排序方式: 共有6条查询结果,搜索用时 15 毫秒
1
1.
为了解决肺结节图像检索中特征提取难度大、检索精度低下的问题,提出了一种深度网络模型——LMSCRnet用于提取图像特征。首先采用多种不同尺寸滤波器卷积的特征融合方法以解决肺结节大小不一引起的局部特征难以获取的问题,然后引入SE-ResNeXt块来得到更高级的语义特征同时减少网络退化,最后得到肺结节图像的高级语义特征表示。为满足现实中大数据量检索任务的需求,将距离计算及排序过程部署到Spark分布式平台上。实验结果表明,基于LMSCRnet的特征提取方法能够更好地提取图像高级语义信息,在肺结节预处理数据集LIDC上能够达到84.48%的准确率,检索精度高于其他检索方法,而且使用Spark分布式平台完成相似度匹配及排序过程使得检索方法能够满足大数据量检索任务需求。 相似文献
2.
基于高维肺部计算机断层扫描(CT)图像的肺结节检测是一项极具挑战性的任务。在诸多肺结节检测算法中,深度卷积神经网络(CNN)最引人注目,其中二维(2D) CNN具有预训练模型多、检测效率高等优点,应用非常广泛,但肺结节本质是三维(3D)病灶,2D CNN会不可避免地造成信息损失,从而影响检测精度。3D CNN能充分利用CT图像空间信息,有效提升检测精度,但是3D CNN存在参数多、计算消耗大、过拟合风险高等不足。为了兼顾两者的优势,提出基于深度混合CNN的肺结节检测模型,通过在神经网络模型的浅层部署3D CNN,在模型的深层部署2D CNN,并增加反卷积模块,融合了多层级的图像特征,达到了在不损失检测精度的情况下减少模型参数、增强模型泛化能力,提高检测效率的目的。在LUNA16数据集上的实验结果表明,所提出的模型在平均每次扫描8个假阳性的情况下的敏感度为0.924,优于现有的先进模型。 相似文献
3.
4.
基于高维肺部计算机断层扫描(CT)图像的肺结节检测是一项极具挑战性的任务。在诸多肺结节检测算法中,深度卷积神经网络(CNN)最引人注目,其中二维(2D) CNN具有预训练模型多、检测效率高等优点,应用非常广泛,但肺结节本质是三维(3D)病灶,2D CNN会不可避免地造成信息损失,从而影响检测精度。3D CNN能充分利用CT图像空间信息,有效提升检测精度,但是3D CNN存在参数多、计算消耗大、过拟合风险高等不足。为了兼顾两者的优势,提出基于深度混合CNN的肺结节检测模型,通过在神经网络模型的浅层部署3D CNN,在模型的深层部署2D CNN,并增加反卷积模块,融合了多层级的图像特征,达到了在不损失检测精度的情况下减少模型参数、增强模型泛化能力,提高检测效率的目的。在LUNA16数据集上的实验结果表明,所提出的模型在平均每次扫描8个假阳性的情况下的敏感度为0.924,优于现有的先进模型。 相似文献
5.
应用在拼接镜面中的电容位移传感器的结构性误差分析及校正 总被引:3,自引:2,他引:1
分析了子镜运动和电容传感器极板运动之间的理论关系并探讨了电容位移传感器读数的"结构性"误差的处理方法。基于电容位移传感器的工作原理,对极板为圆形的电容位移传感器提出了采用以位移的测量值和子镜转角为自变量的多项式拟合的校正方法。计算表明该误差处理和校正方法是简洁可行的。对于转角的拟合只需2阶,同时位移测量值只需4阶的多项式进行拟合即可使输出位移达到3 nm的精度。进一步分析表明,直接使用位移传感器读数计算极板转角,并对误差的主动校正控制非常有利于该多项式拟合,可一次性达到优于5 nm的校正误差,完全满足拼接镜面主动光学工程应用的技术要求。 相似文献
6.
光学拼接镜面微位移主动调节机构的设计和实测 总被引:5,自引:2,他引:3
设计和制造了一套微位移主动调节机构和支撑系统,用以实现拼接镜面天文光学望远镜的每块平面子镜精密地调节倾斜和轴向平移,并在典型的仰角工况下对该机构进行了实测。设计技术要求子镜主动调节行程须达±1 mm,同时分辨率须达50 nm以下。选用了工作行程为6 mm和分辨率为50 nm的位移促动器,并引入杠杆机构提高位移分辨率和抑制误差;采用平衡配重和预拉弹簧机构使工作中位移促动器上保持恒定负载,以保护位移促动器和保证其输出位移精度。依据拼接镜面的工作原理,建立了子镜微位移调节系统性能测试的数学模型,并在实验室内采用分辨率为5 nm的位移传感器进行了实测。结果表明其位移分辨率可达12 nm,线性良好,与理论值相对误差为5.6%,验证了该机构设计的合理性和在不同工作位置良好的灵敏度。 相似文献
1