度学习的冠状动脉CTA三维分割

手动分割大规模心血管疾病医学图像对于医生是极其耗时繁琐的任务,所以自动分割冠状动脉计算机断层血管造影(computed tomography angiongraphy,CTA)是研究心血管疾病的重要基础。本文提出了一种基于深度学习的分割方法,冠状动脉CTA图像结合对应标签作为全卷积神经网络的训练数据实现了血管精确分割。本文所提出的方法在2种评价指标Jaccard系数与Dice系数上取得了0.763和0.834评分,能够对冠脉CTA进行准确的三维分割,为医生提供辅助诊断的作用。