检索结果-南通市图书馆

Multilevel Attention unet Segmentation Algorithmfor Lung Cancer Based on CT Images

Computers, Materials & Continua 2024年第2期78卷 1569-1589页

作者： Huan Wang Shi Qiu Benyue Zhang Lixuan Xiao Xi’an Institute of Optics and Precision Mechanics Chinese Academy of SciencesXi’anChina School of Biomedical Engineering Fourth Military Medical UniversityXi’anChina University of Illinois at Urbana Champion ChampaignUSA

Lung cancer is a malady of the lungs that gravely jeopardizes human health.Therefore,early detection and treatment are paramount for the preservation of human life.Lung computed tomography(CT)image sequences can explicitly delineate the pathological condition of the lungs.To meet the imperative for accurate diagnosis by physicians,expeditious segmentation of the region harboring lung cancer is of utmost significance.We utilize computer-aided methods to emulate the diagnostic process in which physicians concentrate on lung cancer in a sequential manner,erect an interpretable model,and attain segmentation of lung cancer.The specific advancements can be encapsulated as follows:1)Concentration on the lung parenchyma region:Based on 16-bit CT image capturing and the luminance characteristics of lung cancer,we proffer an intercept histogram algorithm.2)Focus on the specific locus of lung malignancy:Utilizing the spatial interrelation of lung cancer,we propose a memory-based unet architecture and incorporate skip connections.3)Data Imbalance:In accordance with the prevalent situation of an overabundance of negative samples and a paucity of positive samples,we scrutinize the existing loss function and suggest a mixed loss function.Experimental results with pre-existing publicly available datasets and assembled datasets demonstrate that the segmentation efficacy,measured as Area Overlap Measure(AOM)is superior to 0.81,which markedly ameliorates in comparison with conventional algorithms,thereby facilitating physicians in diagnosis.

关键词： Lung cancer computed tomography computer-aided diagnosis unet segmentation

来源：

维普期刊数据库评论

在线全文

维普期刊数据库

学校读者我要写书评

暂无评论

基于unet-ResNet14^(*)半监督学习的无人机影像森林树种分类

引用

农业工程学报 2024年第1期40卷 217-226页

作者：陈龙伟周小成李传昕林华章王永荣崔永红福州大学空间数据挖掘与信息共享教育部重点实验室福州350108 福建省大田桃源国有林场三明366199 福建省漳平五一国有林场龙岩364400 福建省林业调查规划院福州350003

无人机遥感在森林树种精细和高效分类制图中具有巨大的潜力。为了快速准确获取森林的优势树种分布信息,该研究探讨了半监督学习方法在树种分类方面的有效性。以福建省福州市、龙岩市和三明市的4个试验区为例,构建精简的ResNet18为主干的... 详细信息

无人机遥感在森林树种精细和高效分类制图中具有巨大的潜力。为了快速准确获取森林的优势树种分布信息,该研究探讨了半监督学习方法在树种分类方面的有效性。以福建省福州市、龙岩市和三明市的4个试验区为例,构建精简的ResNet18为主干的unet树种分类模型(unet-ResNet14^(*)),使用交叉熵和Dice系数的联合损失函数来优化模型参数,对比分析Self-training和Mean Teacher两种不同的半监督学习方法在无人机影像森林树种分类模型的泛化能力。结果表明,以ResNet14^(*)作为主干的分类模型与其他模型相比精度更高且预测速度更快,当联合损失函数权重值为0.5的情况下模型预测效果最好,总体精度达到了91.15%。经过Self-training的模型在木荷、马尾松、杉木3个样本充足的类别中精度均有所提升,总精度为91.08%,比原始模型略低,但在独立验证区的精度为88.50%,比原始模型高;Mean Teacher方法的总精度为88.56%,在独立验证区的精度为73.56%。因此,研究认为可以采用Self-trainin半监督方法结合unet-ResNet14^(*)的方案快速得到试验区的树种组成信息。

关键词：无人机遥感森林树种分类可见光 unet ResNet 半监督学习

来源：

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

基于RCH-unet的新疆密植棉花图像快速分割及产量预测

引用

农业工程学报 2024年第7期40卷 230-239页

作者：刘祥田敏梁金艳石河子大学机械电气工程学院石河子832003

针对复杂棉田环境下传统图像分割技术存在分割精度低、实时性弱和鲁棒性差等问题,该研究以脱叶期新疆密植棉花为对象,结合低空无人机遥感平台,提出一种RCH-unet(resnet coordinate hardswish unet)棉花产量快速预测模型。将unet中传统的... 详细信息

针对复杂棉田环境下传统图像分割技术存在分割精度低、实时性弱和鲁棒性差等问题,该研究以脱叶期新疆密植棉花为对象,结合低空无人机遥感平台,提出一种RCH-unet(resnet coordinate hardswish unet)棉花产量快速预测模型。将unet中传统的CBR(convolution batch normalization ReLU)下采样模块替换为ResNet50,同时将CA(coordinate attention)注意力机制和hardswish激活函数引入unet,以提高图像特征的提取能力,增强图像分割效果。基于无人机采集的棉花图像数据集评估RCH-unet模型性能。试验结果表明,在该研究构建的棉花图像数据集上,RCH-unet模型的棉花分割交并比达到92.79%,像素准确率达到96.22%,精确率为96.30%,与原始U-Net、PSPNet和DeepLabv3相比,像素准确率分别提高了9.85、17.67、6.31个百分点。通过RCH-unet提取棉花像素比和灰度共生矩阵提取纹理特征,结合岭回归分析构建多因素棉花产量预测模型,模型的R^(2)为0.92,预测产量与实际产量平均绝对百分比误差为9.254%。研究结果可为新疆密植棉花产量预测提供技术支持。

关键词：深度学习图像处理语义分割 unet 自注意力机制密植棉花产量预测

来源：

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

基于unet的翼型可压缩流场机器学习推理方法

引用

南京航空航天大学学报 2024年第2期56卷 253-263页

作者：朱智杰赵国庆高远招启军南京航空航天大学直升机动力学全国重点实验室南京210016

为进一步提升高雷诺数、大迎角(Angle of attack,AoA)和高马赫数下的翼型可压缩流场预测精度和效率,本文提出了一种基于坐标转换方法和unet神经网络的机器学习推理方法。首先,提出了用于数据前处理的坐标转换方法,将计算流体力学中的物... 详细信息

为进一步提升高雷诺数、大迎角(Angle of attack,AoA)和高马赫数下的翼型可压缩流场预测精度和效率,本文提出了一种基于坐标转换方法和unet神经网络的机器学习推理方法。首先,提出了用于数据前处理的坐标转换方法,将计算流体力学中的物理量和网格信息转换成神经网络空间信息,使流场信息的分布更符合神经网络的输入要求。其次,建立了新型深度unet神经网络,使模型学习到翼型流场精细复杂的局部流动特征。本文将两种方法结合,建立了翼型可压缩流场机器学习推理方法,得到快速高精度的推理模型。最后,对不同种类翼型的流场与气动力进行预测分析,并与传统机器学习方法预测的结果进行比较。结果表明,本文提出的机器学习推理方法能够较好地预测翼型的可压缩流场,并且能够更好地捕捉高雷诺数下的复杂流动行为以及预测大迎角、高马赫数条件下的流动分离和激波现象。

关键词： unet 机器学习坐标转换翼型流动分离激波

来源：

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

基于斜坡单元和语义分割的皖南地区滑坡灾害易发性评估

引用

地质科学 2024年第2期59卷 562-574页

作者：赵萍赵思逸孙雨阮旭东王宁张树衡合肥工业大学资源与环境工程学院合肥230009 安徽省地球物理地球化学勘查技术院合肥230022

滑坡灾害严重影响着人们的生命和财产安全,对自然环境造成重大破坏。以斜坡单元为单位进行滑坡易发性评估能够更加接近真实的滑坡地形,为滑坡灾害的防治提供更加科学的理论支持。本文以安徽省皖南地区为研究区,基于黄山、宣城、池州市... 详细信息

滑坡灾害严重影响着人们的生命和财产安全,对自然环境造成重大破坏。以斜坡单元为单位进行滑坡易发性评估能够更加接近真实的滑坡地形,为滑坡灾害的防治提供更加科学的理论支持。本文以安徽省皖南地区为研究区,基于黄山、宣城、池州市滑坡点数据以及皖南地区基础地理数据,利用主成分分析和多重共线性分析方法筛选滑坡评价因子,提出将斜坡单元几何形状信息和语义分割方法相结合的创新方法,构建滑坡灾害易发性评估模型,对皖南地区的滑坡灾害易发性进行评估,揭示其空间分布规律。结果表明:结合斜坡单元和语义分割方法构建的滑坡易发性评估模型具有较高的预测精度,能够充分考虑斜坡单元的几何形状信息对滑坡易发性的影响,较为准确地评估皖南地区的滑坡易发性。评估结果符合滑坡形成机理,其中62.19%的滑坡单元分布在滑坡易发性等级中—高的斜坡单元上,模型预测AUC值为0.878,与缺少几何形状信息的CNN模型进行对比,预测精度明显提高。

关键词：斜坡单元深度学习语义分割 unet 滑坡易发性评估

来源：

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

An Improved unet Lightweight Network for Semantic Segmentation of Weed Images in Corn Fields

引用

Computers, Materials & Continua 2024年第6期79卷 4413-4431页

作者： Yu Zuo Wenwen Li School of Information and Control Engineering Jilin Institute of Chemical TechnologyJilin132022China School of Mechanical and Control Engineering Baicheng Normal UniversityBaicheng137000China

In cornfields,factors such as the similarity between corn seedlings and weeds and the blurring of plant edge details pose challenges to corn and weed segmentation.In addition,remote areas such as farmland are usually constrained by limited computational resources and limited collected data.Therefore,it becomes necessary to lighten the model to better adapt to complex cornfield scene,and make full use of the limited data information.In this paper,we propose an improved image segmentation algorithm based on unet.Firstly,the inverted residual structure is introduced into the contraction path to reduce the number of parameters in the training process and improve the feature extraction ability;secondly,the pyramid pooling module is introduced to enhance the network’s ability of acquiring contextual information as well as the ability of dealing with the small target loss problem;and lastly,Finally,to further enhance the segmentation capability of the model,the squeeze and excitation mechanism is introduced in the expansion path.We used images of corn seedlings collected in the field and publicly available corn weed datasets to evaluate the improved model.The improved model has a total parameter of 3.79 M and miou can achieve 87.9%.The fps on a single 3050 ti video card is about 58.9.The experimental results show that the network proposed in this paper can quickly segment corn weeds in a cornfield scenario with good segmentation accuracy.

关键词： Semantic segmentation deep learning unet pyramid pooling module

来源：

维普期刊数据库评论

在线全文

维普期刊数据库

学校读者我要写书评

暂无评论

基于强化特征提取的视网膜血管分割

引用

光电子．激光 2024年第5期35卷 490-498页

作者：孙国栋闫丰亭史志才上海工程技术大学上海201620 上海市信息安全综合管理技术研究重点实验室上海200240

视网膜血管的分割精确率对眼科疾病和糖尿病早期诊断有着重要影响。面对现有方法在微血管与病变区域分割性能差的问题,本文提出一种强化提取血管特征的分割模型。该模型在编码部位引入多尺度特征提取残差模块(multi-scale feature extra... 详细信息

视网膜血管的分割精确率对眼科疾病和糖尿病早期诊断有着重要影响。面对现有方法在微血管与病变区域分割性能差的问题,本文提出一种强化提取血管特征的分割模型。该模型在编码部位引入多尺度特征提取残差模块(multi-scale feature extraction residual module,MFE-residual)和多级残差空洞卷积层,用来扩展感受野,学习多层次图像特征,提高模型对血管信息的利用率;下采样和短连接部位分别融入轻量化注意力机制和多通道注意力模块,增加模型对血管的识别度,降低误分割的可能性。本文基于DRIVE和STARE两种公开数据集进行了实验,来验证改进模型的分割能力。结果表明,两种数据上的准确率分别为0.9652和0.9715,灵敏度分别为0.8205和0.8256,与其他算法相比,分割性能更有优势。

关键词：图像处理视网膜血管分割 unet 卷积神经网络(CNN) 多尺度特征提取多通道注意力机制

来源：

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

基于unet+Attention的胸部CT影像支气管分割算法

引用

中国生物医学工程学报 2024年第1期43卷 60-69页

作者：张子明周庆华薛洪省覃文军东北大学医学影像智能计算教育部重点实验室沈阳110189 东北大学计算机科学与工程学院沈阳110189 大连大学附属中山医院辽宁大连116001

目前肺气管分割中,由于CT图像灰度分布复杂,分割目标像素近似,易造成过分割;而且肺气管像素较少,难以得到更多目标特征,造成细小肺气管容易被忽略。针对这些难点,本研究提出结合unet网络和注意力机制的肺气管分割算法,注意力机制使用的... 详细信息

目前肺气管分割中,由于CT图像灰度分布复杂,分割目标像素近似,易造成过分割;而且肺气管像素较少,难以得到更多目标特征,造成细小肺气管容易被忽略。针对这些难点,本研究提出结合unet网络和注意力机制的肺气管分割算法,注意力机制使用的是关注通道域和空间域的卷积块注意力模型(CBAM),该模型提高了气管特征权重。在损失函数方面,针对原始数据中正负样本失衡的问题,引入focal loss损失函数,该函数对标准交叉熵损失函数进行了改进,使难分类样本在训练过程中得到更多关注;最后通过八连通域判断将孤立点去除,保留较大的几个连通域,即最后的肺气管部分。选用由合作医院提供的24组CT影像和43组CTA影像,共计26157张切片图像作为数据集,进行分割实验。结果表明,分割准确率能够达到0.86,过分割率和欠分割率均值为0.28和0.39。经过注意力模块和损失函数的消融实验,在改进前的准确率、过分割率和欠分割率分别为0.81、0.30、0.40,可见其分割效果均不如unet+Attention方法。与其他常用方法在相同条件下进行比较后,在保证过分割率和欠分割率不变的情况下,所提出的算法得到了最高的准确率,较好地解决了细小气管分割不准确的问题。

关键词：医学图像分割肺气管 unet 注意力机制 focal loss

来源：

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

MCFA-unet：结合多尺度融合与注意力机制的图像生成网络

引用

计算机工程与应用 2024年

作者：王铁君张泽宇郭晓然武娇西北民族大学数学与计算机科学学院西北民族大学中国民族信息技术研究院

在图像生成领域，基于去噪扩散概率模型（DDPM）的深度学习方法已经取得了显著的进展。然而，在处理复杂纹理和细节丰富的图像时，现有模型生成的图像会出现模糊、纹理细节不清晰等问题，主要原因是原始DDPM采用的unet网络在捕捉高度细... 详细信息

在图像生成领域，基于去噪扩散概率模型（DDPM）的深度学习方法已经取得了显著的进展。然而，在处理复杂纹理和细节丰富的图像时，现有模型生成的图像会出现模糊、纹理细节不清晰等问题，主要原因是原始DDPM采用的unet网络在捕捉高度细节化图像特征时存在一定局限性。为解决这一问题，提出了一种基于多尺度卷积和融合注意力机制的新型unet网络，命名为MCFA-unet。该网络通过在编码器和解码器中引入残差块和线性注意力多尺度卷积模块，并在跳跃连接中加入多尺度融合注意力组件，提升了对图像细节的捕捉能力及生成图像的整体质量。实验结果显示，在唐卡数据集、Cifar10和ImageNet-64公共数据集上，采用MCFA-unet的DDPM模型优于原始的DDPM模型，得到了更低的FID值和更高的主观评价得分，证明了其改进效果的显著性。

关键词：图像生成 DDPM unet AIGC

来源：

同方期刊数据库评论

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

基于CBAM-DSC-unet模型的时空风速预测算法

引用

太阳能学报 2024年

作者：赵陆阳刘长良刘卫亮李洋王昕康佳垚华北电力大学控制与计算机工程学院保定市综合能源系统状态检测与优化调控重点实验室国家能源集团新能源技术研究院有限公司

针对时空风速预测任务通常使用的卷积神经网络（CNN）和循环神经网络（RNN）联合建模方法中空间信息损失的问题，提出一种基于CBAM-DSC-unet模型的时空风速预测算法，用于提升空间信息利用率与模型预测精度。该算法将时空风速预测问题... 详细信息

针对时空风速预测任务通常使用的卷积神经网络（CNN）和循环神经网络（RNN）联合建模方法中空间信息损失的问题，提出一种基于CBAM-DSC-unet模型的时空风速预测算法，用于提升空间信息利用率与模型预测精度。该算法将时空风速预测问题视为视频预测问题，在提取时空相关性的同时保持空间信息，进而直接输出未来多步的空间风速矩阵。以美国怀俄明州某风电场实际数据为算例进行实验，结果表明，相比其他对比算法，基于CBAM-DSC-unet模型的时空风速预测算法的平均绝对误差下降了8.5%～15.9%，精度有较大提升。

关键词：风力预测卷积神经网络时空数据 unet 多风电机组

来源：

同方期刊数据库评论

在线全文

同方期刊数据库

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

在线全文

在线全文

在线全文

在线全文

在线全文

在线全文

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

在线全文

在线全文

在线全文

在线全文

在线全文

在线全文

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：