基于 3D FPN 的肺结节检测

肺癌早期发现与诊断对提高肺癌患者生存率至关重要。肺癌主要是由恶性肺结节造成的,通过肺结节早期检测与诊断能够及时发现病情,显著提高肺癌存活率。随着深度学习网络在医学辅助诊断领域应用的迅速发展,现已有很多深度网络被应用于肺结节检测。通过统计检测目标肺结节半径分布情况,发现大部分肺结节半径较小。因此,结合 CT 影像数据的三维特性,提出使用 3D FPN 进行单阶段肺结节检测,能够解决肺小结节检测效果不佳的问题。在公用肺结节数据集 LUNA16 上验证了网络的有效性,CPM 值达到 0.893 2,相比其它肺结节检测网络,检测效果提高了 2%。     

基于灰度密度分布特征的肺结节良恶性分类

CT 图像中肺结节良恶性鉴别是肺癌计算机辅助诊断研究中的关键。为了提高计算机辅助诊断系统中肺结节良恶性诊断准确性,提出一种基于密度分布特征的肺结节良/恶性判断方法。首先,从肺部肿瘤图像中随机提取图像小单元集并计算其自相关矩阵,然后通过K-means算法对该矩阵实现无监督聚类。特征提取时遍历计算肺结节图像每一像素的灰度密度分布等级,并统计、归一化得到10维特征向量,最后通过卷积方法对特征进行优化。同时,利用随机森林分类器进行模型训练,进而判断肺结节良/恶性水平,提出算法的验证数据为LIDC-IDRI。实验结果表明,最大AUC可达0.955 8。对比分析,该特征表达方法具有更优分类效果和更高鲁棒性。     

一种基于深度学习的玉米病害识别方法

目的:针对现有玉米病害种类繁多、识别方法耗时耗力等问题,对传统卷积神经网络结构进行改进和优化,提出Corn＿Modle新型玉米病害自主识别模型。方法:构建含有6种玉米病害种类的数据集,并对其进行数据增强和预处理;将新建模型在训练集上进行训练,利用测试集对其进行试验验证。结果:Corn＿Modle模型的准确率为96.85%,参与对比的AlexNet、LeNet-5、ResNet50、MobileNet等4种经典模型的准确率分别为93.98%、77.06%、63.44%和87.25%,在准确率、精准度、召回率等评价指标上优于对比模型。结论:新构建的Corn＿Modle模型在准确率、鲁棒性和稳定性方面比传统的经典模型表现更好,可为玉米等农作物病害识别技术的发展提供参考。     

一种基于改进卷积神经网络的玉米病害高效识别模型

目的:针对深度学习模型在玉米病害识别过程中存在精确度低、综合性能差等问题,提出一种改进的卷积神经网络模型,以期取得更好的识别效果。方法:构建由4个卷积层、4个最大池化层和3个全连接层组成的玉米病害识别模型,利用Dropout策略、L2正则化、早停法等优化网络,通过设置不同的初始学习率和批大小,对复杂环境下的6种典型的玉米病害进行分类试验研究,并与LeNet、AlexNet和GoogLeNet网络模型进行性能对比。结果:改进优化后的模型在玉米病害测试集上的识别准确率达到了98.27%,较改进前提高1.25%,单幅图像的平均识别时间缩短了0.007 7 s。与对比模型相比,新模型的识别时间最短,测试准确率比LeNet、AlexNet分别提高了15.52%、4.81%,损失值分别减少了0.805 2、0.157 8,性能曲线变化更平稳。结论:该模型具有识别速度更快、泛化能力更强、鲁棒性更好、识别精度高等特点,为玉米病害的精准高效识别提供了新的方法。     

基于U-Net的结节分割方法

针对肺结节特征复杂、人工提取特征困难、分割结果不准确的问题,使用一种卷积神经网络模型U-Net对肺结节进行分割。首先对LUNA16数据集提供的肺部CT图像数据和结节标注数据进行预处理,根据结节标注数据,提取对应的肺部CT图像切片,对切片进行归一化、二值化、腐蚀和膨胀从而提取ROI区域,并根据结节位置信息生成掩膜,然后将处理后的肺部CT图像切片与对应的掩膜送入U-Net模型进行训练,最后使用测试数据集对U-Net模型分割效果进行测试。实验结果表明,U-Net模型可以对肺部结节进行有效分割。     

基于改进 SSD 网络的目标检测方法

传统目标检测方法存在准确率低、可靠性差、效率低等问题,无法满足对大量图片准确、高效处理的需求。对 SSD 网络结构进行改进,删除原网络最后两个预测层,对保留各预测层的默认框个数和宽高比进行优化,同时对保留的最后一个预测层的网络参数进行改进。改进后的 SSD 网络减少了网络参数和计算量,对存在遮挡、目标较小等情况的图片数据具有更好的检测精度和检测效果,同时模型检测的 mAP 提高了约 5.1%。改进后的网络模型解决了传统方法的不足,可以实时、准确、高效地对大量图片数据进行目标检测处理。     

基于深度学习的细胞癌恶化程度预测方法研究

细胞癌是当今致死率最高的癌症之一,细胞癌恶化程度预测方法对治疗该病症具有重大意义。对细胞图像病理识别数据集中的癌症细胞切片进行检测,首先利用数据增加（DATA Augmentation,DA）技术,增加模型训练集和测试集,然后设计卷积神经网络训练和测试网络结构,再结合经验设置优化参数进行预测模型训练,从而为细胞癌恶化程度预测提供一个深度模型的检测手段。随着深度学习的发展和医学图像在临床上的应用,以及医学影像数据集的不断完善,该方法有望为医生诊断细胞癌恶化程度提供一种有效工具。     

基于改进leNet-5的番茄病虫害识别的研究

针对传统的leNet-5在复杂纹理的图像分类上图片的识别精度不高、模型训练效率较低等问题,在传统leNet-5的基础上对其进行了改进.采用PReLU函数作为激活函数,在网络中加入Inception结构模块组、采用DropOut策略并加入Batch Normalization层等,提出了一种改进的leNet-5模型.采用2018年AI challenger农作物病虫害检测中的番茄病虫害数据集,通过数据增强的方式对数据集进行扩充,使训练集的数量达到142 800张.实验表明,在识别番茄病虫害时,本文提出的改进模型识别精度能达到95.3%,在识别精度与模型建立的效率上都有所提高.     

基于Faster R-CNN的排水管道缺陷检测研究

为了克服传统深度学习在排水管道缺陷检测方面识别正确率较低的缺点,在Faster R-CNN算法基础上,利用聚类分析方法改进候选区域设置,提出一种优化的排水管道缺陷检测模型,并采用VGG、AlexNet、GoogleNet、ResNet代替Faster R-CNN网络中的特征提取层进行模拟计算。计算结果表明,K-means方法的最优类别数为5,虽然ResNet网络训练时间成倍增加,但其识别正确率达到0.89,比VGG网络提高了0.14。优化后的Faster R-CNN网络有效提高了排水管道缺陷检测的识别正确率。     

基于骨骼特征点的跌倒检测方法

针对现有跌倒检测方法中利用时空图卷积网络(ST-GCN)进行行为检测的准确率有待提高、时间信息利用不够充分等问题,提出了一种基于轻量级YOLO v3人体目标检测模型结合人体骨骼特征点的跌倒检测方法.本方法利用AlphaPose算法实时得到人体的骨骼特征点信息,在此基础上结合改进的ST-GCN模型提取了强化后的行为时空信息,从而对跌倒进行更加准确的检测.在通用数据集及自建数据集上的测试结果表明,该方法在跌倒检测中具有良好的效果.