跨模态融合的双注意力脑肿瘤分割算法

针对脑肿瘤多模态信息融合不充分以及肿瘤区域细节信息丢失等问题,提出了一种跨模态融合的双注意力脑肿瘤图像分割网络(CFDA-Net).在编码器-解码器的基础结构上,首先在编码器分支采用密集块与大内核注意力并行的新卷积块,可以使全局和局部信息有效融合且可以防止反向传播时梯度消失的问题;其次在编码器的第2、3和4层的左侧加入多模态深度融合模块,有效地利用不同模态间的互补信息;然后在解码器分支使用Shuffle Attention注意力将特征图分组处理后再聚合,其中分组的子特征一分为二地获取空间与通道的重要注意特征.最后使用二进制交叉熵(binary cross entropy, BCE)、Dice Loss与L2 Loss组成新的混合损失函数,缓解了脑肿瘤数据的类别不平衡问题,进一步提升分割性能.在BraTS2019脑肿瘤数据集上的实验结果表明,该模型在整体肿瘤区域、肿瘤核心区域和肿瘤增强区域的平均Dice系数值分别为0.887、0.892和0.815.与其他先进的分割方法 ADHDC-Net、SDS-MSA-Net等相比,该模型在肿瘤核心区域和增强区域具有更好的分割效果.     

列车出入库自动识别系统设计

为了实现列车出入库信息的自动记录,设计了一套基于物联网技术的列车出入库自动识别系统,包括智能传感器节点、网关、服务器及客户端。智能传感器节点自带大容量电池,采用超声波传感器识别列车出入库,使用RFID技术获取列车信息,通过LoRa通信的方式将数据经LoRa网关发送到LoRa通信服务器,LoRa通信服务器再将数据转发至数据库服务器。智能传感器节点与LoRa网关之间采用LoRaWAN协议,LoRa网关与LoRa通信服务器之间采用MQTT协议,LoRa通信服务器与数据库服务器之间使用WebService方式传递消息。客户端通过B/S方式访问列车出入库的历史信息和实时信息。实际应用效果表明,系统具有功耗低、自动识别、运行稳定等特点。