基于跨模态注意力机制特征B型超声与弹性超声融合模块联合诊断乳腺良、恶性肿瘤

目的设计跨模态注意力机制特征融合模块,观察其用于B型超声与弹性超声联合诊断乳腺良、恶性肿瘤的价值。方法收集371例接受常规超声检查及超声弹性成像的女性乳腺肿瘤患者、共466处病灶;按3∶1∶1将466组病灶图像分为训练集(n=280)、验证集(n=93)及测试集(n=93)。采用卷积神经网络分支模型分别提取B型超声图像和弹性超声图像特征,之后以基于跨模态注意力机制的多模态特征融合网络进行特征融合,观察其诊断乳腺良、恶性肿瘤的价值。结果改进后的DenseNet用于B型超声诊断乳腺良、恶性肿瘤的准确率为88.43%,敏感度为88.96%,特异度为87.31%,其效能略优于改进前。基于跨模态注意机制特征融合的B型超声与弹性超声联合诊断乳腺良、恶性肿瘤的准确率为94.23%,敏感度为95.11%,特异度为93.28%,效能优于决策加权融合模型、直接串联融合模型及单模态模型。结论跨模态注意力机制特征融合模块可在一定程度上提高B型超声与弹性超声联合诊断乳腺良、恶性肿瘤的效能。

边界增强像素级多模态声像图融合方法评估良、恶性乳腺肿瘤

目的观察以边界增强多模态乳腺声像图像素级特征融合方法评估良、恶性乳腺肿瘤性质的价值。方法基于乳腺肿瘤B型声像图提取边界增强图像,于超声弹性复合声像图中提取纯弹性信息图像。对多模态乳腺肿瘤声像图进行像素级特征融合,形成边界特征增强的融合图像,再以卷积神经网络(CNN)进行分类;评估融合方法分类良、恶性乳腺肿瘤的性能,并与单模态方法、特征级融合方法、无边界增强像素级图像融合方法及其他CNN模型进行对比。结果边界增强像素级特征融合方法有助于CNN提取乳腺肿瘤特征,分类良、恶性乳腺性能最佳,其分类准确率为85.71%,特异度为85.49%,敏感度为86.16%,模型稳定。结论边界特征增强像素级多模态声像图融合方法可用于判断良、恶性乳腺肿瘤。

基于多模型决策融合的可回收垃圾分类方法

为解决现存可回收垃圾分类方法较为低效,垃圾不能及时处理的问题,本文提出了一种基于多模型决策融合网络并实现了准确的垃圾分类。构建的决策融合网络以垃圾图像作为输入,选取经典神经网络Googlenet、VGG19_BN、Resnet18分别作为3个决策模型,融合3个决策模型的决策分类结果作为最终分类结果,实现更为可靠、精确的可回收垃圾分类。模型的训练还加入了迁移学习与学习率衰减的技巧。经过数据集验证,与其他可回收垃圾分类深度学习方法相比所提出的方法实现了更高的可回收垃圾分类准确率,其在数据集上的测试准确率达到97.67%,同时与单模型决策网络的比较结果验证了本文所提多模型决策融合方法的有效性。

结合K-Means和阈值凸包算法的肺实质分割方法

肺实质分割是肺部CT用于诊断肺部疾病的关键步骤之一,精准的肺部分割有助于辅助医生提高诊断效率。现有的分割模型严重依赖大量样本的训练,面对突发疾病或样本有限时对新病灶的特征学习不够充分,无法实现有效的肺实质分割。针对上述问题,提出了一种基于K-Means和阈值凸包算法相结合的肺实质分割方法。首先利用K-Means实现背景和前景的分离,然后使用连通区域标记法和孔洞填充法相结合以剔除干扰像素,以边界追踪法得到粗分割的肺实质轮廓,最后应用新提出的阈值凸包算法对轮廓进行平滑处理,实现肺实质的精准有效分割。实验表明,对比经典的形态学方法和凸包算法,本文方法在有效修补肺部轮廓凹陷的同时也能更好地保留肺门处的轮廓;与分割网络U-Net和U-Net++进行对比,该方法在数据有限时能实现更好的分割结果,面对突发肺部疾病有更好的普适性。