乳腺超声肿瘤动态噪声指数及分割算法

目的 深度学习在各种语义分割任务中取得了优异的性能,但需要大量带有准确标注的训练样本。乳腺超声由于其成像特点,导致图像对比度和分辨率低、斑点噪声较高、组织间边界模糊等,这些问题导致精确标注十分困难。超声分割数据集中存在较多非准确的标注,这些数据即标注噪声。若训练集中包含一定量的噪声,将会极大地影响网络的分割准确度。为了解决该问题,提出了一种针对超声图像的动态噪声指数及分割算法,实现在乳腺超声数据包含噪声的情况下肿瘤区域的准确分割。方法 针对超声图像的噪声特点提出动态噪声指数（dynamic noise index,DNI）;在网络训练过程中实时更新DNI,并在每次迭代结束后计算整个训练集的DNI分布,进而实现对噪声数据的可检测;提出一个改进的损失函数以增强网络噪声检测性能,同时结合DNI降低噪声对训练反向传播的影响。最后本文将动态噪声指数和改进的损失函数联合形成一个噪声容忍框架,该框架可以应用于其他分割网络。结果 本文将噪声容忍框架和多种分割网络进行结合,并在两个数据集上进行实验。公开数据集的实验结果显示,增加噪声容忍框架的网络相比于原网络各指标提高了8%~12%。本文构建了一个包含1 805幅图像的乳腺超声肿瘤分割数据集,结合噪声容忍框架之后的网络各指标也取得了4%~7%的提升。结论 本文提出的动态噪声指数及分割算法针对不同噪声比例的训练数据集,对噪声均能有效地抑制,并取得稳定的分割性能。     

基于C#的OPC客户端设计

现代工业生产过程的数据采集要求高采样率和传输的高实时性,而现有OPC数据采集客户端不能满足要求.为了解决这个问题,通过分析OPC标准、服务器数据访问接口和组建对象模型,并结合当前工业控制中数据采集的特点,设计实现了基于订阅式数据采集方式的OPC客户端.该方案在解决当前工业数据采集中遇到的问题具有较高的应用价值.并在实际的生产环境中验证了其与标准OPC服务器在数据传输的稳定性和实时性,为生产过程控制提供了可靠的数据基础.     

面向生产管控的多源数据处理技术

为了解决流程型生产车间数据种类多、数据质量参差不齐影响生产管控的问题,提出了面向多源数据的数据分类处理技术,采用数据分类与滑动窗口相结合的方式进行数据处理.首先,根据生产数据特点建立数据模型,然后进行数据分类.主要分为状态数据、开关数据、逻辑数据3类,不同类型的数据使用不同处理算法;同时采用滑动窗口解决不同任务对数据实时性和完整性要求不同的难点.最后,该数据分类处理模型在实际生产环境投入使用,验证了对生产数据处理的准确性和实时性.结果表明,将处理后的数据应用于生产管控,管控误差率降低至不足1%.     

乳腺超声图像中易混淆困难样本的分类方法

目的 超声诊断常作为乳腺肿瘤首选的影像学检查和术前评估方法,但存在良恶性结节的图像表现重叠、诊断严重依赖医生经验,以及需要较多人机交互等问题。为减少误诊和不必要的穿刺活检率,以及提高诊断自动化程度,本文提出一种端到端的模型,实现结节区域自动提取及良恶性鉴别。方法 就超声图像散斑噪声问题使用基于边缘增强的各向异性扩散去噪模型（edge enhanced anisotropic diffusion,EEAD）实现数据预处理,之后针对结节良恶性特征提出一个改进的损失函数以增强鉴别性能,通过形状描述符组合挖掘因形状与其他类别相似从而易导致错判的困难样本,为使该部分困难样本具有更好的区分性,应用改进的损失函数,并在此基础上构建困难样本形状约束损失项,用来调整形状相似但类别不同样本间的特征映射。结果 为验证算法的有效性,构建了一个包含1 805幅图像的乳腺超声数据集,在该数据集上具有5年资历医生的平均判断准确率为85.3%,而本文方法在该数据集上分类正确率为92.58%,敏感性为90.44%,特异性为93.72%,AUC （area under curve）为0.946,均优于对比算法;相对传统Softmax损失函数,各评价指标提高了5% 12%。结论 本文提出了一个端到端的乳腺超声图像分类方法,实用性强;通过将医学知识融合到优化模型,增加的困难样本形状约束损失项可提高乳腺肿瘤良恶性诊断的准确性和鲁棒性,各项评价指标均高于超声科医生,具有临床应用价值。     

结构约束下的生成对抗深度图修复

不同于纹理图像，深度图像中的像素点代表采集设备到场景各点的距离，直接使用通用图像修复方法并不能有效恢复深度图像中缺失区域的场景结构，本文提出一个两阶段编解码结构的生成对抗网络以解决深度图像修复问题。与常见生成对抗网络（Generative adversarial networks，GAN）模型不同，本文的生成器网络包括深度生成G1和深度修复G2两个模块。G1模块从RGB图像得到预测深度，替换待修复深度图像缺失区域，保证修复区域局部结构一致性。G2模块引入RGB图像边缘结构，保证全局结构一致性。针对现有图像修复方法没有考虑到修复区域间的一致性问题，设计结构一致注意力模块（Structure coherent attention，SCA）加入到G2中改善修复效果。本文提出的深度图像修复模型在主流数据集上进行了验证，利用结构约束并经过两阶段的生成器模型和判别器模型的共同作用，有效改善了深度图像修复效果。