1 西安工业大学 计算机科学与工程学院, 西安 710021
2 常州大学 信息科学与工程学院, 江苏 常州 213164
3 西北大学 附属医院/西安市第三医院 国际医疗部, 西安 710000
针对目前传统方法脑肿瘤检测准确率低的问题, 提出一种基于深度学习的三维脑肿瘤检测方法.首先将不同模态的脑肿瘤磁共振成像影像进行融合, 获取不同模态下的脑肿瘤病灶三维空间特征; 然后在卷积层和池化层之间增加实列归一化层, 提高网络的收敛速度, 缓解过拟合的问题; 并对损失函数进行改进, 采用加权损失函数加强对病灶区域的特征学习; 最后结合后处理方法解决假阳脑肿瘤病灶多的问题.实验结果表明：提出的脑肿瘤检测方法可有效进行肿瘤病灶定位; 相关性系数、敏感性和特异性三种评价指标分别达到了0.926 7、0.928 1和0.997 7, 与二维检测网络相比, 提高了4.6%、3.96%和0.04%, 较初始的单模态脑肿瘤检测方法提升了13.2%、10.42%和0.12%.
磁共振 脑肿瘤检测 多模态融合 实列归一化 加权损失函数 Magnetic resonance Brain tumor detection Multi modal fusion Instance normalization Weighted loss function
为有效解决非线性环境中的红外目标跟踪问题,提出一种自适应粒子滤波目标跟踪算法.建立了目标加权概率模型.在滤波过程中,提出双过程粒子重抽样方法,形成对抽样粒子集的自适应调节,有效地解决了粒子退化问题.用实际红外图像序列做了实验.结果表明,在非线性环境下用该方法得到的红外目标跟踪结果优于用传统粒子滤波和扩展卡尔曼滤波算法获得的结果.
目标跟踪 粒子滤波 双过程 加权颜色概率分布 Target tracking Adaptive particle filter Bi-process Weighted color probability contribution
