【摘 要】
：
CT(Computed Tomography)肺部图像的毛玻璃病变是检测新冠肺炎的重要指标之一,准确分割病变区域对诊断、治疗和预后有重要意义。然而,作为世界性的流行性疾病,新冠肺炎患者肺部的病变类型、大小会随着人口种群、病情以及采集设备的不同存在较大差异,难以获得具备泛化能力的定量分析模型。本文提出一种基于U-net的深度卷积网络,通过提取感兴趣区(region of interest, ROI)
论文部分内容阅读
CT(Computed Tomography)肺部图像的毛玻璃病变是检测新冠肺炎的重要指标之一,准确分割病变区域对诊断、治疗和预后有重要意义。然而,作为世界性的流行性疾病,新冠肺炎患者肺部的病变类型、大小会随着人口种群、病情以及采集设备的不同存在较大差异,难以获得具备泛化能力的定量分析模型。本文提出一种基于U-net的深度卷积网络,通过提取感兴趣区(region of interest, ROI)解决分割中前景背景不均衡的问题;同时,我们集成不同分辨率的网络,通过不同的感受野实现鲁棒分割多种分辨率图
其他文献
建立了顶空固相微萃取/气相色谱/质谱法测定水体中2-甲基异莰醇、土臭素、2-异丙基-3-甲氧基吡嗪、2-异丁基-3-甲氧基吡嗪、4-氯苯甲醚、2,4,6-三氯苯甲醚、2,4,6-三溴苯甲醚、2-叔丁基苯酚、4-叔丁基苯酚、4-丁基苯酚和2,4-二叔丁基苯酚等11种异味物质的分析方法。系统分析了固相微萃取涂层、氯化钠加入量、萃取时间、萃取温度和振荡速度对富集效果的影响。结果表明,选择50/30μm
黑龙江小城市城镇化率相对较高,但城市特征不明显,水资源利用不充分,传统滨水空间利用不足。故急需转变观念构筑全新的规划理念,以促进城市资源统筹、价值提升和有效开发。完善滨水景观带的开发建设是小城市保障民生、实现高质量发展的一条重要的城市更新路径。文章基于黑龙江小城市的特点,以富锦市为例,探索黑龙江小城市滨水景观带规划策略,为东北振兴及城市更新提供思路与方法借鉴。
为了探索土壤有机质含量在空间分布上的特征,更好地服务于土地生产力和土壤肥力评价,以北京市平谷区西北部桃园为研究对象,通过地统计学方法分析了土壤有机质空间尺度效应。结果表明,指数模型对土壤有机质含量拟合效果最佳,各尺度上的样点数据均符合正态分布,其空间结构对空间尺度的依赖性较明显;理论半方差变异函数I值和■检验表明,L尺度下普通克里格法预测效果比套合模型法好,在M、S尺度下结果刚好相反;土壤有机质含
苹果的采后分级能够提高其经济价值和市场竞争力,为了实现基于重量的无接触苹果智能分级,提出了基于机器视觉的苹果重量检测方法。首先,采集苹果图像进行预处理,得到平滑无噪声的苹果二值图像。然后,用最小外接矩形方法获得苹果的横径和纵径等主要几何外形特征,建立以苹果外形几何特征为参数的重量检测回归模型。结果表明,苹果重量检测值相对误差低于2%,最大绝对误差不超过4 g,检测准确性较高。采用非接触式的检测可以
为了实现输电线路渉鸟故障的差异化防治,提出一种基于深度迁移学习的危害鸟种图像识别方法。根据历史渉鸟故障的鸟种信息及输电走廊周边鸟种调查结果,建立88种相关鸟类图像数据集,采用类激活映射进行图像预处理,滤除复杂背景噪声。基于迁移学习的思想,首先利用AlexNet、VGG16、ResNet50、Inception V3这4种深度卷积网络架构建立学习模型,采用ImageNet图像数据集对其进行预训练,通
为了解决气体绝缘开关设备内部细微缺陷X-DR成像重影雾化、纹理不清晰、易造成误诊断等问题,提出一种基于超分辨率注意力机制改进的气体绝缘开关(gas insulated switchgear,GIS)内部细微缺陷X-DR图像检测算法。该方法以高效亚像素卷积神经网络为框架,引入双层计算机注意力机制SE模块,构成新颖的SE-ESPCN超分辨率网络。通过对GIS设备X-DR图像通道重要程度进行评判,赋予图
无人机(unmanned aerial vehicle,UAV)电力巡检时的图像数据量急剧增加,为使深度卷积神经网络(deep convolutional neural network,DCNN)在低功耗的前提下仍能准确识别出电力缺陷,将重点改进传统DCNN算法,以减少机载前端平台中DCNN模型的计算成本,有效提高电力缺陷识别的运行速度,进而延长巡检无人机的续航里程。首先将卷积网络中的浮点运算进行
在近期的研究发展中,语义分割取得了巨大的进步。但大多数方法都是从空间角度出发,来获取更加丰富的上下文信息。与以往的方法不同,本文提出了一种基于类别注意机制的特征融合方法,从类别角度出发,来获取全局上下文信息,并与其他特征信息进行融合,这种方法能够更好地表示图像中各类目标的特征,具有更好的类内聚合性。为此,本文使用了一种ACF(类别注意力特征)模块,以计算和构建图像中各类目标的类别中心,以此为基础得
针对许多应用于高光谱图像分类的传统算法存在的分类精度低、光谱和空间信息利用不充分的问题,提出了一种基于二次空间处理的联合稀疏表示高光谱图像分类算法。在字典训练之前提取形态学特征,和光谱特征共同构建初始字典,以达到更快训练出较高质量的字典原子的目的。为了充分利用空间信息,首先通过超像素分割获取边缘信息,然后在超像素边缘和固定邻域双重约束下通过权值计算自适应选择邻域原子,实现空间信息的二次利用。在两个
现有的移动终端实时语义分割算法对图像细节特征的处理能力较差,空间特征丢失严重。针对上述问题,提出了一种融合不同层级空间特征的方法,基于改进的ENet,在下采样层使用反向残差结构,增加网络计算过程中图像信息的获取,减少下采样造成的图像空间特征丢失。通过空间注意力对图像空间特征进行筛选,增强相关特征,削弱不相关特征。该方法将高分辨率的浅层空间特征与具有丰富语义信息的深层特征融合,提高了网络对图像细节特