基于多尺度综合注意力的左心室图像分割方法研究

针对深度学习训练模型过程中存在感受野小及特征丢失等问题，提出一种基于生成对抗网络的心脏核磁共振图像分割网络MCA GAN，提取心肌内外膜的同时保留更多的浅层信息和深层信息，提高分割精度。将MCA GAN在多个心脏MRI分割竞赛的公开数据集上进行训练，并与FCN和DCGAN两个神经网络进行实验对比。实验结果表明，相较于FCN和DCGAN,MAC GAN的Dice系数内外膜提升了1.44%和3.18%,Jaccard系数提升了2.12%和3.35%,Sensitivity系数提升了1.18%和1.80%，和其他方法相比较均有显著提升。     

一种改进的YOLOv5小目标交通标志检测方法

针对实景交通标志检测方法研究中存在小目标识别精度较低、网络模型较大等问题，将一种改进的YOLOv5网络模型用于交通标志检测中。通过削减特征金字塔深度、引入卷积注意力模块优化网络结构，保留小目标信息并增强模型特征提取能力。采用K-means聚类算法确定适用于小目标识别的初始锚框，进一步提高模型检测精度。通过TT100K数据集验证表明，与YOLOv5模型相比，上述方法平均准确率提高3.0%,小目标检测平均精度提高5.0%,且模型大小为原模型的25.1%,保证较高识别能力的同时减少了模型参数量，实验对比结果验证了该方法的有效性。     

稀疏标记下双结构约束脑血管分割网络

针对基于深度学习的脑血管分割方法难以在稀疏标记下分割出具有良好连通性的脑血管的问题,提出一种包括编解码和结构注意力模块的双结构约束脑血管分割网络.首先利用提取出的矢状特征与冠状特征构建剖面注意力;然后通过与通道注意力组合建立结构注意力机制,从网络层面建立脑血管结构约束;最后引入均衡系数改进中心线Dice损失函数并与Dice损失函数叠加,保留血管结构的连通性,从拓扑结构层面建立脑血管结构约束.在TubeTK数据集上的实验结果表明,与4种注意力网络相比,所提方法的Dice相似系数提升4.58%～6.86%,交并比提升5.07%～7.47%,中心线Dice提升3.26%～5.40%.