为了对头颈部多器官CT图像实现精准分割，减少放射治疗对人体正常组织的损伤，本文提出一种基于卷积神经网络的图像分割方法——SAU-Net算法，该算法基于加入残差连接的3D U-Net实现。针对器官尺寸差异较大而引起的分割精度不准确问题，引入压缩注意力模块，通过非局部的空间注意力机制增加对全局特征的编码能力，聚合多尺度上下文信息，实现同一器官的体素分组。此外，该算法减少了卷积核数量及参数量，避免因额外的卷积运算造成堆叠局部信息过多而影响模型性能。结果表明，以Dice系数为评估指标，与3D U-Net和3D ResU-Net算法相比，SAU-Net的分割精度分别提高了13.7%和8.2%，推理速度比FocusNetv2提升73%。SAU-Net算法显著提高了头颈部器官图像的分割精度和速度，能够快速准确实现全自动分割任务。

针对现有基于深度卷积神经网络模型的图像超分辨重建技术存在图像特征提取尺度单一和中间层次特征利用不充分等问题,提出了一种多尺度残差聚合特征网络模型。首先,该模型利用不同扩展系数的扩展卷积和残差连接设计了一种混合扩展卷积残差块(HERB),有效地提取到图像多个尺度的特征信息;其次,引入了一种特征聚合机制(AM),解决了网络中间层次特征利用不充分的问题。在常用的5种数据集上进行的实验结果表明,所提网络模型在主观视觉效果和客观评价指标上都比其他模型具有更好的性能。

相比于卷积神经网络,图卷积网络更适合处理不规则的点云数据,但其存在网络层数受限以及固定的标准化聚集方式影响点云语义分割结果的问题。针对这些问题,提出一种用于点云语义分割的深度图注意力卷积网络。该网络通过残差连接来加深图卷积网络层数,可以有效解决网络过深所导致的梯度消失和网络退化的问题,采用注意力机制可以使网络有选择地关注最相关的邻域点并为其分配不同的注意力权重。同时在每层图卷积之后重新构建图形,从而更好地表征图结构。实验结果表明,该网络在斯坦福大规模的三维室内空间数据集上的平均交并比达到64.5%。

针对目前磁共振脑影像上脑白质高信号区域的自动分割存在分割精度较低和细小病灶易漏识等问题,提出一种融合注意力和Inception的U-Net分割模型。在U-Net的编码阶段加入Inception模块以增加网络宽度,使其具有多尺度特征的提取能力,并加入注意力模块以增强网络对分割目标的关注度,两者的加入和融合可以有效提升网络的特征提取和表达能力。同时,在解码阶段的每一个卷积层上增加残差连接,可以提高网络的优化速度。此外,针对样本不均衡易导致分割结果中假阴性过多的问题,采用具有均衡调节能力的Tversky损失函数优化网络训练。实验结果表明,所提方法能够较好地分割脑白质的高信号区域,特别是小病灶区,且各项分割指标优于多个对比方法。

针对三维卷积网络在训练样本较少时对高光谱图像的分类精度不理想问题,提出了一种高效的基于多特征融合和混合卷积网络的分类模型。首先,对高光谱图像进行降维处理后用三维卷积层提取深层空谱联合特征。然后,引入残差连接并通过特征图连接和逐像素相加进行多特征融合,实现特征重用、增强信息传递。最后,用二维卷积层对提取的特征进行空间信息强化,实现图像分类。实验结果表明,在三个公开高光谱数据集Indian Pines、Salinas和University of Pavia中分别用标记样本的5%、1%、1%作为训练样本时,本模型的分类精度分别为97.09%、99.30%、97.60%,可以有效提升小样本情况下的高光谱图像分类效果。