摘要：医学图像的分割在计算机辅助诊断中起着至关重要的作用。unet是图像分割的主要方法,但采用unet网络的编码器存在对结直肠癌腺体细胞特征组织提取不充分、语义融合不全面的问题,使得unet网络的分割效果不够理想。针对此问题,提出了一种名为RCG-unet的算法,该算法通过残差结构、Ghost卷积和通道注意力机制改进unet编码器,并且将ReLU激活函数替换为Mish激活函数,使得图像的特征信息能够更好地提取融合,提高结直肠癌腺体细胞分割精度。使用该网络在GlaS和CRAG数据集上进行了验证,相对于传统unet网络的相似系数(Dice)分别提升了1.4%和1.5%,平均交并比(mIoU)提升了1.2%和1.5%。

摘要：矿产资源的开采在促进区域经济发展的同时,也造成了地表破坏,对生态环境造成了影响。利用遥感技术及时获取矿区土地利用覆盖和生态环境的变化信息,可以辅助矿区生态保护和生态恢复。针对传统变化检测方法中需要提取大量人工设计的图像特征,提出一种改进unet孪生网络结构。用卷积层代替unet结构中的池化层,加入中心环绕、双通道图像输入的孪生结构和特征金字塔模块,对遥感影像进行端到端的矿区变化检测。首先,对经过数据预处理的前后两时期遥感影像利用中心环绕的方法进行裁剪,获取图像的多尺度信息,将裁剪后的中心区域和环绕区域的影像分别输入到网络的孪生结构编码端,通过权值共享的孪生结构提取前后两时期影像的差异信息;然后,将同一特征层上的特征进行相减,获取前后两时期影像在不同卷积层上的差值影像并进行特征融合,把融合后的图像送入特征金字塔模块获取图像多尺度上下文信息。最后,将编码端和解码端对应层跳跃连接,进行端到端的预测,得到前后两时期矿区遥感影像的变化二值图像。实验结果表明:改进的变化检测网络方法与传统方法相比可以自动的提取图像的低层特征和高层语义特征,避免了人工提取图像特征的繁琐。此外,在检测结果上,改进的变化检测方法与对比方法相比,总体精度和Kappa系数有明显提高,同时也降低了检测的误检率和漏检率。

摘要：裂缝对公共设施而言存在着安全隐患,因此裂缝检测是公共设施进行维护的重要手段.由于裂缝图像中存在噪声、光线、阴影等因素干扰,神经网络在训练时极易被影响,导致预测结果出现偏差,降低预测效果.为减少这些干扰,设计了一个并行注意力机制,并将其嵌入到unet网络的解码部分,进而提出了并行注意力unet(parallel attention based unet,PA-unet).该方法分别从通道和空间2个维度加大裂缝特征权重以抑制干扰,然后对这2个维度生成的特征进行融合,以获得更具互补性的裂缝特征.为了验证该方法的有效性,选取了4个数据集进行实验,结果表明该方法较现有的主流方法,裂缝检测效果更加优异.同时,为了验证并行注意力机制的有效性,选取了4种注意力机制与其进行对比实验,结果表明并行注意力机制效果优于其他注意力机制.

摘要：[目的]为将人工智能技术应用于复杂船舶结构优化设计,提出一种基于unet的船体横框架拓扑优化方法。[方法]以某超大型油轮(VLCC)横框架为研究对象,首先根据优化数学原理创建unet拓扑优化代理模型,然后将有限元网格物理量映射为张量,获得供模型训练的数据集,最后采用交并比(IoU)方法对训练结果进行评估,并将该方法与SIMP法进行拓扑构型对比。[结果]结果显示,所提拓扑优化方法能够快速输出设计域的材料布局,与SIMP拓扑优化相比可以更加高效地获得结构拓扑构型。[结论]所提拓扑优化方法可为船舶横框架结构提供一种新型的设计手段。

摘要：为了提高断层识别的准确率,提出改进unet模型。为编码器部分设计一种多分支的并联结构M-block(Multi-branch block),它可以捕获多尺度上下文信息,并且多分支的并联结构会带来高性能收益。在解码器部分加入Self-Attention块和注意力门控机制。Self-Attention通过对输入特征上下文的加权平均操作,不仅使注意力模块能够灵活地关注图像的不同区域,而且弥补了CNN(Convolutional Neural Network)网络局部性的缺点,为神经网络带来更多的可能性。通过合成数据和实际数据证实,该模型将传统卷积中的权值共享优点和Self-Attention动态计算注意力权重的优点结合,提高了断层识别的精度,与unet相比,验证损失下降了33.68%。模型不仅准确识别出了断层特征,且比目前流行的深度学习方法更准确。

摘要：针对目前医学图像融合任务中融合策略难以制定及模态重要信息挖掘不够的问题,提出了一种多尺度残差注意力unet-Like网络(multiscale residual attention unet-like network, MRAunet)框架用于医学图像融合。首先,传统的融合算法在处理多模态医学图像时存在特征学习能力不足的问题,无法更好地保留互补的多模信息。因此,为了增强模型的特征提取能力与稳定性,MRAunet将残差注意力机制注入到特征提取过程中。其次,unet架构在理解医学图像的语义上有着天然的优势,而且它的U型结构使得unet对浅层简单特征与深层抽象特征有更强的感知能力和重用能力,所以MRAunet采用了unet架构来增强模型的语义感知能力和特征重用,同时整体网络采用多尺度的方式进行特征处理以强化unet架构的特征抽取能力。另外,为了丰富在融合图像中的模态信息,还设计了一种基于结构信息与细节信息保留的损失函数用于训练MRAunet。最后,MRAunet是一个端到端的融合网络,无需人工制定融合策略,可以有效地利用多模态图像的浅层结构特征与深层抽象特征,以平衡融合图像中的解剖信息和功能信息,在保持较高清晰度的同时可以显示出元素放射量与血液流动性等功能特征。在哈佛医学院全脑图集上的实验结果表明,MRAunet与近期较为先进的算法相比,在主观和客观评判2个方面都取得了较大进步,在基于人类视觉感知的保真度、基于特征保留的互信息等指标上均有较大优势。

摘要：为了提升原棉混合杂质图像的分割准确率和时效性,提出一种改进unet模型的原棉杂质分割算法。在ResNet50结构基础上设计新的编码模块,采用1个卷积层将最后3个残差模块和全连接层进行替换,对模型参数量实施优化,提高图像特征信息的提取能力;设计CEloss与Dice loss组合的损失函数,优化正负样本比例不均衡,改善模型细小杂质的分割能力;最后,运用迁移学习方法,以VOC数据集为基础,对主干网络权重初始化编码器预训练,进一步优化因图像数据量少导致的模型收敛慢等问题。实验验证表明,改进方法MPA值提升24.52%,准确率达到88.24%,单张图像处理时间缩短至21.9 ms,较传统方法提升49.42%,此改进方法可有效提升原棉杂质图像分割的准确率和时效性。

摘要：甲状腺癌是实体癌中发病率增速最快的恶性肿瘤之一,病理学诊断是医生诊断肿瘤的黄金标准,而细胞核分割是病理图像自动分析的关键步骤。针对细胞核分割中细胞核边界位置难以分割问题,设计了边界加权模块使网络在训练时更多关注细胞核边界。另一方面,为了避免网络过分关注边界而忽视细胞核主体部分,导致一些染色较浅的细胞核分割失败,提出了前景增强分割网络;该网络通过在上采样的过程中添加前景增强模块不断增强前景并抑制背景,从而实现细胞核精准分割。在自建的甲状腺癌病理图像分割数据集VIP-TCHis-Seg上的相似系数(Dice)和像素准确率(PA)两个指标分别约为85.26%和95.89%,在公共细胞核分割数据集MoNuSeg上的相似系数(Dice)和像素准确率(PA)两个指标分别约为81.03%和94.63%。上述实验结果表明,提出的边界加权和前景增强模块的方法能有效提高网络在边界处的分割准确率。

摘要：皮肤病变分割是皮肤病诊断的必要步骤。受病变区域形状不规则、颜色不均匀,以及边界模糊等因素的影响,皮肤病变分割面临诸多困难。针对上述问题,本文提出DSLK-unet(Dilation Stage Large Kernel unet)的皮肤病变分割方法。为充分利用多尺度信息,设计了空洞阶梯连接模块,并将其嵌入到编码器和解码器,实现上下文信息的有效捕获;综合考虑效率和性能,基于深度和空间可分离卷积提出一种大核卷积融合模块,优化小目标细节信息的提取;最后,基于Laplace算法构建边缘损失函数,提高模型对弱边界的检测能力。为验证本文算法有效性,在ISIC 2018数据集上进行测试,实验结果表明,该方法可以有效分割皮肤病变,分割结果的相似系数(Dice)、平均交并比(MIoU)、准确率(ACC)和F1-Score分别达到了92.86%、89.10%、97.00%和89.28%,分割性能高于现有的皮肤病变分割算法,且相较于其他方法,该方法对于受毛发干扰、边界模糊的皮肤病变具有分割优势。

摘要：电流互感器作为电力设备中的重要目标,其检测受到高度重视。分析了电流互感器红外图像数据集,在unet语义分割模型的基础上添加全维注意力动态卷积模块和条纹池化模块,分别替换原网络的常规卷积和最大池化,在中间层添加空间变换网络模块,设计了一种Odconv-stn-spm net(Ossnet)语义分割模型。对于验证集的898张电流互感器红外图像,unet模型OA值为91.30%,Ossnet模型OA值为97.97%。由此可知,所提出的方法有利于提高互感器识别率及其定位精度。