基于ConA-FPN的肝脏肿瘤检测算法

深度学习方法在病灶检测任务中被广泛应用,但因肝脏肿瘤较小和样本较少的问题,导致无法达到辅助诊断的准确率要求。针对以上问题,提出基于ConA-FPN的肝脏肿瘤检测算法,具体过程为：使用融合ResNet和注意力机制的特征金字塔替换Faster R-CNN中的特征提取网络;使用融合特征解决特征金字塔中的高层模块通道信息损失问题,通过添加CAG注意力机制解决了特征融合带来的特征混叠问题,增强模型对小肿瘤的检测能力;使用迁移学习和数据增强提升模型在小数据集上的检测能力和泛化能力。实验结果表明,ConA-FPN在LITS2017和3D-IRCADB上的平均精度达到87.43%,明显优于主流检测模型。     

轻量化神经网络卷积设计研究进展

传统神经网络具有过度依赖硬件资源和对应用设备性能要求较高的缺点,因此无法部署于算力有限的边缘设备和移动终端上,人工智能技术的应用发展在一定程度上受到了限制.然而,随着科技时代的到来,受用户需求影响的人工智能迫切需要在便携式设备上能成功进行如计算机视觉应用等方面的操作.为此,以近几年流行的轻量化神经网络中的卷积部分为研究...     

多尺度自适应融合的肝脏肿瘤检测

目的 针对肝脏肿瘤检测方法对小尺寸肿瘤的检测能力较差和检测网络参数量过大的问题,在改进EfficientDet的基础上,提出用于肝脏肿瘤检测的多尺度自适应融合网络MAEfficientDet-D0(multiscale adaptive fusion network-D0)和MAEfficientDet-D1。方法 首先,利用高效倒置瓶颈块替换EfficientDet骨干网络的移动倒置瓶颈块,在保证计算效率的同时,有效解决移动倒置瓶颈块的挤压激励网络维度和参数量较大的问题;其次,在特征融合网络前添加多尺度块,以扩大网络有效感受野,提高体积偏小病灶的检测能力;最后,提出多通路自适应加权特征融合块,以解决低层病灶特征图的语义偏弱和高层病灶特征图的细节感知能力较差的问题,提高了特征的利用率和增强模型对小尺寸肝脏肿瘤的检测能力。结果 实验表明,高效倒置瓶颈层在少量增加网络复杂性的同时,可以有效提高网络对模糊图像的检测精度;多通路自适应加权特征融合模块可以有效融合含有上下文信息的深层特征和含有细节信息的浅层特征,进一步提高了模型对病灶特征的表达能力;多尺度自适应融合网络对肝脏肿瘤检测的效果明显优...