-
题名基于有效感受野和注意力融合机制的脑肿瘤全自动分割
- 1
-
-
作者
邹祥
王瑜
肖洪兵
杨迪
-
机构
北京工商大学计算机与人工智能学院
中工国际工程股份有限公司
-
出处
《中国医学物理学杂志》
CSCD
2024年第5期563-570,共8页
-
基金
北京市自然科学基金-北京市教育委员会科技计划重点项目(KZ202110011015)。
-
文摘
深度学习在医学图像分割领域取得了显著成果,但其在脑肿瘤分割任务中,仍面临感受野不足、冗余信息过多、信息丢失等问题;为此,本研究提出一种基于编-解码结构的脑肿瘤分割网络模型(EAU-Net)。EAU-Net采用有效感受野拓展模块和注意力融合模块改善脑肿瘤分割网络感受野不足与冗余信息过多带来的不利影响;同时,引入基于倒残差结构的瓶颈重采样模块,有效避免上下采样时造成的信息损失,并采用深度卷积降低网络的计算量。在BraTS2020数据集上的实验结果表明,EAU-Net获得最优的分割精度,验证了其在脑肿瘤分割任务中的可行性和有效性。
-
关键词
脑肿瘤分割
EAU-Net
有效感受野拓展模块
注意力融合模块
倒残差结构
-
Keywords
brain tumor segmentation
EAU-Net
effective receptive field expansion block
attention fusion module
inverted residual structure
-
分类号
R318
[医药卫生—生物医学工程]
TP181
[医药卫生—基础医学]
-
-
题名基于双分支注意力网络的青光眼诊断方法
- 2
-
-
作者
张旭刚
赵鲁江
江志刚
张华
-
机构
武汉科技大学冶金装备及其控制教育部重点实验室
武汉科技大学机械传动与制造工程湖北省重点实验室
-
出处
《武汉科技大学学报》
CAS
北大核心
2024年第5期384-393,共10页
-
基金
湖北省技术创新专项重大项目(2022BEC005).
-
文摘
通过分割眼底图像的视杯(OC)与视盘(OD)区域并计算二者直径之比得到的杯盘比(CDR)是诊断青光眼的一个重要指标,然而现有视杯/视盘分割方法的准确度较低,为此提出一种基于双分支注意力网络的青光眼诊断方法。首先,在图像输入主干网络前使用边界到像素方向(BPD)方法增强眼底图像的轮廓信息;其次,在网络编码器部分结合ConvNeXt的全局交互优势以及U-Net的局部处理优势,充分提取全局和局部的病理语义信息;最后,在解码器特征重建阶段采用多重注意力融合模块,通过直接和间接映射重组两个编码器和上采样模块提取的平滑和突出特征,深度挖掘目标区域信息,以提高模型对视杯/视盘区域分割的准确性。在REFUGE、DRISHTI-GS和RIM-ONEr3三个具有互补性的临床数据集上进行对比实验,验证了所设计的改进模块在提高眼底图像分割效果上的有效性,而且本文方法可有效平衡OC和OD两个目标区域的分割精度,在定量指标和可视化效果上均优于对比方法。
-
关键词
青光眼
眼底图像
视杯/视盘分割
双分支注意力网络
多重注意力融合模块
-
Keywords
glaucoma
fundus image
OC/OD segmentation
dual-branch attention network
multi-attention fusion module
-
分类号
TP391.4
[自动化与计算机技术—计算机应用技术]
-
-
题名可变形分支注意力融合网络的胰腺分割方法
- 3
-
-
作者
付艳贞
樊建聪
-
机构
山东科技大学计算机科学与工程学院
-
出处
《小型微型计算机系统》
CSCD
北大核心
2024年第11期2717-2724,共8页
-
基金
山东省自然科学基金项目(ZR2018MF009)资助.
-
文摘
胰腺具有尺寸小、形状不规则且多变的特点,因此在腹部CT图像中自动分割胰腺具有极大的挑战性.为了适应胰腺特征并解决其分割困难的问题,本文提出了一种轻量级的可变形分支注意力融合网络(Deformable Branch Attention Fusion Network,DBA-Net)作为胰腺自动分割方法.该方法首先将候选区域裁剪出来作为网络的输入,以便减少背景干扰并突出胰腺区域;然后引入可变形卷积使网络自适应地学习胰腺的空间结构;最后提出分支注意力融合模块实现低级别特征和高级别特征的融合,帮助解码器更好地还原特征图.本文的方法在NIH数据集上测试的Dice相似系数为85.3%,在MSD数据集上的Dice相似系数为78.9%,相比基线U-Net分别提高了3.9%和5.6%.实验结果表明本文的方法能够对胰腺进行更好的分割.
-
关键词
胰腺分割
轻量级
可变形卷积
分支注意力融合模块
-
Keywords
pancreas segmentation
lightweight
deformable convolutions
branch attention fusion module
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-
-
题名改进YOLOv8的输电线路异物检测方法
- 4
-
-
作者
易磊
黄哲玮
易雅雯
-
机构
华中科技大学电气与电子工程学院
-
出处
《电子测量技术》
北大核心
2024年第15期125-134,共10页
-
基金
教育部2020年第二批新工科研究与实践项目(E-NYDQHGC20202219)资助。
-
文摘
针对无人机对输电线路异物检测准确度有限,模型计算复杂度高、计算速度有限的问题,提出一种改进YOLOv8的输电线路异物检测方法SC-YOLO。该方法引入StarNet以构造C2f_Star模块实现Neck网络轻量化,有效降低模型参数量与计算量,同时通过增加特征空间维度提升Neck部分特征提取能力;在骨干网络输出特征图后添加卷积注意力融合模块,提升骨干网络对输入特征图的初步特征提取能力,增强模型整体检测效果;将原检测头替换为动态检测头,提升模型对不同输入的动态调整能力与对关键信息的关注程度;使用WIoU作为边界框损失函数,EMA-Slide Loss作为分类损失函数,提升模型泛化能力与检测性能。实验结果表明,提出的SC-YOLO计算量较原始模型下降8.02%,mAP提升1.4个百分点,达到了95.2%的检测精度,在降低模型计算复杂度的同时实现了较高的检测准确率,具有高可行性与实用性。
-
关键词
输电线异物检测
YOLOv8
StarNet
卷积注意力融合模块
动态检测头
WIOU损失函数
EMA-Slide
Loss损失函数
-
Keywords
transmission line foreign body detection
YOLOv8
StarNet
convolutional attention fusion module
dynamic detection head
WIOU loss function
EMA-Slide loss function
-
分类号
TP391.4
[自动化与计算机技术—计算机应用技术]
TN60
[自动化与计算机技术—计算机科学与技术]
-
-
题名基于深度学习的息肉分割网络GLIA-Net
被引量：2
- 5
-
-
作者
任莉莉
边璇
王光磊
王洪瑞
-
机构
河北大学附属医院肿瘤内科
河北大学电子信息工程学院
-
出处
《计算机工程》
CAS
CSCD
北大核心
2022年第12期248-254,共7页
-
基金
国家自然科学基金(61473112)
河北省自然科学基金重点项目(F2017201222)。
-
文摘
随着卷积神经网络的发展,现有改进的息肉分割U-Net网络能有效提高息肉分割准确率,但引入了大量参数,导致模型复杂度增大且计算效率降低。提出具有低复杂度、高性能的网络GLIA-Net,用于分割内窥镜图像中的息肉区域。以U-Net为基础架构,在双层卷积后加入全局与局部交互式注意力融合模块。全局注意力基于2个可学习的外部储存器,通过2个级联的线性层和归一化层来实现。局部注意力基于局部跨通道交互策略,将一维卷积代替全连接层,在保证网络性能的同时降低计算复杂度,加快网络的计算速度。结合高效通道注意力和外部注意力的优点,在不引入过多参数量和计算量的前提下融合局部注意力和全局注意力,同时在通道与空间2个维度上引入注意力机制,提取丰富的多尺度语义信息。在Kvasir数据集上的实验结果表明,GLIA-Net的平均交并比、Dice、体积重叠误差分别为69.4%、80.7%和5.0%,与ExfuseNet、SegNet、ResUNet等网络相比,在保证网络计算效率的同时具有较优的分割精度。
-
关键词
卷积神经网络
U-Net网络
息肉分割
内窥镜图像
交互式注意力融合模块
-
Keywords
convolutional neural network
U-Net network
polyp segmentation
endoscopic images
interactive attention fusion module
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-
-
题名基于注意力机制的自然场景文本检测算法
- 6
-
-
作者
王宪伟
洪智勇
余文华
王惠吾
吴卓霖
-
机构
五邑大学智能制造学部
-
出处
《计算机科学与应用》
2022年第11期2608-2618,共11页
-
文摘
针对目前主流场景文本检测算法在进行多尺度特征融合时不能够充分利用高、低层信息造成的文本漏检,以及长文本边界检测错误的问题,本文提出一种应用注意力机制的多尺度特征融合与残差坐标注意力的场景文本检测算法。该算法将注意力特征融合模块嵌入到金字塔中,通过纠正不同尺度特征的不一致性来提取更多的细节信息,以改善文本的漏检;在融合之后,使用残差坐标注意力模块在纵、横两个方向上捕获方向感知和位置敏感信息,细化边界信息,以优化长文本检测的效果。通过在公开数据集ICDAR 2015和Total-Text上的实验结果表明,该算法在F分数上分别达到了85.5%和83.6%,在推理速度上分别达到了22.4 FPS和40 FPS,相较于DBNet网络,在推理速度上略有下降,但在F分数上分别提高3.2%和0.8%。
-
关键词
场景文本检测
深度学习
多尺度特征
注意力特征融合模块
残差坐标注意力模块
-
分类号
TP391.41
[自动化与计算机技术—计算机应用技术]
TP18
[自动化与计算机技术—计算机科学与技术]
-
