融合型UNet++网络的超声胎儿头部边缘检测

目的 超声胎儿头部边缘检测是胎儿头围测量的关键步骤,因胎儿头部超声图像边界模糊、超声声影造成图像中胎儿颅骨部分缺失、羊水及子宫壁形成与胎儿头部纹理及灰度相似的结构等因素干扰,给超声胎儿头部边缘检测及头围测量带来一定的难度。本文提出一种基于端到端的神经网络超声图像分割方法,用于胎儿头部边缘检测。方法 以UNet++神经网络结构为基础,结合UNet++最后一层特征,构成融合型UNet++网络。训练过程中,为缓解模型训练过拟合问题,在每一卷积层后接一个空间dropout层。具体思路是通过融合型UNet++深度神经网络提取超声胎儿头部图像特征,通过胎儿头部区域概率图预测,输出胎儿头部语义分割的感兴趣区域。进一步获取胎儿的头部边缘关键点信息,并采用边缘曲线拟合方法拟合边缘,最终测量出胎儿头围大小。结果 针对现有2维超声胎儿头围自动测量公开数据集HC18,以Dice系数、Hausdorff距离（HD）、头围绝对差值（AD）等指标评估本文模型性能,结果Dice系数为98.06%,HD距离为1.21±0.69 mm,头围测量AD为1.84±1.73 mm。在妊娠中期测试数据中,Dice系数为98.24%,HD距离为1.15±0.59 mm,头围测量AD为1.76±1.55 mm。在生物医学图像分析平台Grand Challenge上HC18数据集已提交结果中,融合型UNet++的Dice系数排在第3名,HD排在第2名,AD排在第10名。结论 与经典超声胎儿头围测量方法及已有的机器学习方法应用研究相比,融合型UNet++能有效克服超声边界模糊、边缘缺失等干扰,精准分割出胎儿头部感兴趣区域,获取边缘关键点信息。与现有神经网络框架相比,融合型UNet++能充分利用上下文相关信息与局部定位功能,在妊娠中期的头围测量中,本文方法明显优于其他方法。     

用于胎儿超声切面识别的知识蒸馏方法

胎儿超声切面识别是产前超声检查的主要任务之一,直接影响了产前超声检查的质量.近年来,深度神经网络方法在临床超声辅助诊断方面取得了许多进展.然而,已有研究大多应用预训练模型微调进行迁移学习,这不仅容易导致参数冗余和过拟合问题,而且限制了在实际应用中的实时分析能力.本文提出用于胎儿超声切面识别的知识蒸馏方法.第1阶段,在学...     

基于AE-CNN的手势识别算法

在手势识别的过程中,手势的多样性和复杂程度会对手势识别率造成很大的影响。随着深度学习的快速发展,卷积神经网络在手势识别领域取得了突破性进展。但基于卷积神经网络的方法仍存在收敛速度慢、识别率低等问题,因此手势识别很难取得较好成果。为了解决卷积神经网络在手势识别中存在的收敛速度慢、识别率低问题,提出一种AE-CNN的手势识别算法。实验结果表明,该算法收敛速度快、识别准确率高,并且没有明显增加识别过程的耗时性。     

基于深度学习和度量学习的行人再识别算法

摄像机拍摄同一个行人受到光照、行为姿态等因素的影响,导致其外观出现明显的差别,为行人再识别研究带来一定的挑战.依托深度及度量学习提出行人再识别方法.基于深度学习对图像进行去雾处理,通过局部最大特征及距离度量学习完成特征提取以及距离计算.根据实验发现,所使用的行人再识别算法非常有效,具有较高的识别率和匹配率.     

基于深度神经网络的行为识别算法

在计算机视觉领域中,行为识别是重点研究问题.而随着大规模行为数据的收集以及计算机水平的提升,深度神经网络得到了长足发展,计算机视觉性能超越了以往,但是当前方法也存在一些局限.本文就深度神经网络中的行为识别算法展开研究,首先阐述了行为识别现状,其次分布分析了RGB视频行为识别和人体骨架3D行为识别.     

基于主动学习的命名实体识别算法

命名实体识别的目的是识别文本中的实体指称的边界和类别.在进行命名实体识别模型训练的过程中,通常需要大量的标注样本.本文通过实现有效的选择算法,从大量样本中选择适合模型更新的样本,减少对样本的标注工作.通过5组对比实验,验证使用有效的选择算法能够获得更好的样本集,实现具有针对性的标注样本.通过设计在微博网络数据集上的实验...     

基于YOLOv3的手势识别算法

随着手势识别技术和人机交互技术的不断进步,出现了很多人机交互的汽车控制方式。手势交互具有便捷、直观、形象的特点,能够改善传统的方向盘控制模式。基于此,设计基于YOLOv3的手势识别算法。该算法通过优化训练方式调整非极大值抑制（Non-Maximum Suppression,NMS）阈值,进一步提高了手势识别算法的性能。     

程序段识别算法研究

静态反汇编中会遇到间接跳转和间接调用类指令,对这类指令引用的目标是否为程序比较难以判断。该文提出一种建立程序流程全图的程序段识别算法,给出算法数据结构设计和详细的流程描述,说明程序流程全图中异常节点的剔除方法,测试结果证明了算法的有效性。     

基于局部纹理特征的超声甲状腺结节良恶性识别

为了实现超声甲状腺结节的自动分类,本文提出了一种利用局部纹理特征与多示例学习方法相结合以克服结节区域特征信息的重叠性。从感兴趣区域提取其局部纹理特征,将感兴趣区域看作由所有局部特征构成的示例包,再采用多示例学习方法中的Citation-kNN算法来实现对样本进行识别分类。实验结果表明,本文方法对超声甲状腺结节良恶性识别具有较高的分类准确率,且分类准确率达85.59%,可应用于甲状腺临床诊断并为其相关领域提供有效参考。     

基于深度学习的疲劳状态识别算法

目前国内外的疲劳状态识别算法大多数是基于单一的、人为制定的疲劳状态特征实现的,且大部分算法结构复杂,效率比较低下,对驾驶员的个人行为习惯的适应性不强。为此,提出一种基于深度学习的疲劳状态识别算法,它引入深信度网络(DBN)来模拟输入图像数据分布,完成对疲劳特征的分层自动抽取,进而基于时间窗实现视频流图像的疲劳状态识别;同时,算法自适应调整网络学习率以减少网络预训练时间,采用反馈机制实现网络自进化,从而提高对用户个性化疲劳特征的适应性。实验结果表明,算法可以使网络获取到良好的疲劳特征,且误判率会随使用时间的增加而逐渐降低。     

基于纹理特征的超声图像乳腺肿块识别

针对乳腺超声图像,提出一种基于图像纹理特征提取的乳腺肿块识别方法,从而有助于使用计算机辅助鉴别的方法判断乳腺肿块是否发生癌变,辅助放射科医生对影像的性质作出预判.首先对乳腺超声图像进行最大响应滤波处理,在保证一定边缘组织结构完整的同时去除主要的噪声干扰.在此基础上,提取乳腺图像的一阶和二阶纹理特征,然后用人工神经网络对...     

基于深度神经网络的胎儿体重预测

由于胎儿体重是反映胎儿生长发育情况、宫内异常妊娠情况的重要指标,因此,胎儿的估重是医生对产妇进行临床处理的一个重要依据。传统胎儿体重预测模型的构建依赖于医学知识与生理参数选择,因此构建过程不易进行复制与推广。针对这些问题,提出一种使用深度神经网络来构建胎儿体重预测模型的方法,同时介绍了从电子病历中提取相关参数的过程,以及针对数据缺失值的补全策略。实验表明,基于深度神经网络的胎儿体重预测模型优于公式预测方法与基于传统人工神经网络的模型,且提出的缺失值补全策略能够强化模型的训练,进而提高预测的准确度。最后,基于深度神经网络的胎儿体重预测模型有很强的泛化能力与通用性,为不同地区、不同医院建立个性化的预测模型提供了可行方法。     

基于三维注意力机制的车辆重识别算法

为解决套牌车识别难度大的问题,通过深度学习的技术,基于ResNet-50,结合通道注意力机制和位置注意力机制,设计了一种三维注意力机制对近似车辆进行精确识别;解决了当前大部分注意力算法都关注于一维的通道注意力和二维的位置注意力,而处理的图像数据是三维的,不能将注意力集中在所有需要关注的区域,造成部分关键信息遗失的问题;该三维注意力机制在多种视觉任务下均有很好的效果,在Cifar100数据集上,相比SENet有1.12%的提升,在PKU VehicleID数据集上,相比SENet平均有2%的提升。     

超声图像胎儿颅骨椭圆自动检测方法

为了对胎儿进行准确的头周测量和脑畸形诊断,需要自动准确地检测胎儿颅骨椭圆,为此提出了一种超声图像胎儿颅骨椭圆的自动检测方法.该方法首先使用K-均值算法将像素分为3类;然后取出亮物体,仅保留其中较大的连通分量;最后抽取骨架后再使用随机Hough变换(RHT)进行椭圆检测.该方法采用的预处理过程,使RHT需要考察的像素数极大地减少,从而提高了检测速度;另外,该方法还提出了一种新的RHT得分机制,由于该机制综合考虑了颅骨曲线在图像空问和参数空间的表现,从而提高了检测精度.     

基于遗传算法的水平集超声图像分割

鉴于医学超声图像的信噪比较低,用经典的边缘提取算法无法得到较好的结果,因此,提出超声图像自动分割的一种新方法.其基本思想是在水平集分割方法的基础上,以能量函数作为评价函数,把图像分割问题变成一个优化问题,利用遗传算法的寻优高效性,搜索到能使分割质量到达最优的轮廓曲线.应用此方法对肝脏超声图像进行肿瘤的边缘提取,得到比较好的结果,从而完成图像的自动分割.     

基于区域的图像信息隐藏算法

提出一种空间域信息隐藏算法。该算法结合了LSB和MSB的优点,将灰度值划分成一个个等长度区间,在每个区间都嵌入信息。信息嵌入是通过修改灰度值,而灰度值的变化是在区间范围内的,由于区间的范围较小,从而能够保证引起的图像失真是不可觉察的。同时考虑人类视觉系统的相关特性,选择出可用像素位置来嵌入信息,放弃不可用像素位置,进一步提高不可觉察性这一技术指标。实验结果表明,该算法隐藏容量较大,有较好的鲁棒性且易于实现。     

基于区域的图像信息隐藏算法

提出一种空间域信息隐藏算法。该算法结合了LSB和MSB的优点，将灰度值划分成一个个等长度区间，在每个区间都嵌入信息。信息嵌入是通过修改灰度值，而灰度值的变化是在区间范围内的，由于区间的范围较小，从而能够保证引起的图像失真是不可觉察的。同时考虑人类视觉系统的相关特性，选择出可用像素位置来嵌入信息，放弃不可用像素位置，进一步提高不可觉察性这一技术指标。实验结果表明，该算法隐藏容量较大，有较好的鲁棒性且易于实现。