-
LMD-UNet网络在脑肿瘤多模态MRI图像分割中的应用
编辑人员丨2023/11/25
UNet网络中编解码器对应的特征图之间存在语义鸿沟,其双卷积层无法学习多尺度信息,造成部分特征信息丢失,影响MRI图像分割效果.针对这一缺陷,本研究提出一种新的图像分割网络局部残差融合多尺度双分支网络LMD-UNet.在编码流程,网络采用局部特征残差融合密集块和多尺度卷积模块,扩大影像感受野并优化底层视觉特征的传播;在解码流程,网络采用双分支卷积的方式生成新的高级语义特征,以此来重建编码路径中损失的信息.利用公开脑肿瘤数据集BraTs的335例病例做分割实验,并将分割结果与现阶段主流分割网络UNet进行对比.结果显示,LMD-UNet模型的Precision、Dice、95％HD、Recall等4项客观评价指标分别达到0.933、0.921、0.702和0.966,相较于UNet,对应指标分别提升了 6.3％、5.7％、1.8％和6.1％.研究表明,LMD-UNet能够实现更精细的脑肿瘤图像分割.此外,所提出的方法对于细节部分边缘轮廓的分割也有较好的效果,能够为脑肿瘤诊断和手术提供保障.
...不再出现此类内容
编辑人员丨2023/11/25
-
基于深度学习的多通道脑电信号睡眠分期方法
编辑人员丨2023/8/5
目的 利用脑电信号进行睡眠分期是分析人睡眠状态的重要方法,通过引入人工智能深度学习来研究基于多通道脑电信号的睡眠分期方法.方法 提出基于注意力的多通道脑电信号睡眠分期方法(Attention Based Multi-Channel EEG Sleep Net,AMCSleepNet),该方法利用多个分支卷积网络分别提取脑电信号不同通道的时频域特征,设计新型压缩聚合层和残差层自适应融合多通道脑电信号的特征,并通过Transformer编码器挖掘特征的时间相关性.结果 在2021全国智能睡眠科学大赛提供的多通道脑电数据上,AMCSleepNet的平均准确率达到了81.86％,相较于基于注意力的单通道模型和多通道深度卷积模型分别提升了5.69％和11.06％.结论 AMCSleepNet方法能够利用多通道脑电信号提升睡眠分期的准确率,可更充分利用睡眠数据,潜在应用价值较高.
...不再出现此类内容
编辑人员丨2023/8/5
-
超声背散射信号多分支残差网络评估脂肪肝
编辑人员丨2023/8/5
目的 基于超声背散射信号的深度学习技术是超声组织定征中的一种新兴趋势,提出一种基于背散射信号卷积神经网络(Convolutional Neural Network,CNN)的深度学习模型多分支残差网络(Multi-Branch Residual Network,MBR-Net),并分析其对脂肪肝的评估效能.方法 MBR-Net由3个分支组成,各分支使用不同卷积块,以增强局部特征获取能力,结合带有跳跃连接的残差机制,引导网络有效地捕获特征.实验采用204例临床脂肪肝(S0无脂肪肝80例、S1轻度脂肪肝70例、S2中度脂肪肝36例、S3重度脂肪肝18例)背散射信号.采用背散射信号重构B超图像,手工选定肝实质区域,对其中的每条射频信号,使用长度为768个采样点的门在其上滑动,步长为20个采样点,得到n条门控信号.然后从n条门控信号中随机选取256条.结果 共获得261120条信号样本(S0:102400;S1:89600;S2:46080;S3:23040).MBR-Net与Nguyen网络、Han网络在脂肪肝评估中的性能比较,MBR-Net诊断脂肪肝程度≥S1、≥S2、≥S3均具有更高的准确度、灵敏度和特异性,且MBR-Net的AUC也最高;MBR-Net(三分支网络)的脂肪肝分类效果优于双分支网络和四分支网络.结论 相较于传统的单分支、无残差机制的CNN方法,本研究提出的MBR-Net整体上提高了分类精度,在评估肝脏脂肪变性程度的分类任务中取得了良好的性能,MBR-Net可作为超声背散射信号深度学习评估脂肪肝的新方法.
...不再出现此类内容
编辑人员丨2023/8/5
