检索结果-南通市图书馆

在线全文

学校读者我要写书评

暂无评论

基于深度学习的病理切片图像分割方法研究

基于深度学习的病理切片图像分割方法研究

作者：曾黎湘潭大学

学位级别：硕士

病理切片图像是临床医生进行癌症诊断的金标准,对于病理癌症区域的勾画能使病理医生快速锁定病变区域,以便做出进一步的诊断,为病人的后续治疗提供帮助。而手工勾画需要专业医师具有良好的病理学知识与临床经验,且因为病理图像尺寸大、... 详细信息

病理切片图像是临床医生进行癌症诊断的金标准,对于病理癌症区域的勾画能使病理医生快速锁定病变区域,以便做出进一步的诊断,为病人的后续治疗提供帮助。而手工勾画需要专业医师具有良好的病理学知识与临床经验,且因为病理图像尺寸大、癌症特征较为复杂的问题,不同医生对同一张病理图像的区域勾画可能会出现不同的偏差,难以保证制成的病理切片图像质量,从而影响医生的诊断。病理切片图像的自动分割可以为临床诊疗和病理学研究提供可靠的依据,极大提高医生工作效率,为临床诊断和治疗提供非常大的帮助。另外病理切片图像的自动分割需要大量像素级标注,而病理切片图像的标注又存在制作成本过高,难以获得很多精细标注的问题。本文从病理切片图像的特点出发,围绕多分辨率注意力和多尺度卷积的网络模型以及弱监督分类指导分割模型展开研究,提出全监督和弱监督两种情况下的解决方案。主要工作如下:(1)本文提出了一种多分辨率注意多尺度卷积网络(Multiresolution Attention and Multi-scale Convolution Network,MAMC-Net)用于病理切片图像的自动分割。MAMC-Net的结构以U-net为基础,由两个模块组成,多分辨率注意力模块利用多分辨率图像作为输入,同时我们在每个层次上使用一个注意力机制来连接编码器和解码器,从而获取更多特征信息和更丰富的细节。此外,本文设计了一个多尺度卷积模块来传递从编码器深层提取的多尺度语义特征。该模块通过使用不同的感受野解码层得到高分辨率的细节信息和低分辨率的全局信息。进一步的,为了获得更精细的分割结果,本文采用了使用全连接条件随机场(Conditional Random Field,CRF)的后处理策略对重叠的分割结果图进行拼接,以避免癌症边界分割的不连续和不一致性。最后,本文在两个开源数据集上验证了方法的有效性,实验结果表明,与其他方法相比,本文提出的MAMC-Net具有更好的分割性能。(2)本文提出一种结合多任务学习的半监督病理切片图像分割方法。该方法基于半监督方式同时学习癌症区域分割任务与图像分类任务,采用极少量带像素级标注的图像训练分割网络,结合带图像级标注的病理切片图像训练分类网络。在网络训练过程中通过这两个学习任务的交替迭代来优化网络参数,以降低分割网络模型对图像标注的要求。更进一步地,本文引入动态加权交叉熵损失函数,利用分类预测概率值的高低自动分配每个像素的权重,促使网络更加关注预测概率值较低的目标区域,这一策略更能有效保持癌症区域的细节信息。在乳腺癌病理图像数据集上的实验结果表明,本文提出的方法能在像素标注数据量不足的情况下可以获得更好的癌症区域分割结果。

关键词：组织病理切片图像多分辨率注意模块多尺度卷积模块弱监督图像分割加权交叉熵

基于深度学习的皮肤黑色素瘤图像分割算法研究

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于深度学习的皮肤黑色素瘤图像分割算法研究

作者：甄雅迪江西理工大学

学位级别：硕士

黑色素瘤是一种常见的恶性肿瘤,多发生于皮肤,其发病率占皮肤恶性肿瘤的第三位。由于黑色素瘤大小、形状以及颜色的不统一,导致对其边界和病变区域的分割难度较大。当前,利用深度学习的方法实现医学图像的分割,相较于传统的分割算法在... 详细信息

黑色素瘤是一种常见的恶性肿瘤,多发生于皮肤,其发病率占皮肤恶性肿瘤的第三位。由于黑色素瘤大小、形状以及颜色的不统一,导致对其边界和病变区域的分割难度较大。当前,利用深度学习的方法实现医学图像的分割,相较于传统的分割算法在实时性和准确性方面有更大的优势。因此,本文提出利用深度学习的方法对皮肤黑色素瘤图像进行分割,主要工作如下:(1)针对图像数据集较少和图像采集时易受光照影响的问题,提出了一种对于医学图像数据的预处理方法以及针对分割结果的后处理方法。其中,预处理是指通过颜色恒定算法减少在数据收集过程中光照对其的影响;接着对数据进行扩增,能有效解决医学图像数据较少的问题,单张图片通过不同的数据增强方法可增加至26张;对分割结果的后处理方法包括条件随机场和测试数据增强,这两种方法能不同程度的细化分割结果。实验表明,预处理及后处理方法能进一步提高分割的准确率。(2)针对图像样本在收集过程中受到皮肤暗沉区域、毛发等的干扰导致噪声较大,部分黑色素瘤在病变图像中的占比面积较小等问题,本文提出了一种改进的DCUNet网络分割算法。该算法首先引入一种通道注意力ECA-Net模块,使得模型能更集中关注黑色素瘤的病变区域;接着改进了网络中的Res-Path模块,使其能更好地连接编码器与解码器以获取额外的图像特征细节;同时由于在大部分样本图像中黑色素瘤的病变区域占比较小,为提高黑色素瘤的边界分割的准确率,采用加权交叉熵损失函数来克服分类像素在图像中数量不平衡的问题,并在损失函数中加入L2正则化以增强模型的泛化能力。本文算法在ISIC2017、ISIC2018、PH2和DSB数据集上与DC-UNet算法相比,其分割准确率分别由原来的0.9513、0.9444、0.9361、0.9781提升到0.9623、0.9537、0.9650、0.9847。实验表明本文算法相对于DC-UNet算法具有更好的分割效果,能辅助医生提高诊断黑色素瘤疾病的效率,并且能够很好的应用于其他医学图像的分割任务中。(3)针对皮肤黑色素瘤对边界分割要求更高,以及数据集中的部分样本涉及到小目标分割的问题,提出了一种改进的DeepLab V3+网络分割算法。首先在DeepLab V3+的主干网络Xception模型中引入CBAM模块,旨在让其能获取更多边界信息以提高图像的边缘分割精度;其次在DeepLab V3+网络中的ASPP模块之后引入坐标注意力,进一步提高网络的特征提取能力;其次,为了避免在图像特征提取过程中出现部分语义信息丢失的情况,将网络模型上采样过程中的两个4倍上采样均由两个连续的2倍上采样替换;最后,针对皮肤黑色素瘤部分图像中病变区域占比较小的问题,提出利用Focal Tversky Loss函数作为该算法的损失函数,以提高分割的准确率。改进后的网络在ISIC2017和ISIC2018数据集上分割准确率分别为0.9601和0.9515,相较于原始的Deeplab V3+,改进后的算法对病变区域的分割精确度更高,从很大程度上减少了分割中可能存在的漏检和误检的现象。

关键词：皮肤黑色素瘤注意力机制跳跃连接加权交叉熵测试数据增强

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

融入词性的医疗命名实体识别研究

融入词性的医疗命名实体识别研究

作者：本妍妍华中科技大学

学位级别：硕士

随着互联网向医疗领域融合发展,在线问诊因为其方便性、安全性已成为居民的常用就医方式,因此积累了大量的在线医疗数据。命名实体识别是实现这种非结构化文本提炼的第一步。目前的医疗命名实体识别大多根据医疗书籍、电子病历等规范化... 详细信息

随着互联网向医疗领域融合发展,在线问诊因为其方便性、安全性已成为居民的常用就医方式,因此积累了大量的在线医疗数据。命名实体识别是实现这种非结构化文本提炼的第一步。目前的医疗命名实体识别大多根据医疗书籍、电子病历等规范化文本展开研究,缺乏专门对口语化、信息间断的在线问诊记录的命名实体识别研究。本文基于Mac BERT与条件随机场模型,研究融入词信息的在线问诊记录中临床关键特征识别,并进行阴阳性判别。通过阴阳性判断,可对患者本次就医进行简短概括,提供对应的分诊意见,加强互联网在现代医疗中的调动引导作用,减少患者就医成本,提高社会医疗服务质量,提升居民幸福指数。针对命名实体边界识别困难问题,本文提出通过位置编码方式融入词信息的模型。利用中文分词绝对位置编码和词性编码相结合的方式,对词信息进行位置“软”嵌入,并通过说话者角色嵌入向模型中加入对话文本信息。同时,在损失函数中引入加权多分类交叉熵,强化模型对较少数量命名实体的识别,提升模型在命名实体识别中应对实体类别不均衡等问题的能力。为检验模型的有效性,本文对春雨医生互联网在线问诊记录进行临床发现关键特征识别,实验结果表明,融入词信息等更多纬度特征能在一定程度上提升模型的识别能力。

关键词：中文命名实体识别在线医疗问诊词信息融入 MacBERT模型加权交叉熵

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

融合空间及通道注意网络的古籍汉字图像检索

河北大学学报（自然科学版） 2021年第5期41卷 623-632页

作者：田学东杨琼杨芳河北大学网络空间安全与计算机学院河北保定071002 河北大学智能图文信息处理研究所河北保定071002

古籍汉字图像检索是古籍汉字研究的有效工具.然而,古籍汉字字形复杂、书写风格多变的特点导致传统文字图像检索技术在应用于古籍汉字图像时效果欠佳.针对现有方法在古籍汉字图像特征提取时存在的字形结构细节信息和低层视觉特征提取问题... 详细信息

古籍汉字图像检索是古籍汉字研究的有效工具.然而,古籍汉字字形复杂、书写风格多变的特点导致传统文字图像检索技术在应用于古籍汉字图像时效果欠佳.针对现有方法在古籍汉字图像特征提取时存在的字形结构细节信息和低层视觉特征提取问题,设计了一种融合空间注意力和通道注意力网络高低层特征的古籍汉字图像检索模型.首先,融合空间注意力的低维特征和通道注意力的高维特征,捕捉古籍汉字空间结构间的依赖关系,提取更丰富的古籍汉字语义特征信息;其次,构建inception残差结构模块,丰富古籍汉字图像特征的感受野,使网络模型更易优化,保留足够的古籍汉字细节信息;最后,运用加权交叉熵损失函数,解决数据集中存在的正负样本不平衡问题,增强检索模型的鲁棒性.在上下、左右、包围和独体结构古籍汉字图像数据集上检索实验的MAP(mean average precision)值分别为77.89%、79.89%、78.21%、80.75%,表明了方法的有效性.

关键词：古籍汉字图像检索空间注意力通道注意力加权交叉熵

在线全文

学校读者我要写书评

暂无评论

区间犹豫模糊熵应用于地方高等教育发展研究

计算机工程与应用 2014年第23期50卷 26-30,86页

作者：胡冠中周志刚天津大学管理与经济学部天津300072

构造了新的区间犹豫模糊熵、交叉熵公式,提出了一种新的区间犹豫模糊多属性群决策方法,并将其应用于地方高等教育发展研究的过程中。构建了一种新的区间犹豫模糊熵公式,并证明其满足区间犹豫模糊熵的公理化条件;给出了区间犹豫模糊距离... 详细信息

构造了新的区间犹豫模糊熵、交叉熵公式,提出了一种新的区间犹豫模糊多属性群决策方法,并将其应用于地方高等教育发展研究的过程中。构建了一种新的区间犹豫模糊熵公式,并证明其满足区间犹豫模糊熵的公理化条件;给出了区间犹豫模糊距离测度的公理性定义,研究了区间犹豫模糊距离测度和区间犹豫模糊熵、交叉熵的关系,并构建了区间犹豫模糊加权交叉熵公式。在区间犹豫模糊环境下,基于区间犹豫模糊熵、交叉熵以及交叉熵贴近度,提出了一种新的属性权重未知的多属性决策方法,并将其应用于对地方高等教育发展研究的过程中,验证该方法的可行性和有效性。

关键词：区间犹豫模糊元加权熵距离测度加权交叉熵多属性群决策

在线全文

学校读者我要写书评

暂无评论

基于全卷积U形网络的脑核磁共振图像分割

基于全卷积U形网络的脑核磁共振图像分割

作者：曹智慧南京信息工程大学

学位级别：硕士

心脑血管疾病是一类严重的多发病,早期的诊断和治疗对防止病情的恶化具有重要的意义,利用图像分割技术对医学影像进行分析是一种常用的辅助诊疗手段,由于核磁共振成像(Magnetic Resonance Imaging,MRI)具有非侵入性、非损伤性、高对比... 详细信息

心脑血管疾病是一类严重的多发病,早期的诊断和治疗对防止病情的恶化具有重要的意义,利用图像分割技术对医学影像进行分析是一种常用的辅助诊疗手段,由于核磁共振成像(Magnetic Resonance Imaging,MRI)具有非侵入性、非损伤性、高对比度等优势,被广泛的应用于临床诊断。但由于成像设备自身的问题及脑组织的特殊性,脑MR图像中经常存在噪声、偏移场、弱边界等问题,而传统的图像分割算法往往是基于灰度信息,受上述问题影响较大,难以获得精确的分割结果。基于卷积神经网络的模型能获得不同尺度的特征信息而得到更为准确的分割结果,但由于多次卷积与池化操作,导致对细节保持能力不足,分割效果不够理想。本文基于全卷积神经网络及U-Net模型,针对其存在的问题,对模型进行了改进,并使用了新的损失函数,对细节的分割获得了更好的结果,并提升了准确率。本文的研究内容主要有以下两个方面:(1)针对U-Net在分割脑MR图像时对细节分割效果不理想,且分割边界较光滑的问题,提出了一种多尺度的全卷积U形网络。在U-Net中加入了多尺度的卷积核,使用小尺度的卷积核提取图像细节信息,提升对细节的处理效果,使用较大尺度的卷积核扩大感受野,利用更多的邻域信息。通过结合不同尺度的卷积核的特征图,提升模型的分割精度。(2)针对医学图像中背景占比较大导致对损失影响较大的问题,构造了一种加权交叉熵损失函数。在交叉熵损失函数的基础上引入了权重系数,构造了加权交叉熵损失函数,通过控制图像不同位置的像素权重,减小损失受背景的影响,平衡不同类别分割结果对目标损失的影响,提升模型的分割准确率。通过在临床脑MR图像上的分割结果对比,本文提出的方法在不规则边界及细长拓扑的分割结果上表现更好,且获得了更高的准确率,从视觉效果及数值效果上验证了本文方法的有效性。

关键词：图像分割神经网络全卷积网络 U-Net 多尺度卷积加权交叉熵

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于深度学习的遥感图像地物分割方法

液晶与显示 2021年第5期36卷 733-740页

作者：沈言善王阿川东北林业大学信息与计算机工程学院黑龙江哈尔滨150000

针对传统方法难以同时有效地进行多目标分割,现有基于全卷积神经网络的地物分类方法在复杂场景下分类精度不高的问题,提出了一种基于U-net改进的全卷积神经网络DL-Unet,实现了对遥感图像不同类别地物的有效分割。该网络改进了传统的卷... 详细信息

针对传统方法难以同时有效地进行多目标分割,现有基于全卷积神经网络的地物分类方法在复杂场景下分类精度不高的问题,提出了一种基于U-net改进的全卷积神经网络DL-Unet,实现了对遥感图像不同类别地物的有效分割。该网络改进了传统的卷积方式,引入扩张卷积,在不增加网络参数的同时增大感受野。针对遥感影像中地物类别不均衡的问题,使用带权重的交叉熵作为模型的损失函数,有效克服了模型的选择偏好。对预测结果采用了相对多数投票策略进一步提高了各个地物类别的像素准确率(PA)。实验结果表明,该模型在各地物类别的平均像素准确率(MPA)和均交并比(MIoU)上相较于经典U-net网络分别提高了5.94%和9.45%,实现了对地物信息的有效分割。

关键词：深度学习扩张卷积加权交叉熵集成学习语义分割图像处理

基于深度学习的核磁共振图像智能分割算法研究

在线全文

学校读者我要写书评

暂无评论

中国传媒大学学报（自然科学版） 2021年第3期28卷 16-24页

作者：马啸天李书芳北京邮电大学信息与通信工程学院先进信息网络北京实验室网络体系构建与融合北京市重点实验室北京100876

核磁共振图像(MagneticResonanceImage,MRI)作为判断心脏结构和功能的“金标准”,针对人工方法分析MRI图像手动分割费时费力,且结果可能因人而异的问题。本文提出了基于深度学习的短轴心脏MRI分割方法。分割方法包括预处理和分割两个步... 详细信息

核磁共振图像(MagneticResonanceImage,MRI)作为判断心脏结构和功能的“金标准”,针对人工方法分析MRI图像手动分割费时费力,且结果可能因人而异的问题。本文提出了基于深度学习的短轴心脏MRI分割方法。分割方法包括预处理和分割两个步骤。预处理包括:首先对短轴心脏MRI数据进行感兴趣区域(RegionofInterest,ROI)检测,使用了Canny边缘检测和霍夫变换,然后进行数据标准化和数据增强。分割使用深度学习中的语义分割模型,损失函数使用加权交叉熵损失、Dice损失、L2正则化的组合,对ROI的结果进行分割。本文的实验基于ACDC数据集,实验结果表明,本文提出的方法成功地从心脏MRI中自动分割出左心室、右心室和心肌,与不同的损失函数和挑战中领先的几种分割方法进行对比,取得了很好的结果。

关键词：医学影像分析语义分割目标检测深度学习加权交叉熵心脏MRI