期刊文献+
共找到7篇文章
< 1 >
每页显示 20 50 100
用于脑卒中病灶分割的具有注意力机制的校正交叉伪监督方法
1
作者 周妍 李阳 《计算机应用》 CSCD 北大核心 2024年第6期1942-1948,共7页
脑部病变的自动分割为脑卒中患者的及时诊治和诊疗方案的制定提供了可靠的依据,但获取大规模标记数据昂贵且耗时。半监督学习(SSL)方法通过利用大量的未标记图像和有限的标记图像缓解这一问题。针对SSL中伪标签存在噪声,以及现有的三维(... 脑部病变的自动分割为脑卒中患者的及时诊治和诊疗方案的制定提供了可靠的依据,但获取大规模标记数据昂贵且耗时。半监督学习(SSL)方法通过利用大量的未标记图像和有限的标记图像缓解这一问题。针对SSL中伪标签存在噪声,以及现有的三维(3D)网络缺乏聚焦较小目标的能力这2个问题,提出一种半监督方法,即用于脑卒中病灶分割的具有注意力机制的校正交叉伪监督方法RPE-CPS(Rectified Cross Pseudo Supervision with Project&Excite modules)。首先,将数据输入2个结构相同但初始化不同的3D U-Net分割网络,将得到的伪分割图用于交叉监督训练分割网络,充分利用伪标签数据扩展训练集,并鼓励不同初始化网络对同一输入图像的预测之间具有较高的相似性;其次,设计一种基于不确定性估计的交叉伪监督方法的校正策略,以降低伪标签中的噪声影响;最后,在3D U-Net分割网络中,为提高小目标类的分割性能,将投影-激发(PE)模块添加至每一个编码器模块、解码器模块和瓶颈模块之后。为验证所提方法的有效性,在合作医院急性缺血性脑卒中(AIS)数据集和缺血性脑卒中病灶分割挑战赛(ISLES2022)数据集上分别进行评估实验。实验结果表明,在仅使用训练集中20%的标记数据时,在公开数据集ISLES2022上Dice相似系数(DSC)、95%豪斯多夫距离(HD95)和平均表面距离(ASD)分别达到了73.87%、6.08 mm和1.31 mm;在AIS数据集上DSC、HD95和ASD分别达到了67.74%、15.38 mm和1.05 mm。与先进的半监督方法不确定性校正金字塔(URPC)相比,DSC分别提升了2.19和3.43个百分点。所提方法可以有效地利用未标记数据提高分割精度,优于其他半监督方法,并具有鲁棒性。 展开更多
关键词 医学影像 脑卒中病灶分割 半监督学习 注意力机制 不确定性估计
在线阅读 下载PDF
场景切换感知的地基成像系统电子稳像技术
2
作者 宋力夺 李洪文 +3 位作者 王鸣浩 杨轻云 张世学 王超 《光学精密工程》 CSCD 北大核心 2024年第22期3383-3394,共12页
在地基实况测量望远镜中,通常包含捕获和成像两组光学系统。望远镜使用捕获系统对目标闭环跟踪时,由于视场较大,跟踪精度低,可明显感受成像系统的视频抖动,不利于目标实时观察和相关科学实验。为解决上述问题,本文提出一种支持场景切换... 在地基实况测量望远镜中,通常包含捕获和成像两组光学系统。望远镜使用捕获系统对目标闭环跟踪时,由于视场较大,跟踪精度低,可明显感受成像系统的视频抖动,不利于目标实时观察和相关科学实验。为解决上述问题,本文提出一种支持场景切换感知的电子稳像技术。首先,目标未出现时,通过最大连通区域法对每帧图像尝试提取目标特征区域,直至成功提取。接着,对于每帧图像,使用核相关滤波器对上一帧训练模型进行特征匹配,并更新训练模型。其次,使用最小二乘法拟合目标运动轨迹,通过误差分析判断目标真伪。最后,根据目标真伪判断结果,决定当前图像的裁剪是否使用抖动补偿。实验结果表明:经过该技术处理的视频,目标稳定性具有较大提升,相邻图像特征区域抖动幅度最大值从±10 pixels降低至约±1 pixel,使用前50帧图像作为参考帧的峰值信噪比平均提升4.62 dB;同时算法能够感知目标进入和离开视场;算法处理时间小于2 ms,满足实时处理需求。实现连续观测多目标的稳像流程自动化功能,提升相关科学实验的质量和成功率。 展开更多
关键词 闭环跟踪 电子稳像 核相关滤波 最小二乘法 误差分析
在线阅读 下载PDF
融合注意力的教师互一致性半监督医学图像分割
3
作者 郭敏 张熙涵 李阳 《计算机工程》 CAS CSCD 北大核心 2024年第9期313-323,共11页
医学图像分割在疾病辅助诊断中起着关键的作用。现有的深度分割模型需要依赖带有标注的数据完成大规模训练,而医学影像标注需要具有专业背景的临床医生进行像素级标注,导致标注数据获取困难。基于半监督的医学图像分割方法利用少量的标... 医学图像分割在疾病辅助诊断中起着关键的作用。现有的深度分割模型需要依赖带有标注的数据完成大规模训练,而医学影像标注需要具有专业背景的临床医生进行像素级标注,导致标注数据获取困难。基于半监督的医学图像分割方法利用少量的标注数据和大量的未标注数据进行学习,可以在一定程度上缓解标注数据获取困难的问题。针对半监督分割模型不能充分利用未标注数据中的可学习信息的问题,提出一种半监督分割模型TCA-Net。该模型使用U-Net作为骨干网络,通过在U-Net中引入卷积块注意力模块(CBAM)与多头自注意力模块(MHA)来解决其在下采样过程中的信息丢失问题;为了充分利用未标注数据中的不确定性信息,构建一个教师互一致性模型,该模型由具有1个编码器和3个略有不同的解码器的学生模型与教师模型组成,通过在学生模型的概率映射与教师模型的伪标签之间添加一致性约束,以此在训练过程中最小化输出之间的差异,从而提升模型的分割效果。在公开的WORD腹部多器官数据集与ACDC心脏数据集上进行实验,结果表明,在使用20%标注数据的WORD数据集上,TCA-Net的Dice系数、Jaccard指数、HD95和ASD分别达到90.81%、83.79%、21.38和6.08,在ACDC数据集上分别达到89.69%、81.94%、1.66和0.45。消融实验与对比实验结果表明,TCA-Net能够有效提升未标注数据的利用率,在不同数据集上均达到了较好的分割效果,验证了模型的鲁棒性。 展开更多
关键词 医学图像分割 半监督学习 注意力机制 平均教师模型 一致性正则化
在线阅读 下载PDF
基于残差注意力机制的肺结节数据增强方法
4
作者 李阳 李春璇 +1 位作者 徐灿飞 方立梅 《电子科技大学学报》 EI CAS CSCD 北大核心 2023年第6期880-886,共7页
针对带标注的肺CT图像数据匮乏而导致的深度学习模型训练困难,以及现有生成算法生成肺结节不同特征模糊、细节丢失的问题,提出了肺结节图像的数据增强RAU-GAN算法。首先,在生成器网络中嵌入残差注意力模块,该模块可以聚焦于局部不同的... 针对带标注的肺CT图像数据匮乏而导致的深度学习模型训练困难,以及现有生成算法生成肺结节不同特征模糊、细节丢失的问题,提出了肺结节图像的数据增强RAU-GAN算法。首先,在生成器网络中嵌入残差注意力模块,该模块可以聚焦于局部不同的感兴趣区域,以实现肺结节与背景信息的独立生成,并且重新设计了注意力模块中的残差块来减少网络的深度和训练的复杂度。其次,将判别器设计为U-Net架构,可以给更新后的生成器反馈更多信息,以提高判别性能。最后,在数据集LUNA16和Deep Lesion上进行实验,结果与现有方法相比,在视觉效果和不同评价指标上均有提升,验证了生成图像包含了更丰富的细节信息。 展开更多
关键词 数据增强 Pix2Pix RAU-GAN 残差注意力机制 U-Net判别器
在线阅读 下载PDF
基于自适应惩罚的潜变量高斯图模型结构学习 被引量:2
5
作者 郑倩贞 徐平峰 《吉林大学学报(理学版)》 CAS 北大核心 2023年第5期1056-1062,共7页
采用自适应惩罚似然方法解决含潜变量高斯图模型的结构学习问题.模拟结果表明,自适应惩罚显著优于非自适应惩罚,可有效降低估计偏差,更准确地估计给定潜变量时观测变量间的条件独立性关系.
关键词 潜变量高斯图模型 自适应LASSO惩罚 自适应核范数惩罚 交替方向乘子法
在线阅读 下载PDF
基于改进IDA算法的贝叶斯网络因果推断 被引量:1
6
作者 魏兵 徐平峰 《东北师大学报(自然科学版)》 CAS 北大核心 2023年第3期45-48,共4页
为了提高IDA估计的准确性,将估计DAG的PC算法换成基于自助法(Bootstrap)的贝叶斯网络结构学习算法即PCboot算法,然后与IDA算法的第二步内容结合起来.研究表明,在模拟研究和T细胞数据集上,新方法提高了IDA算法估计的准确性.
关键词 贝叶斯网络 自助法 PCboot算法 IDA算法 因果效应
在线阅读 下载PDF
基于逐步搜索EMS算法的M2PL模型潜变量选择
7
作者 尚来旭 徐平峰 《东北师大学报(自然科学版)》 CAS 北大核心 2023年第1期45-51,共7页
介绍了基于期望模型选择(EMS)算法的多维双参数Logistic(M2PL)模型的潜变量选择方法,并采用逐步搜索的方式对模型选择(MS)步的计算做出了改进.与传统的MS步相比,改进方法计算的子模型个数更少,能够有效提升计算效率.模拟比较显示,改进... 介绍了基于期望模型选择(EMS)算法的多维双参数Logistic(M2PL)模型的潜变量选择方法,并采用逐步搜索的方式对模型选择(MS)步的计算做出了改进.与传统的MS步相比,改进方法计算的子模型个数更少,能够有效提升计算效率.模拟比较显示,改进方法用时更短,且在潜变量选择和参数估计方面具有良好的表现. 展开更多
关键词 M2PL模型 潜变量选择 EMS算法 逐步搜索
在线阅读 下载PDF
上一页 1 下一页 到第
使用帮助 返回顶部