基于集成学习的PET/CT混合成像肺癌检测

提出了一种基于多模态多尺度的Mask R-CNN集成学习模型对PET/CT混合成像进行人工智能肺癌检测。首先，通过5个深度学习模型对肺癌候选区进行提取。5个深度学习模型通过对不同尺度及不同模态训练数据进行Mask R-CNN迁移学习生成。然后利用集成学习方法将5个Mask R-CNN模型进行加权投票，有效减少假阳性数量，最终实现肺癌确诊。实验数据包括69例肺癌患者及11例正常例，训练数据集包括1242个肺癌横断面；验证数据包括270个横断面，其中58个PET肺癌横断面和58个CT肺癌横断面，77个PET正常横断面和77个CT正常横断面。该方法的F-score、Precision和Recall为0.95、0.90和1,与单模型和现有方法相比，本文方法对于PET/CT混合成像的肺癌检测具有更强的有效性，可以为医生提供有意义的辅助诊断信息.     

DenseNet-centercrop:一个用于肺结节分类的卷积网络

为解决由肺部CT图像对肺结节进行良恶性分类的问题,提出了一个新颖的端到端深度学习网络DenseNet-centercrop。通过在原有的DenseNet结构中的稠密块间增加新的分支,引入了中心剪裁操作。该网络结构具有2个优势:(1)不仅最大程度保留了DenseNet的结构,而且将其稠密连接机制扩展到了稠密块水平,大大丰富了肺结节的多尺度特征。(2)参数量较少,是一种轻量化的网络结构。将基于该网络的肺结节良恶性分类方法在LIDC-IDRI数据集上进行评估,实验结果表明,DenseNet-centercrop极大地提高了DenseNet的性能,较现有的其他肺结节良恶性分类方法具有更高的AUC分值和分类精度。     

基于迁移学习的蔬菜图像识别方法

为解决蔬菜识别领域缺少带标签样本的问题,提出了一种基于迁移学习的图像识别方法.首先,将原始数据集利用数据增强扩大样本数据量后引入到大规模数据集上的预训练模型.针对迁移过程中高层特征的领域特定性导致的网络泛化性能差,通过加入两层自适应层参数初始化后重新训练得到基本模型;对该基本模型再利用参数冻结的迁移方式进一步调优参数,得到用于蔬菜图像识别的最终网络模型.实验表明,基于CaffeNet和ResNet10两个小型网络的迁移策略可以较好地处理小样本的蔬菜图像识别,训练得到的模型准确率分别为94.97%、96.69%.与其他迁移算法及传统的神经网络方法相比,该算法具有更高的识别性以及更强的鲁棒性.     

基于改进Mask R-CNN的多标签甲状腺结节检测模型

基于符合中国国情的C-TIRADS甲状腺结节恶性风险分层指南来构建计算机辅助诊断模型具有重要的应用价值，能够提升甲状腺结节和分化型甲状腺癌诊断的规范化、标准化、同质化，提高医生诊断效率和降低劳动强度。本文提出基于深度学习的多标签目标检测模型用以检测识别甲状腺结节、预测甲状腺结节恶性等级以及结节的病理特征，经过在数据集上进行实验对比选取Mask R-CNN作为基准模型，并在基准模型基础上进行优化改进，主要改进包括使用ResNet152-FPN替换原有特征提取网络来提升模型特征能力，设计全新的卷积多标签检测头结构来对结节病理特征进行多标签预测，基于医学先验知识对模型锚框尺寸及比例进行自定义来提升模型的定位精度，最后为模型设计迁移学习训练方案来进一步提升模型性能。实验结果表明，改进模型对甲状腺结节的识别准确率达到了94.4%,对甲状腺结节病理特征的平均识别准确率达到了88.6%。     

基于改进SSD算法的遥感影像小目标快速检测

针对遥感影像小目标检测难度大、准确率低、耗时长等问题,本文提出一种基于改进SSD算法以提升遥感影像小目标实时检测精度的方法.(1)采用深度可分离卷积代替普通卷积层,从而减少计算量、加快目标检测速度;(2)修改SSD网络层数,最终使用7个卷积层的SSD作为检测器,选取其中4个卷积层的输出进行检测,进一步减少模型复杂度和训练难度;(3)修改了每个检测层所产生的候选框大小,提高检测精度.实验结果表明:所提出的模型平均准确率达到82.40%,平均每张影像检测耗时1.86 s,充分验证了该方法的有效性.本文提出的基于改进的SSD算法在遥感影像小目标检测中具备有效性和实时性,在遥感影像小目标检测任务中效果良好.     

一种新的深度视频处理方法

深度视频的不连续性会影响其编码效率以及虚拟视点的绘制质量. 为增强深度视频的连续性, 提出了一种新的基于时空变换的深度视频处理方法: 首先检测出深度视频中的运动对象; 其次将彩色视频和对应的深度视频进行时空变换, 对运动区域和非运动区域在时间方向上进行不同强度的平滑处理; 最后对平滑过的深度视频进行重建. 实验结果表明, 提出的处理方法在保证虚拟视点绘制质量的同时, 能够节省14.89%~47.48%的码率.     

基于光波迭加原理的相对深度和边缘检测算法

基于光波迭加原理导出了一种新的图像相对深度和边缘检测算法.新算法根据光波的迭加和衰减特性,通过对像素的迭加计算和对参数β的调整使得该算法实现两种功能:相对深度检测和边缘提取.实验表明,该方法能够较好的区分出不同距离的景物,并且能较好地提取图像的边缘.     

医学影像处理的深度学习可解释性研究进展

随着医学影像数据的迅速增长，传统的影像分析方法给医生带来巨大挑战。利用计算机视觉技术提供自动或半自动辅助诊断，可大大缓解人工阅片压力，提高诊断的准确性，促进医疗流程的标准化建设等。目前，深度学习卷积神经网络在医学影像处理中已取得不俗表现，但深度学习“黑匣子”的不可解释性阻碍了智能医疗诊断的发展。为增强对医学影像数据处理的深度学习可解释性的了解，对近几年相关研究进展进行了综述。首先，综述了深度学习在医学领域的应用现状及面临的问题，对神经网络的可解释性内涵进行了讨论；然后，从现有深度学习可解释性的常见方法出发，重点讨论了医学影像处理的深度学习可解释性研究进展；最后，探讨了医学影像处理的深度学习可解释性的发展趋势。     

基于深度学习的人体图像分割算法

人体图像分割作为人体行为理解和分析的基础,对分割的准确度及实时性都有较高的要求,目前人体图像分割的方法大多只能保证其中一项指标,使得人体图像分割在实际应用上受到很大的限制.本文在深度卷积神经网络的基础上结合反卷积神经网络,提出一种简单有效的基于深度学习的人体图像分割方案.百度人体图像分割数据库上的实验表明,该方法的重叠率为88.77%,单张图片分割耗时为60.7ms.在重叠率和实时性上获得了比较好的平衡,人体图像分割的效果有较大提升,显示出较好的实用价值.     

基于SPSS的教职工健康体检数据分析研究——以宁波大学为例

为尽早预防疾病, 开展健康管理, 改善教职工的健康现状, 对2018—2021年期间宁波大学教职工的健康体检资料采用SPSS 23.0软件进行统计分析. 结果表明 2018—2021年检出前10种疾病略有不同, 4年间检出率均位于前10位的疾病有甲状腺结节、肺结节、血脂异常、高尿酸血症、心电图异常、乳腺异常. 其中每年血脂异常、肺结节及高尿酸血症检出率男性高于女性(P< 0.05), 甲状腺结节的检出率则是女性高于男性(P<0.05); 甲状腺结节、肺结节和高尿酸血症的检出率呈现逐年升高趋势(P<0.05); 每年检出的疾病随年龄变化的态势各不相同, 其中血脂异常、甲状腺结节、肺结节、心电图异常、前列腺异常的检出率随着年龄的增长而增加(P<0.05). 表明慢性非传染性疾病已成为影响教职工健康的首要危险因素. 因此, 应倡导科学的生活方式, 积极进行健康体检, 建立健康管理档案, 并进一步强化健康管理理念和教职工的健康意识, 尽可能改善教职工的健康状况.     

基于深度学习的岩石薄片矿物自动识别方法

岩石薄片矿物识别是岩石学研究工作的基础,亦是进一步认识岩石种类、成因机理、物质运移和演化历史的基础。传统的矿物识别主要依靠光学显微镜进行人工鉴定,经济成本和时间成本较高、效率较低,且受制于专家个人经验与主观判断。随着深度学习技术的发展,计算机能从图像中自动提取更准确的语义信息,从而为岩石薄片图像的智能分析提供有效途径。提出了一种基于深度学习的岩石薄片矿物自动识别方法,利用深度卷积神经网络自动提取岩石薄片图像中不同矿物的有效特征,并对其进行语义分割与识别,综合利用单偏光与正交偏光2种光性图像实现了对矿物的自动识别。对南京大学岩石教学薄片显微图像数据集进行了矿物识别测试,结果表明,总体精度为86.7%,Kappa系数为0.818,识别结果较传统图像分类方法更准确。     

基于多尺度学习与深度卷积神经网络的遥感图像土地利用分类

土地利用信息是国土资源管理的基础和重要依据，随着高分辨率遥感图像数据的日益增多，迫切需要快速准确的土地利用分类方法。目前应用较广的面向对象的分类方法对空间特征的利用尚不够充分，在特征选择上存在一定的局限性。为此，提出一种基于多尺度学习与深度卷积神经网络（deep convolutional neural network，DCNN）的多尺度神经网络（multi-scale neural network，MSNet）模型，基于残差网络构建了100层编码网络，通过并行输入实现输入图像的多尺度学习，利用膨胀卷积实现特征图像的多尺度学习，设计了一种端到端的分类网络。以浙江省0.5 m分辨率的光学航空遥感图像为数据源进行了实验，总体分类精度达91.97%，并将其与传统全卷积网络（fully convolutional networks，FCN）方法和基于支持向量机（support vector machine，SVM）的面向对象方法进行了对比，结果表明，本文所提方法分类精度更高，分类结果整体性更强。     

基于多尺度学习与深度卷积神经网络的遥感图像土地利用分类

土地利用信息是国土资源管理的基础和重要依据，随着高分辨率遥感图像数据的日益增多，迫切需要快速准确的土地利用分类方法。目前应用较广的面向对象的分类方法对空间特征的利用尚不够充分，在特征选择上存在一定的局限性。为此，提出一种基于多尺度学习与深度卷积神经网络（deep convolutional neural network，DCNN）的多尺度神经网络（multi-scale neural network，MSNet）模型，基于残差网络构建了100层编码网络，通过并行输入实现输入图像的多尺度学习，利用膨胀卷积实现特征图像的多尺度学习，设计了一种端到端的分类网络。以浙江省0.5 m分辨率的光学航空遥感图像为数据源进行了实验，总体分类精度达91.97%，并将其与传统全卷积网络（fully convolutional networks，FCN）方法和基于支持向量机（support vector machine，SVM）的面向对象方法进行了对比，结果表明，本文所提方法分类精度更高，分类结果整体性更强。     

基于快速神经网络架构搜索的鲁棒图像水印网络算法

为解决深度学习在图像水印算法中计算量大且模型冗余的问题，提高图像水印算法在抵抗噪声、旋转和剪裁等攻击时的鲁棒性，提出基于快速神经网络架构搜索（neural architecture search，NAS）的鲁棒图像水印网络算法。通过多项式分布学习快速神经网络架构搜索算法，在预设的搜索空间中搜索最优网络结构，进行图像水印的高效嵌入与鲁棒提取。首先，将子网络中线性连接的全卷积层设置为独立的神经单元结构，并参数化表示结构单元内节点的连接，预先设定结构单元内每个神经元操作的搜索空间；其次，在完成一个批次的数据集训练后，依据神经元操作中的被采样次数和平均损失函数值动态更新概率；最后，重新训练搜索完成的网络。水印网络模型的参数量较原始网络模型缩减了92%以上，大大缩短了模型训练时间。由于搜索得到的网络结构更为紧凑，本文算法具有较高的时间性能和较好的实验效果，在隐藏图像时，对空域信息的依赖比原始网络更少。对改进前后的2个网络进行了大量鲁棒性实验，对比发现，本文算法在CIFAR-10数据集上对抵抗椒盐噪声和旋转、移除像素行（列）等攻击优势显著；在ImageNet数据集上对抵抗椒盐高斯噪声、旋转、中值滤波、高斯滤波、JPEG压缩、裁剪等攻击优势显著，特别是对随机移除行（列）和椒盐噪声有较强的鲁棒性。     

面向自然场景图像的三阶段文字识别框架

文字识别技术在文档管理、图像理解、视觉导航等中具有重要应用。然而，自然场景中的文字通常排列任意、形状不一、字体多样，难以被检测和识别。提出了面向自然场景图像的三阶段文字识别框架，该框架包括文字检测、文字矫正和文字识别。首先，利用特征金字塔网络分割图像中的字符，基于双向长短期记忆网络获取字符间的亲和度，连接孤立字符构建单词行，文字检测率（F分数）高达91.97%。然后，通过多目标矫正网络矫正被检测文字，以应对场景图像文字的复杂形变，增强阅读性。最后，通过注意力序列识别网络按序输出预测结果，实现单词级识别，文字识别正确率达84.98%。     

肺癌图像的伪彩色处理

提出了一种新的灰度-彩色处理算法.首先利用Sobel算子对图像进行边缘检测,突出感兴趣区域;然后根据边缘检测的结果做伪彩色处理.实验结果表明:利用此算法对肺癌图像进行伪彩色处理,增强了图像的可视性,突出病灶区,提高了医生的诊断率.     

一种基于深度学习的古彝文识别方法

作为世界六大古文字之一的古彝文记录了几千年来人类的发展历史。通过对古彝文的识别能够将这些珍贵文献资料转换为电子文档,便于保存和传播。由于历史发展、区域限制等原因,针对古彝文识别的研究鲜有成果。本文将当前新颖的深度学习技术应用于古老的文字识别。在四层卷积神经网络（convolutional neural network, CNN）基础上扩展出5个模型,然后利用Alpha-Beta散度作为惩罚项,对5个模型的输出神经元重新进行自编码,接着用2个全连接层完成特征压缩,最后在softmax层对古彝文字符特征进行重新评分,得到其概率分布,选择对应的最高概率作为识别的字符。实验表明,相对于传统CNN模型,本文方法对古彝文手写体的识别精度更高。     

一种基于深度学习的古彝文识别方法

作为世界六大古文字之一的古彝文记录了几千年来人类的发展历史。通过对古彝文的识别能够将这些珍贵文献资料转换为电子文档,便于保存和传播。由于历史发展、区域限制等原因,针对古彝文识别的研究鲜有成果。本文将当前新颖的深度学习技术应用于古老的文字识别。在四层卷积神经网络（convolutional neural network, CNN）基础上扩展出5个模型,然后利用Alpha-Beta散度作为惩罚项,对5个模型的输出神经元重新进行自编码,接着用2个全连接层完成特征压缩,最后在softmax层对古彝文字符特征进行重新评分,得到其概率分布,选择对应的最高概率作为识别的字符。实验表明,相对于传统CNN模型,本文方法对古彝文手写体的识别精度更高。