计算机辅助肝脏肿瘤分割可减少医生工作量,提高手术成功率,因而具有重要的临床诊疗价值。为获得精确的肝脏肿瘤自动分割结果,该文结合医学影像分割领域近年新兴的U-Net模块提出了基于级联可分离空洞残差U-Net(cascaded separable and di...计算机辅助肝脏肿瘤分割可减少医生工作量,提高手术成功率,因而具有重要的临床诊疗价值。为获得精确的肝脏肿瘤自动分割结果,该文结合医学影像分割领域近年新兴的U-Net模块提出了基于级联可分离空洞残差U-Net(cascaded separable and dilated residual U-Net, CSDResU-Net)的肝脏肿瘤分割方法。CSDResU-Net采用了级联操作,解决了因肿瘤在整幅图像中占比小而造成的肿瘤分割数据不平衡问题;通过在分割网络中整合残差单元、深度可分离卷积和空洞卷积,能够增加卷积核感受野并快速提取更具判别性的肝脏肿瘤图像特征,从而提高肝脏肿瘤分割精度。在国际医学图像计算和计算机辅助干预协会肝脏肿瘤分割数据库上的实验结果表明,CSDResU-Net比基线方法的Dice系数指标提升了1.3%,同时发现空洞率对分割网络的性能表现影响较大。展开更多
为解决SVM、Bayes、RNN(recurrent neural network)等传统算法在蛋白质结构分类任务中精度低的问题,提出一种基于残差网络的蛋白质超二级结构图像分类方法。将PDB(protein data bank)和SCOP(structural classification of proteins)数...为解决SVM、Bayes、RNN(recurrent neural network)等传统算法在蛋白质结构分类任务中精度低的问题,提出一种基于残差网络的蛋白质超二级结构图像分类方法。将PDB(protein data bank)和SCOP(structural classification of proteins)数据库中的4类蛋白质超二级结构3D模型转化为14角度拍摄的2D图像,针对每类图像,通过残差网络单元进行深度特征提取和优化,利用神经网络模型训练,将验证精度最高的模型保存下来并进行测试。实验结果表明,分类精度达到了90.2%,验证了模型的可行性和算法的有效性。展开更多
文摘为解决SVM、Bayes、RNN(recurrent neural network)等传统算法在蛋白质结构分类任务中精度低的问题,提出一种基于残差网络的蛋白质超二级结构图像分类方法。将PDB(protein data bank)和SCOP(structural classification of proteins)数据库中的4类蛋白质超二级结构3D模型转化为14角度拍摄的2D图像,针对每类图像,通过残差网络单元进行深度特征提取和优化,利用神经网络模型训练,将验证精度最高的模型保存下来并进行测试。实验结果表明,分类精度达到了90.2%,验证了模型的可行性和算法的有效性。
