基于改进U-Net的人脑黑质致密部分割

人脑黑质致密部分割能够为帕金森病的诊断提供一定依据。黑质致密部在人脑核磁共振成像中像素占比低、类间差异小,为提高计算机辅助诊断系统对人脑黑质致密部的分割精度,提出一种基于改进U形神经网络（U-Net）的人脑黑质致密部分割方法。为了提取更多有效的多尺度图像语义特征,结合U-Net的跨连接结构并采用多头注意力机制,同时融合基于Transformer编码器的高维语义编码模块以提取高维语义特征,避免浅层噪声对特征造成的影响。建立多任务模型并设计基于二维高斯核权重掩膜的损失函数,解决神经网络分割模型因多次下采样造成的不连续分割误差问题。构建包括140个帕金森病患者以及48个健康对照者的高精度核磁共振脑成像数据集进行实验,结果表明,相较常用的医疗影像分割方法R2U-Net、HANet等,该方法的多任务分割效果取得明显提升,戴斯相关系数和AUC指标分别达到0.869 1和0.943 9,消融实验结果也验证了改进编码器和改进损失这2个模块的有效性。     

基于多尺度高阶注意力机制的视网膜血管分割

视网膜血管分割对于辅助医生诊断糖尿病性视网膜病变、黄斑萎缩、青光眼等眼科疾病具有重要意义. 注意力机制被广泛用于U-Net及其变体中以提高血管分割模型的性能. 为进一步提高视网膜血管的分割精度, 挖掘视网膜图像中的高阶及全局上下文信息, 本文提出基于多尺度高阶注意力机制的模型(multi-scale high-order attention network, MHA-Net). 首先, 多尺度高阶注意力(multi-scale high-order attention, MHA)模块从深层特征图中提取多尺度和全局特征计算初始化注意力图, 从而改进模型处理医学图像分割时尺度不变的缺陷. 接下来, 该模块通过图的传递闭包构建注意力图, 进而提取高阶的深层特征. 通过将多尺度高阶注意力模块应用于编码器-解码器结构中, 在彩色眼底图像数据集DRIVE上进行血管分割, 实验结果表明, 基于多尺度高阶注意力机制的视网膜血管分割方法有效地提高了分割的精度.     

基于NARX神经网络的高炉冶炼过程Si元素的预测与智能控制

使用NARX动态神经网络建立高炉冶炼过程中Si元素的单步预测与双步预测模型,分析使用NARX神经网络建模在过程工业中进行动态控制的可行性。通过实验结果发现,单步预测的命中率(误差±0:1)达到了近100%,而方向预测的正确率达到了80%。同时,双步预测的命中率也达到了近100%,而对变化方向的预测的准确率达到了90%,可以看出运用NARX神经网络对高炉冶炼过程Si元素进行预测控制的可行性并具有较高的预测精度。