结合通道空间加权特征金字塔网络的白细胞检测与分割

白细胞的准确检测和精确分割是一项具有挑战性的医学图像处理任务.在显微镜下获取的白细胞图像会受到染色杂质的影响,且白细胞种类繁多、形态各异、类间差别小,还存在相互重叠相互粘连的现象,导致细胞边缘无法被准确分割,上述问题一直都是白细胞图像检测和分割的难点.针对以上问题,基于Mask R-CNN提出了结合注意力机制多尺度特征融合的白细胞检测方法.在Mask R-CNN结构的基础上,在特征金字塔网络(FPN)模块中融合了注意力机制模块,提出了通道空间加权特征金字塔网络.该结构不仅可以学习特征图中重要通道特征的权重大小,还可以学习层中重要特征区域的表示.同时,在网络结构中加入了Skip-FPN模块,该模块通过短连接融合更多白细胞的底层细节信息,从而更准确地检测白细胞,更精确地进行白细胞的形态分割.实验结果表明,所提方法具有良好的检测与分割性能.在Kaggle开源数据集下,所提方法对白细胞检测的指标mAP值达到了98.25％,与改进前相比提高了1.25％;分割的平均精度mIoU值达到了89.30％,与改进前相比提高了0.002％.     

基于多模态表示学习的阿尔兹海默症诊断算法

阿尔茨海默症是一种典型的涉及多种致病因素的神经系统退行性疾病.然而,阿尔茨海默症的病因尚不明确,病程不可逆转,且无治愈方法,因此其早期诊断和治疗一直是人们关注的重点.受试者的神经影像数据对于该疾病的诊断具有重要的辅助作用,而结合多个模态的数据可进一步提高诊断效果.目前,联合该疾病的多模态数据进行辅助诊断逐渐成为一个新兴的研究领域.在此提出了一种基于自编码器的多模态表示学习方法,用于阿尔茨海默症的诊断.首先将多个模态的数据进行初步融合,得到初级的共同表示;然后将其送入自编码器网络,学习隐空间中的共同表示;最后对隐空间中的共同表示进行分类,得到疾病的诊断结果.在国际公开ADNI数据集上,所提算法对患病和健康受试者的诊断准确率达到88.9％,与同类算法相比取得了最好的诊断效果.实验结果验证了所提算法对阿尔茨海默症诊断的有效性.     

脉搏数据优化研究

目前脉搏信号采集系统以高采样率获取脉搏数据进而实现精确计算脉搏间期和脉率等生理信息,这对硬件设备的要求高,并且需要大量的存储空间。针对该问题,设计一款脉搏采集装置获取脉搏数据,综合脉搏波形特征和自适应阈值进行脉搏波识别,结合曲线拟合原理提出一种基于软件层面对脉搏主波数据进行优化处理的方法。该方法通过软件滤波达到平滑脉搏波形的效果,解决了数据采集过程中产生的过饱和现象和脉搏波不平滑问题,同时能够以60 Hz的采样率达到6 kHz采样率的精度,脉搏识别率达到99.93%以上。通过Matlab仿真实验表明,相比于经典的差分阈值法,该方法实现的脉搏间隔和脉率误差降低,精确度明显提升,节省了存储空间,具有很高的工程实用性。     

单幅图像超分辨率重建技术研究进展

图像分辨率是衡量一幅图像质量的重要标准. 在军事、医学和安防等领域, 高分辨率图像是专业人士分析问题并做出准确判断的前提. 根据成像采集设备、退化因素等条件对低分辨率图像进行超分辨率重建成为一个既具有研究价值又极具挑战性的难点问题. 首先简述了图像超分辨率重建的概念、重建思想和方法分类; 然后重点分析用于单幅图像超分辨率重建的空域方法, 梳理基于插值和基于学习两大类重建方法中的代表性算法及其特点; 之后结合用于超分辨率重建技术的数据集, 重点分析比较了传统超分辨率重建方法和基于深度学习的典型超分辨率重建方法的性能; 最后对图像超分辨率重建未来的发展趋势进行展望.     

一种融合社区结构信息的网络表示学习算法

为研究社区结构对网络表示学习的影响,提出了一种新颖的融合社区结构信息的网络表示学习算法(CINE).通过借鉴模块度思想,将社区结构吸收到基于矩阵分解的模型中以保留网络内部的社区结构;设计一个整体的目标函数,在捕获社区结构信息的同时也融合了节点间的1阶2阶邻近性信息和节点的属性信息,最终得到包含原始网络中3类信息的节点表...     

基于超声相控阵的机织层合复合薄板试件内部缺陷检测方法

针对机织层合薄板复合材料试件的内部缺陷,采用超声相控阵检测法对其进行超声100%扫查,并对得到的超声定位的缺陷区域进行分析;建立了超声回波A扫描波形图、B扫描图像以及C扫描图像和机织层合板复合材料内部区域缺陷分布的对应关系,分析比较了复合材料试件分别在同时激发4、8、16个晶片(阵元)的条件下得到的超声检测结果图,并在相控阵设置最优条件下对复合材料进行横纵方向超声扫描得到检测图,针对C扫描得到的缺陷扫查图进行定量分析。研究结果表明:扫描得到的超声A扫描波形图、B扫描图像以及C扫描图像在复合材料缺陷的位置上有一一对应的关系,超声相控阵检测法可用于机织层合板复合材料的无损检测及其缺陷的初步评价。     

L频段宽带GaN芯片高功率放大器设计

针对当前无线通信系统中射频功率放大器工作带宽窄、输出功率和附加效率低的缺点,本文基于 CREE 公司的 GaN 功率管设计了一款新型的 L 频段宽带大功率射频功率放大器。用源牵引和负载牵引技术测得工作频段内最佳输入输出阻抗,再通过集总参数元件与微带线结合的方法设计宽带匹配网络,并对放大器功率、效率以及谐波分量等指标进行测试。测试数据表明,当放大器工作在 L 频段300 MHz 带宽内(相对工作带宽为27.7%),输入功率为34 dBm的连续波(CW)时,其输出功率可达50.4 dBm(108 W),附加效率不低于48%,平坦度为±0.1 dB。因此,本文设计的 GaN 射频宽带功率放大器具有带宽宽、效率高、功率大的特点,具备应用价值。     

眼底图像质量分类综述

眼底视网膜是唯一可用肉眼直接并集中观察到动脉、静脉与毛细血管的部位,因而眼底图像成为医生诊断眼底疾病及糖尿病、高血压、高血脂等疾病的重要依据.高质量的眼底图像是医生对眼底疾病患者进行病情诊断与治疗的前提.根据眼底相机采集到的视网膜图像中眼底结构清晰度、图像对比度等条件对眼底图像质量进行分类成为一个既具有研究价值又极具挑战性的难点问题.首先简述了眼底图像质量分类的研究意义和实用价值,回顾了其发展历史;然后介绍了方法分类、每类方法的基本思想并梳理了各类方法中代表性算法及其特点;之后针对用于眼底质量分类的数据集,分析比较了主要眼底图像质量分类方法的性能.分析表明,传统方法中依据眼底结构特征判断视网膜图像质量相较于通用图像质量参数更加客观,而随着神经网络与机器学习的出现,在大数据驱动下,基于卷积神经网络的质量分类方法在准确率与鲁棒性方面性能更佳.最后对眼底图像质量分类未来的发展趋势进行展望.     

基于多重感受野UNet的仪表图像分割方法

为解决现有深度学习图像分割算法不能有效分割指针仪表图像中密集小目标的问题,提出基于多重感受野UNet的仪表图像分割方法.将自编码器结构和空洞卷积结构结合,使多尺度浅层特征和深层语义信息融合;以多种光照强度下采集的指针仪表数据训练模型,充分提升神经网络的泛化能力;并行调节空洞卷积参数,使神经网络学习到最优模型.实验结果表...