检索结果-内蒙古大学图书馆

温州医科大学学报 2024年第8期54卷 631-640页

作者：聂应旺王雷梅晨阳陈浩温州医科大学眼视光学院(生物医学工程学院) 浙江温州325027

目的:准确提取用于形态评估和临床疾病监测的医学图像中的目标区域,改进将卷积神经网络(CNN)与转换器(Transformer)结合的混合网络用以学习图像局部信息和全局信息。方法:①通过引入基于CNN的解码器并将其与金字塔视觉转换器(PVT)整合,... 详细信息

目的:准确提取用于形态评估和临床疾病监测的医学图像中的目标区域,改进将卷积神经网络(CNN)与转换器(Transformer)结合的混合网络用以学习图像局部信息和全局信息。方法:①通过引入基于CNN的解码器并将其与金字塔视觉转换器(PVT)整合,开发了一种新颖的特征细化分割网络称为特征细化金字塔视觉转换器(FR-PVT)。解码器用于细化PVT捕获的多尺度全局特征,由特征细化模块(FRM)和上下文注意模块(CAM)以及相似性聚合模块(SAM)共同构成。②为了验证FR-PVT,将其用于五个公共结肠镜图像数据集(ClinicDB、ColonDB、EndoScene、ETIS和KvasirSEG)的息肉分割和温州医科大学附属眼视光医院提供的眼部视频数据集的睑裂分割。③使用四种不同的指标评估FR-PVT的性能,包括Dice系数、IOU、Matthew系数(MCC)和Hausdorff距离(Hdf)。FR-PVT与现有网络[即息肉PVT(Polyp-PVT)、U-Net及其变体]在相同的分割任务上进行比较。结果:①FR-PVT能够处理各种成像条件下获取的结肠镜图像,并在分割ClinicDB、ColonDB、EndoScene、ETIS和KvasirSEG数据集时获得平均Dice分别为0.937、0.819、0.892、0.800和0.909。②在眼部视频数据集中的图像上进行的实验结果显示,FR-PVT获得的平均Dice、IOU、MCC和Hdf分别为0.966、0.943、0.957和4.706。③在五个息肉数据集上的分割性能对比显示,FR-PVT分别获得了平均Dice系数和IOU分别为0.840和0.764,优于Polyp-PVT(0.834和0.760)、U-Net(0.561和0.493)、UNet++(0.546和0.476)、SFA(0.476和0.367)、PraNet(0.741和0.675)。在眼部视频图像上的分割性能显示,FR-PVT分别获得了0.840的平均Dice系数和0.764的平均IOU。结论:FR-PVT实现了比Polyp-PVT和现有的几种基于CNN的网络(如U-Net及其变体)更好的分割性能。

关键词：图像分割深度学习卷积块金字塔视觉转换器结肠息肉睑裂

来源：评论

学校读者我要写书评

暂无评论

面向强后处理场景的图像篡改定位模型

引用

通信学报 2024年第4期45卷 146-159页

作者：谭舜泉廖桂樱彭荣煊黄继武深圳大学计算机与软件学院广东深圳518060 深圳市媒体信息内容安全重点实验室广东深圳518060 广东省智能信息处理实验室广东深圳518060 深圳大学电子与信息工程学院广东深圳518060 深圳北理莫斯科大学工程系智能感知与计算广东省重点实验室广东深圳518116

针对微信、微博等社交平台对图像进行的压缩、尺度拉伸等有损操作带来的篡改痕迹模糊或被破坏的挑战,提出了一种对抗强后处理的图像篡改定位模型。该模型选用了基于Transformer的金字塔视觉转换器作为编码器,用于提取图像的篡改特征。同... 详细信息

针对微信、微博等社交平台对图像进行的压缩、尺度拉伸等有损操作带来的篡改痕迹模糊或被破坏的挑战,提出了一种对抗强后处理的图像篡改定位模型。该模型选用了基于Transformer的金字塔视觉转换器作为编码器,用于提取图像的篡改特征。同时,设计了一个类UNet结构的端到端编码器-解码器架构。金字塔视觉转换器的金字塔结构和注意力机制可以灵活关注图像的各个区块,结合类UNet结构能够多尺度地提取图像上下文间的关联信息,对强后处理的图像有着较好的鲁棒性。实验结果表明,所提模型在对抗JPEG压缩、高斯模糊等常见的后处理操作以及在不同社交媒体传播场景的数据集上的定位性能上明显优于目前主流的篡改定位模型,展现出了优异的鲁棒性。

关键词：强后处理场景图像篡改定位鲁棒性金字塔视觉转换器

来源：评论

学校读者我要写书评

暂无评论

复杂场景下的行人跌倒检测算法

引用

计算机应用 2023年第6期43卷 1811-1817页

作者：方可刘蓉魏驰宇张心月刘杨华中师范大学物理科学与技术学院武汉430079

随着人口老龄化程度的不断深化,跌倒检测成为医疗与健康领域的一个关键问题。针对复杂场景下跌倒检测算法准确率偏低的问题,提出一种改进的跌倒检测模型——PDD-FCOS(PVT DRFPN DIoU-Fully Convolutional One-Stage object detection)... 详细信息

随着人口老龄化程度的不断深化,跌倒检测成为医疗与健康领域的一个关键问题。针对复杂场景下跌倒检测算法准确率偏低的问题,提出一种改进的跌倒检测模型——PDD-FCOS(PVT DRFPN DIoU-Fully Convolutional One-Stage object detection)。在基准FCOS算法的骨干网络中引入金字塔视觉转换器(PVT),以不增加计算量为前提提取更丰富的语义信息;在特征信息融合阶段插入双重细化特征金字塔网络(DRFPN),更加准确地学习特征图之间采样点的位置和其他信息,并通过上下文信息捕获特征通道之间更准确的语义关系,从而提升检测性能;训练阶段采用距离交并比(DIoU)损失进行边界框回归,通过优化预测框与目标框中心点的距离,使回归框收敛得更快更准确,从而有效提高跌倒检测算法的准确率。实验结果表明,所提模型在开源数据集Fall detection Database上平均精确度均值(mAP)达到82.2%,与基准FCOS算法相比,所提算法的mAP提升了6.4个百分点,且相较于其他主流目标检测算法有精度上的提升以及更好的泛化能力。

关键词：目标检测行人跌倒检测金字塔视觉转换器注意力机制双重细化特征金字塔网络距离交并比

来源：评论

学校读者我要写书评

暂无评论

基于编解码结构的心脏图像分割方法研究

基于编解码结构的心脏图像分割方法研究

引用

作者：胡盼盼齐鲁工业大学

学位级别：硕士

心血管疾病是全球死亡率和患病率不断上升的主要原因,给人们的生活质量和健康带来严重威胁,并影响着心脏的正常功能。心脏核磁共振成像(Magnetic Resonance Imaging,MRI)作为一种非侵入性的成像技术,能够提供关于心脏结构和功能的详细... 详细信息

心血管疾病是全球死亡率和患病率不断上升的主要原因,给人们的生活质量和健康带来严重威胁,并影响着心脏的正常功能。心脏核磁共振成像(Magnetic Resonance Imaging,MRI)作为一种非侵入性的成像技术,能够提供关于心脏结构和功能的详细信息。在临床实践中,心脏MRI的分割技术在评估心脏结构参数以及疾病诊断方面发挥着重要作用。然而,由于心脏结构的复杂性和上下文信息融合不足等问题,使得心脏MRI分割仍面临诸多挑战。因此,提出精确分割心脏结构的算法对医疗工作具有重要意义。基于上述问题,本文提出了两种基于编解码结构的心脏MRI分割方法,主要的工作和贡献如下: (1)针对心脏结构复杂且边缘区域分割的不完整性等问题,本文提出了一种基于高效注意力和深度融合的心脏MRI分割方法。首先,该方法以U-Net为基线框架,并设计了残差初始模块来增强编解码器中特征的表示能力,从而学习更多复杂的特征。其次,提出扩张卷积注意力模块,以实现对全局和局部信息的提取,从而更好地捕获边缘关键信息,并预测分割的完整性。此外,通过引入全局注意力机制来提高网络的训练效率,并将设计的密集阶梯空洞空间金字塔池化模块用于实现信息的特征融合。最后,实验结果表明该方法在平均Dice、平均HD和平均Jaccard指标上达到了90.5%、11.17mm和83.09%的结果,验证了该方法的显著性能。 (2)针对现有心脏MRI分割方法在每一层特征细化和上下文信息增强方面存在不足,本文提出了一种基于上下文级联注意力的心脏MRI分割方法。首先,在编码器中利用改进的金字塔视觉变换器(Improved Pyramid Vision Transformer,PVTv2)捕获远程依赖关系,并实现特征的提取和表示。其次,本研究提出了深度残差卷积模块,用于构建轻量级网络,并融合带有跳跃连接的特征。同时,设计了一种级联操作,旨在充分利用不同层之间的互补信息,以进一步细化每一层的特征。此外,在网络中引入了设计的上下文注意力机制,通过探索上下文信息来抑制不重要区域,突显显著特征,并实现对局部信息和全局信息的有效处理。最后,采用五折交叉验证的方法对模型进行评估,验证了该方法的鲁棒性。 (3)本文提出了结合Dice损失和交叉熵损失的组合损失函数,以更有效地应对类别不平衡问题。在以上提出的两个心脏MRI分割算法中使用组合损失函数,提高了模型训练的收敛速度和优化性能。同时,在自动心脏诊断挑战(Automated Cardiac Diagnosis Challenge,ACDC)数据集上进行了多项对比实验来评估这两种分割算法。通过实验验证和结果分析,表明这两种算法可以有效提升分割的准确性。

关键词：心脏MRI分割编解码结构 U-Net 金字塔视觉转换器注意力机制

来源：评论

学校读者我要写书评

暂无评论

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案：

请选择收藏分类：

通借通还

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：