检索结果-南通市图书馆

检索条件"主题词=边界点重定义"

共 2 条记录，以下是1-10 订阅

全选清除本页清除全部题录导出标记到"检索档案"

详细简洁

排序：

婴幼儿脑组织MR图像分割算法研究

婴幼儿脑组织MR图像分割算法研究

引用

作者：张玮婷东北大学

学位级别：硕士

婴幼儿时期是人类大脑发育最快的一个阶段,在这个阶段中,脑区的变化较快且容易患各类脑疾病。探索婴幼儿脑部疾病的早期诊断方法具有非常重要的意义,因此良好的计算机辅助诊断方法十分重要。但是由于婴幼儿脑MR图像分辨率低、图像灰度... 详细信息

婴幼儿时期是人类大脑发育最快的一个阶段,在这个阶段中,脑区的变化较快且容易患各类脑疾病。探索婴幼儿脑部疾病的早期诊断方法具有非常重要的意义,因此良好的计算机辅助诊断方法十分重要。但是由于婴幼儿脑MR图像分辨率低、图像灰度不均匀、噪声较大,且在发育过程中存在灰质白质逆转、部分容积效应等问题。而得到理想图像的关键就在于对图像进行前期处理,主要的前期处理方法是图像分割。但目前仍没有针对婴幼儿脑组织图像分割的高效算法。近年来随着计算机应用水平和技术的发展,深度学习在图像分割领域的应用越来越普及。本文在已有深度语义分割网络基础上进行改进,研究更适用于婴幼儿脑组织MR图像的分割算法。本文主要研究内容如下:(1)针对婴幼儿脑MR图像对比度低,复杂度高等特点,本文利用深度卷积神经网络自适应提取复杂抽象特征的特性,改进针对婴幼儿脑组织图像特征提取算法。该算法在传统VGG16结构中引入带瓶颈层的残差模块。一方面可以在网络层数设计很深时避免网络的退化效应,以及训练时出现的梯度消失、梯度爆炸等问题。另一方面算法在传统残差块中引入瓶颈层,有效减少了网络的训练参数。将残差模块引入语义分割网络提升了针对婴幼儿脑组织图像特征的提取能力。(2)针对深度语义分割网络中的特征融合部分进行研究。为避免网络特征融合中只考虑单一维度特征的问题,提出了基于多尺度、多层级的上下文信息提取模块(PDC)。深层特征图主要捕获物体间具有类别区分的语义特征,浅层特征图获取物体细节特征,将两种特征相结合可以提高特征表达的准确性。因而,本文设计了一种上下文信息提取模块,利用多个不同扩张率的空洞卷积核并行组成金字塔结构,获取特征图在不同感受野下的多尺度特征,增强网络对目标像素的识别能力,使语义分割准确率得到提升。(3)由于深度卷积神经网络的多次下采样操作使得目标位置、结构等信息被过多丢失,导致了脑组织边缘像素识别精度下降。针对目标边缘处理较差的问题,本文提出了边界点重定义算法。在深度学习语义分割基础上,设计像素点置信度求解算法,利用区域划分、局部固定字典学习的方法,对置信度低的像素点重新分类,进一步优化语义分割结果,达到对婴幼儿脑组织图像的精确分割。

关键词：婴幼儿脑组织分割深度学习残差模块空洞卷积金字塔边界点重定义

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

基于深度卷积神经网络的图像语义分割

基于深度卷积神经网络的图像语义分割

引用

作者：马骁中国科学院大学(中国科学院光电技术研究所)

学位级别：硕士

图像语义分割是图像处理和计算机视觉领域中的一项关键技术,是计算机认知图像内容的一个重要环节。语义分割的好坏对后续的图像理解、场景分析以及目标跟踪等任务起着至关重要的作用。所以,研究一个有效的图像语义分割算法具有重要的现... 详细信息

图像语义分割是图像处理和计算机视觉领域中的一项关键技术,是计算机认知图像内容的一个重要环节。语义分割的好坏对后续的图像理解、场景分析以及目标跟踪等任务起着至关重要的作用。所以,研究一个有效的图像语义分割算法具有重要的现实意义。随着深度学习的持续发展,神经网络所带来的高准确性使其在图像识别和语义分割等多个场景中被广泛研究和应用。与传统的基于区域特征提取的语义分割方法相比,基于深度卷积神经网络的方法所获取的图像特征具有更强的表示能力,因而算法具有更好的效果。基于深度卷积神经网络的语义分割方法,其基本思想就是利用神经网络提取图像中每个像素的语义特征,然后依据这些特征对像素进行分类识别,从而得到包含语义信息的分割图像。因此,该类方法的核心在于如何提高网络对像素的识别准确率。本文也从这一角度出发,通过研究并分析当前图像语义分割方法所存在的问题,结合机器学习和图像处理等领域的相关技术,提出了相应的改进算法,并通过实验证明了算法的有效性。首先,为了提高深度卷积神经网络的特征提取能力,本文采用了多尺度特征融合的方法。网络的全连接层主要获取物体之间具有类别区分性的语义特征,卷积层获取物体的细节特征,将两种特征相结合可以提高特征表达的准确性。因而,本文设计了一种多尺度池化的网络结构,利用多个不同的池化模板获取物体在不同感受野下的多尺度特征,增强网络对目标的识别能力,使语义分割的准确率得到提升。其次,由于深度卷积神经网络的多次降采样操作使得目标的结构和位置等信息被过多丢失,导致了目标边缘像素的识别精度下降。为此,本文提出了边界点重定义算法,在神经网络的预测基础上,结合区域划分的方法,对预测可信度低的像素点重新分类,从而进一步优化语义分割的结果。最后,本文将所实现的图像语义分割方法用于目标检测以及场景识别应用中,体现了算法的应用价值。在目标检测任务中,利用语义分割获取目标的位置和类别特征,然后定位并识别出目标,从而达到目标检测的目的。在场景识别任务中,通过对场景中的事物进行识别和分割,捕获物体的结构、区域以及类别等基本属性,为后续的场景分析以及目标跟踪等任务提供技术支持。

关键词：卷积神经网络语义分割深度学习多尺度池化边界点重定义

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

全选清除本页清除全部题录导出标记到“检索档案”

共1页 << < 1 > >>

回到顶部

执行限定条件

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：