检索结果-南通市图书馆

计算机科学与应用 2024年第3期14卷 108-119页

作者：彭然王博邱子桐兰星辰彭跃陈先金高帅刘涛四川农业大学信息工程学院四川雅安

本文提出了一个融合注意力机制的U型对称网络的医疗辅助算法,用于提高诊断的准确性和效率。利用深度学习技术,对医学影像和病例数据进行自动化分析。本文使用了DRIVE、LiTS和SIIM-ACR等数据集进行训练,在U-Net网络模型的基础上,创新网... 详细信息

本文提出了一个融合注意力机制的U型对称网络的医疗辅助算法,用于提高诊断的准确性和效率。利用深度学习技术,对医学影像和病例数据进行自动化分析。本文使用了DRIVE、LiTS和SIIM-ACR等数据集进行训练,在U-Net网络模型的基础上,创新网络编码器和解码器之间引入了注意力模块,以动态聚焦于图像中的关键特征。通过K折交叉验证来评估模型性能,并使用L2权重衰减正则化防止模型过拟合。在系统落地方面,设计了基于Django的医疗辅助小程序平台,用户可以通过微信小程序进入用户界面,实现医疗影像器官分割、在线问诊等功能。管理员则可以通过PC网页端对用户进行管理。该系统具有较高的准确性和效率,可以有效改善医疗资源分配不均的问题。

关键词：人工智能医疗影像分割 U-Net网络注意力机制医疗辅助诊断

来源：

维普期刊数据库博看期刊评论

在线全文

学校读者我要写书评

暂无评论

基于U-Net++的脑部图像分割算法研究与实践

基于U-Net++的脑部图像分割算法研究与实践

引用

作者：侯彦骁北京邮电大学

学位级别：硕士

将婴幼儿大脑的磁共振影像(Magnetic Resonance Imaging,MRI)精确分割成白质(White Matter,WM)、灰质(Gray Matter,GM)和脑脊液(Cerebrospinal Fluid,CSF)是医学研究人员研究大脑早期的发展过程中形态学变化和一些婴儿时期所发生的异常... 详细信息

将婴幼儿大脑的磁共振影像(Magnetic Resonance Imaging,MRI)精确分割成白质(White Matter,WM)、灰质(Gray Matter,GM)和脑脊液(Cerebrospinal Fluid,CSF)是医学研究人员研究大脑早期的发展过程中形态学变化和一些婴儿时期所发生的异常发育如自闭症、精神分裂症、双相情感障碍和注意力缺陷等的发展过程不可缺少的研究基础。但由于人脑固有的髓鞘化现象,五至八个月处在等密度器的婴儿大脑在MRI中呈现出极低的对比度,这是对该阶段婴儿脑部磁共振影像的分割任务中的巨大挑战。早期研究人员试图使用针对成年人脑部MRI分割的SPM、CIVET、BrainSuite等系统进行分割,但由于等密度期脑部MRI的特性,分割效果并不理想。因此,如何对处于等密度期婴儿脑部MRI进行精确分割是目前研究的重要方向。考虑到医疗影像处理尤其是影像分割任务所需人力成本极高和近年来计算机视觉技术在辅助医疗影像领域迅猛发展,众多针对医疗影像分割的模型算法不断被提出,比如U-Net、V-Net、U-Net++等网络结构,利用计算机视觉技术对婴儿脑部MRI进行分割是一个极具研究意义的方向。综上,针对等密度期婴儿脑部MRI分割的计算机视觉技术问题,本文展开了关于婴儿脑部MRI分割算法的相关研究。其中具体的任务目标为:设计一个将婴儿脑部MRI数据进行逐像素进行四分类的医学影像分割算法模型。在现有的医疗影像分割算法模型中,U-Net++无疑是性能优异的网络之一,因此本文基于U-Net++网络结构,进行婴儿脑部MRI分割算法的研究,设计并实现了基于U-Net++网络的RU-Net++网络结构和针对婴儿脑部MRI的OneSide数据增强方式,主要针对在研究过程中遇到的两个核心问题:一是网络模型结构需要优化,使其更拟合婴儿脑部MRI分割的任务,达到更好的分割效果;二是婴儿脑部MRI数据集样本数量不足,这将影响网络的训练结果。针对U-Net++网络结构在婴儿脑部MRI分割任务中性能不佳的问题,本文尝试多种激活函数,更换了最适合该任务的激活函数,并尝试通过调整网络的深度优化网络性能。通过实验结果分析,本文提出了 RU-Net++网络架构,以解决网络训练效率低,性能不足的问题。实验证明,RU-Net++相比于U-Net++网络,减少了 28.14%的训练时间和12.18%的分割损失。针对婴儿脑部MRI数据集样本数量不够的问题,本文从传统的数据增强手段入手,对数据集进行数据增强,扩充用于训练的数据。通过实验对比不同数据增强方式如加性高斯噪声和图片翻转对网络分割结果的增益,本文确定了该数据集各种数据增强方式的最优参数。另外,针对图片翻转的数据增强方式,对实验结果的分析提出了婴儿脑部MRI堆成特性对数据增强方式的影响。基于此,本文进而提出了一种利用脑部组织对称性的新数据增强方式——OneSide,实验证明,该数据增强方式能够在仅增加了 4.27%的网络训练时间的前提下,降低了 10.49%的分割误差。

关键词： U-Net++ OneSide 婴儿脑部MRI 医疗影像分割数据增强

来源：

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

欢迎您,

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

请选择保存的检索档案：

请选择收藏分类：

通借通还

欢迎您,

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：