检索历史 清除

【中文期刊】 鲍芳嘉 张明伟  等 《软件导刊》 2024年23卷10期 199-206页

【摘要】 针对目前主流目标检测算法在微创血管介入导丝检测中应用较少、检测准确率低和检测速度慢等问题,提出了一种改进的YOLOv5m网络用于血管介入导丝检测.首先,在YOLOv5m的主干网络中引入可变形卷积替换部分标准卷积,并在主干网络的CSP模块中添...

【关键词】 血管介入； YOLOv5m； 导丝检测；

【中文期刊】 杨斌 段昶  等 《四川动物》 2023年42卷5期 490-497页 ISTICPKU

【摘要】 针对大熊猫Ailuropoda melanoleuca姿态识别中,目标存在部分遮挡及背景相似造成识别难度大等问题,本研究对传统YOLOv5s动物姿态识别算法提出3点改进:主干网络引入坐标注意力改进C3模块,使目标定位更加精确;在颈部网络特征...

【关键词】 YOLOv5s； 坐标注意力； BiFPN；

【中文期刊】 冀常鹏 杨梦晗  等 《中国医学物理学杂志》 2023年40卷8期 977-984页 ISTICCSCD

【摘要】 为更加高效、并行地实现舌部多纹理的识别,提出一种基于Faster RCNN的改进舌部多纹理检测方法.首先,使用可变形卷积重塑主干提取网络中的卷积层并进行可变形池化,通过实际情况调整自身形状提取目标特征,以降低漏检率;其次,引入注意力机制sc...

【关键词】 舌部多纹理； Faster RCNN； 深度学习；

【中文期刊】 赵欣 张鑫  等 《波谱学杂志》 2023年40卷3期 280-292页

【摘要】 脑胶质瘤的磁共振图像分割对于脑肿瘤的诊断、手术规划以及放疗等治疗方案的确定具有非常重要的意义.针对现有脑肿瘤分割算法分割精度不高边缘分割不精确,易出现假阳性的问题,本文提出一种基于多重自注意力和可变形卷积的Unet改进模型.模型将原始Une...

【关键词】 图像分割； 脑胶质瘤； Unet；

【中文期刊】 贾伟 江海峰  等 《计算机工程与应用》 2023年59卷19期 140-150页

【摘要】 针对肺癌图像分类中出现的已标记肺癌病理图像较少且细胞形态复杂的问题,提出一种基于细胞形态特征对比学习的肺癌病理图像分类方法,通过对比学习将置信度较高的未标记数据混入到训练数据中,解决已标记数据不足的问题.在最近邻对比学习的基础上,提出基于最...

【关键词】 肺癌； 病理图像分类； 对比学习；

【中文期刊】 廖庆 李群兰  等 《现代科学仪器》 2023年40卷5期 118-121页

【摘要】 深度学习算法的不断优化为临床诊治提供了理论支持,推动了我国医疗事业的发展.为了降低肺部疾病对个体的损害,研究提出了基于深度可变形卷积的胸部X-ray病灶检测模型,在该模型中,采用深度可变形卷积来优化传统卷积层,最后通过仿真实验和应用分析来验...

【关键词】 深度学习； 可变形卷积； 胸部X-ray；

【外文期刊】 Fan, Jingfan ; Cao, Xiaohuan ; 等 《Medical image analysis》 2019年58卷 101545-101545页 SCISCIEMEDLINE

【关键词】 Deformable image registration; Fully convolutional neural network; Generative adversarial network;

【外文期刊】 Kearney, Vasant ; Haaf, Samuel ; 等 《Physics in medicine and biology.》 2018年63卷18期 185017-185017页 SCISCIEMEDLINE

【关键词】 deep learning; convolutional neural net works; cone beam CT;

【外文期刊】 Murthy, Mantripragada Yaswanth Bhanu ; Koteswararao, Anne ; 等 2022年12卷1期 37-58页

【关键词】 Automatic classification of brain tumor; Magnetic resonance imaging; Adaptive fuzzy deformable fusion segmentation;

【外文期刊】 Eppenhof, Koen A. J. ; Lafarge, Maxime W. ; 等 《IEEE Transactions on Medical Imaging》 2020年39卷5期 1594-1604页

【关键词】 Deformable image registration; progressive training; convolutional neural networks;