检索结果-南通市图书馆

基于循环一致性生成对抗网络的盆腔伪CT生成方法

在线全文

学校读者我要写书评

暂无评论

中国医学物理学杂志 2021年第1期38卷 21-29页

作者：吴香奕曹锋曹瑞芬吴茜董江宁徐榭裴曦中国科学技术大学物理学院工程与应用物理系安徽合肥230025 中国科学技术大学第一附属医院影像科安徽合肥230001 安徽大学计算机科学与技术学院安徽合肥230601 安徽医科大学人文医学院安徽合肥230032 安徽慧软科技有限公司安徽合肥230088

目的:基于循环一致性生成对抗网络(CycleGAN),利用非配对患者盆腔部位数据,实现MRI和CT图像之间的相互转换,并对基于该模型生成的盆腔伪CT(sCT)进行精度和剂量性能的评估。方法:该CycleGAN网络包含两个生成器和两个判别器。先基于全卷... 详细信息

目的:基于循环一致性生成对抗网络(CycleGAN),利用非配对患者盆腔部位数据,实现MRI和CT图像之间的相互转换,并对基于该模型生成的盆腔伪CT(sCT)进行精度和剂量性能的评估。方法:该CycleGAN网络包含两个生成器和两个判别器。先基于全卷积网络(FCNs)构建两个生成器,一个将2D盆腔MRI转换为2D盆腔sCT图像,另一个将CT图像转换为伪MRI(sMRI)图像。再基于FCNs构建两个判别器,用于对真实图像和生成的伪图像进行判别,提升生成图像的质量。为保证sCT图像与MRI图像的一致性,引入归一化互信息作为相似性约束损失项,对模型进行改进。训练集包括35例患者盆腔部位的T1-MRI图像和另外36例患者盆腔部位的CT图像,测试集包括10例盆腔部位患者的MRI和CT图像,评估方法包括sCT与CT图像的误差和放疗剂量伽马通过率。结果:对于测试集中所有病例,生成的sCT与真实CT图像之间的平均绝对误差(MAE)为35.537(±4.537)HU;基于体素的平均剂量差异最大为0.49%;以3%/3 mm、2%/2 mm和1%/1 mm为标准的平均伽马通过率分别高于99%、98%和95%。结论:使用CycleGAN网络和非配对患者训练数据可以生成准确且符合临床剂量精度要求的盆腔部位sCT图像。

关键词：伪CT 非配对盆腔磁共振成像循环一致性生成对抗网络

基于改进型循环一致性生成对抗网络的低剂量CT去噪算法

在线全文

学校读者我要写书评

暂无评论

光学学报 2020年第22期40卷 64-72页

作者：朱斯琪王珏蔡玉芳重庆大学光电技术及系统教育部重点实验室重庆400044 重庆大学工业CT无损检测教育部工程研究中心重庆400044

针对低剂量医学CT图像噪声大且配对数据集难以获得的问题,提出一种基于改进型循环一致性生成对抗网络的低剂量CT去噪算法。该算法使用循环一致性生成对抗网络,由未配对的数据集实现了从低剂量CT图像到标准剂量CT图像的端到端映射;同时... 详细信息

针对低剂量医学CT图像噪声大且配对数据集难以获得的问题,提出一种基于改进型循环一致性生成对抗网络的低剂量CT去噪算法。该算法使用循环一致性生成对抗网络,由未配对的数据集实现了从低剂量CT图像到标准剂量CT图像的端到端映射;同时将密集型残差学习网络模型引入到该网络生成器中,利用残差网络的特征复用性来恢复图像细节,使生成器输出图像更接近目标图像。实验研究表明,本文算法提升了去噪效果,并准确地恢复了图像细节及边缘结构,修复后的图像质量显著提升,有助于病灶的检测与分析。

关键词：图像处理低剂量CT 循环一致性生成对抗网络密集型残差学习网络图像去噪

基于DA-CycleGAN的化工过程多工况故障诊断方法

在线全文

学校读者我要写书评

暂无评论

过程工程学报 2024年第5期24卷 618-626页

作者：陈文静代长春党亚固戴一阳吉旭四川大学化学工程学院四川成都610065 四川中腾能源科技有限公司四川遂宁629300

化工生产过程中可能会存在着多种运行工况。一方面,当生产工况变化时,故障诊断模型的性能会恶化。另一方面,由于故障是小概率事件,因此在新工况下只能获取到正常运行数据。为解决这些问题,提出一种基于二维循环一致性生成对抗网络(Cycle... 详细信息

化工生产过程中可能会存在着多种运行工况。一方面,当生产工况变化时,故障诊断模型的性能会恶化。另一方面,由于故障是小概率事件,因此在新工况下只能获取到正常运行数据。为解决这些问题,提出一种基于二维循环一致性生成对抗网络(Cycle-Consistent Generative Adversarial Networks,Cycle GAN)的多工况故障诊断方法。该方法首先利用二维Cycle GAN捕获历史工况下各类故障的时空域特征,并将这些特征添加到新工况的正常数据中,用以构建新工况下的伪故障数据集。其次,使用领域自适应方法减少真实故障数据与生成数据间的分布差异,使故障知识更好地迁移到新工况中。利用田纳西-伊斯曼(TE)过程的十二个变工况故障诊断任务对所提算法进行性能测试,实验结果表明,该算法相比于直接利用历史工况下故障数据建模能提高平均故障诊断率3%以上,能有效提高模型在新工况下的故障诊断性能。

关键词：故障诊断迁移学习循环一致性生成对抗网络领域自适应

基于物理信息神经网络的牵引变流器直流支撑电容参数辨识方法

在线全文

学校读者我要写书评

暂无评论

电工技术学报 2024年

作者：向超群尹雪瑶伍珣曹忠林刘元才中南大学交通运输工程学院天津轨道交通运营集团有限公司

为了解决车载牵引变流系统直流支撑电容器故障预测问题，该文提出一种基于物理信息神经网络的直流支撑电容器参数辨识方法。该方法只需要利用直流环节预充电过程的直流支撑电容器两端电压及采样频率，无需拟合曲线，无需严格对齐时间轴... 详细信息

为了解决车载牵引变流系统直流支撑电容器故障预测问题，该文提出一种基于物理信息神经网络的直流支撑电容器参数辨识方法。该方法只需要利用直流环节预充电过程的直流支撑电容器两端电压及采样频率，无需拟合曲线，无需严格对齐时间轴就可以获得较为准确的电容参数辨识结果。与此同时，为了克服在采集数据时因条件所限造成的数据量稀疏与分布不均问题，该文利用循环一致性生成对抗网络算法增强数据，使该方法可以适用于同一拓扑下宽范围电容区间的电容容值预测，降低了模型训练要求。实验结果表明：在正常条件下，该方法的辨识相对误差约在1%以下，并且降低采样频率能够缓解信噪比对该方法的影响。该方法为解决直流支撑电容参数辨识问题提供了新思路。

关键词：直流支撑电容器参数辨识物理信息神经网络循环一致性生成对抗网络直流环节预充电工况

仅MRI模拟定位用于鼻咽癌放疗计划剂量计算的可行性分析

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

中华放射肿瘤学杂志 2024年第5期33卷 446-453页

作者：谢雪洁张国梁袁斯琦刘宇翔王云祥杨碧凝朱冀陈辛元门阔戴建荣国家癌症中心/国家肿瘤临床医学研究中心/中国医学科学院北京协和医学院肿瘤医院放疗科北京100021

目的评估采用单一MRI模拟定位实现鼻咽癌光子和质子放疗计划剂量计算的可行性。方法回顾性分析2020年1月至2021年12月在中国医学科学院肿瘤医院接受放射治疗的100例鼻咽癌患者的T1加权MRI图像和CT图像。利用深度学习网络模型将MRI转换成... 详细信息

目的评估采用单一MRI模拟定位实现鼻咽癌光子和质子放疗计划剂量计算的可行性。方法回顾性分析2020年1月至2021年12月在中国医学科学院肿瘤医院接受放射治疗的100例鼻咽癌患者的T1加权MRI图像和CT图像。利用深度学习网络模型将MRI转换成伪CT,训练集、验证集和测试集分别包括70例、10例和20例。深度学习方法采用监督学习的卷积神经网络(CNN)和无监督学习的循环一致性生成对抗网络(CycleGAN)两种方法。利用平均绝对误差(MAE)和结构相似性(SSIM)等定量评估图像质量,利用γ通过率和剂量体积直方图(DVH)评估剂量。用Wilcoxon符号秩检验来统计分析伪CT的图像质量。结果图像生成方面,CNN和CycleGAN模型的MAE分别为(91.99±19.98)HU和(108.30±20.54)HU,SSIM分别为0.97±0.01和0.96±0.01。剂量学方面,伪CT用于光子剂量计算的准确性高于质子。光子放疗计划的γ通过率(3 mm/3%)分别为:CNN模型99.90%±0.13%,CycleGAN模型99.87%±0.14%,且均大于98%。质子放疗计划分别为:CNN模型98.65%±0.64%,CycleGAN模型97.69%±0.86%。DVH的指标显示,伪CT的光子计划中剂量数值一致性优于质子计划。结论基于深度学习的模型能从MRI图像生成准确的伪CT,大多数剂量学差异都在光子和质子放疗的临床可接受范围内,只用MRI成像的工作流程对鼻咽癌患者放疗是可行的。但与原始CT相比,伪CT图像在鼻腔区域的CT值误差较大,临床使用时应特别注意。

关键词：深度学习仅MRI模拟定位卷积神经网络循环一致性生成对抗网络放射治疗计划

基于改进DeepLabv3+与CycleGAN的图像风格迁移研究

在线全文

学校读者我要写书评

暂无评论

赤峰学院学报（自然科学版） 2024年第4期40卷 1-6页

作者：司周永王军号安徽理工大学计算机科学与工程学院安徽淮南232001

CycleGAN的优势就是在没有成对训练集的情况下将图像从原目标区域迁移到目标区域,但其泛化能力较弱,针对CycleGAN无法在图像风格迁移时仅对所需目标进行迁移和DeepLabv3+模型和参数量过大的问题,本文提出了一种结合改进DeepLabv3+网络和... 详细信息

CycleGAN的优势就是在没有成对训练集的情况下将图像从原目标区域迁移到目标区域,但其泛化能力较弱,针对CycleGAN无法在图像风格迁移时仅对所需目标进行迁移和DeepLabv3+模型和参数量过大的问题,本文提出了一种结合改进DeepLabv3+网络和CycleGAN的局部图像迁移方法。先使用DeepLabv3+网络对图像进行语义分割,再将分割出来的目标与迁移图像进行匹配,将得到的迁移图像转回到原图像中,实现对局部图像的迁移。在DeepLabv3+模型中使用MobileNetV2代替主干网络,使用WASP网络代替ASPP网络降低了模型体积,减少了参数量,提高检测速度。采用相似性SSIM与峰值信噪比PSNR作为迁移图像评估指标,对迁移后的效果进行评估。实验表明,使用改进DeepLabv3+网络和CycleGAN的局部图像迁移方法能够提高风格迁移质量,拥有更好的视觉效果。

关键词：图像风格迁移循环一致性生成对抗网络 DeepLabv3+ 轻量级卷积神经网络

基于改进生成对抗网络的图像风格迁移方法研究

同方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

阜阳师范大学学报(自然科学版) 2024年第2期 30-37页

作者：司周永王军号安徽理工大学计算机科学与工程学院

为了解决传统GAN(Generative Adversarial Network)进行图像风格迁移受到成对数据集的限制，以及CycleGAN学习高级特征时表现不佳和训练过慢的问题，本文采用ModileNetV2-CycleGAN模型进行图像风格迁移，并引入多尺度结构相似性指数(mul... 详细信息

为了解决传统GAN(Generative Adversarial Network)进行图像风格迁移受到成对数据集的限制，以及CycleGAN学习高级特征时表现不佳和训练过慢的问题，本文采用ModileNetV2-CycleGAN模型进行图像风格迁移，并引入多尺度结构相似性指数(multi-scale structural similarity,MS-SSIM)作为惩罚项保留风格图片的特征，来提高特征学习的效果，从而提高风格化图片质量。采用客观结构相似性SSIM与峰值信噪比PSNR和主观投票作为评估指标，对迁移后的效果进行评估，实验结果表明了本文改进算法的有效性。

关键词：图像风格迁移循环一致性生成对抗网络轻量级卷积神经网络深度残差网络多尺度结构相似性指数

基于改进CycleGAN的水下图像颜色校正与增强

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

自动化学报 2023年第4期49卷 820-829页

作者：李庆忠白文秀牛炯中国海洋大学工程学院青岛266100

针对水下观测图像的颜色失真和散射模糊问题,提出一种基于改进循环一致性生成对抗网络(Cycle-consistent generative adversarial networks,CycleGAN)的水下图像颜色校正与增强算法.为了利用CycleGAN学习水下降质图像到空气中图像的映... 详细信息

针对水下观测图像的颜色失真和散射模糊问题,提出一种基于改进循环一致性生成对抗网络(Cycle-consistent generative adversarial networks,CycleGAN)的水下图像颜色校正与增强算法.为了利用CycleGAN学习水下降质图像到空气中图像的映射关系,对传统CycleGAN的损失函数进行了改进,提出了基于图像强边缘结构相似度(Strong edge and structure similarity,SESS)损失函数的SESS-CycleGAN,SESS-CycleGAN可以在保留原水下图像的边缘结构信息的前提下实现水下降质图像的颜色校正和对比度增强.为了确保增强后图像和真实脱水图像颜色的一致性,建立了SESSCycleGAN和正向生成网络G相结合的网络结构;并提出了两阶段学习策略,即先利用非成对训练集以弱监督方式进行SESS-CycleGAN学习,然后再利用少量成对训练集以强监督方式进行正向生成网络G的监督式学习.实验结果表明:本文算法在校正水下图像颜色失真的同时还增强了图像对比度,且较好地实现了增强后图像和真实脱水图像视觉颜色的一致性.

关键词：水下图像深度学习循环一致性生成对抗网络颜色校正图像增强

基于循环一致性对抗网络的室内火焰图像场景迁移

在线全文

学校读者我要写书评

暂无评论

光学精密工程 2020年第3期28卷 745-758页

作者：杨植凯卜乐平王腾欧阳继能海军工程大学电气工程学院湖北武汉430033

基于深度学习的视频火灾探测模型的训练依赖于大量的正负样本数据,即火灾视频和带有干扰的场景视频。由于很多室内场合禁止点火,导致该场景下的火灾视频样本不足。本文基于生成对抗网络,将其他相似场景下录制的火焰迁移到指定场景,以此... 详细信息

基于深度学习的视频火灾探测模型的训练依赖于大量的正负样本数据,即火灾视频和带有干扰的场景视频。由于很多室内场合禁止点火,导致该场景下的火灾视频样本不足。本文基于生成对抗网络,将其他相似场景下录制的火焰迁移到指定场景,以此增广限制性场合下的火灾视频数据。文中提出将火焰内核预先植入场景使之具备完整的内容信息,再通过添加烟雾和地面反射等风格信息,完成场景与火焰的融合。该方法克服了现有多模态图像转换方法在图像转换过程中因丢失信息而造成的背景失真问题。同时为减少数据采集工作量,采用循环一致性生成对抗网络以解除训练图像必须严格匹配的限制。实验表明,与现有多模态图像转换相比,本文方法可以保证场景中火焰形态的多样性,迁移后的场景具有较高的视觉真实性,所得结果的FID与LPIPS值最小,分别为119.6和0.134 2。

关键词：图像转换生成对抗网络火焰图像合成循环一致性生成对抗网络