检索结果

Select

1. 基于残差注意力机制的点云配准算法

秦庭威, 赵鹏程, 秦品乐, 曾建朝, 柴锐, 黄永琦

《计算机应用》唯一官方网站 2022, 42 (7): 2184-2191. DOI: 10.11772/j.issn.1001-9081.2021071319

摘要（592）

HTML （15）

PDF （2278KB）（578）

针对传统点云配准算法精度低、鲁棒性差以及放疗前后癌症患者无法实现精确放疗的问题，提出一种基于残差注意力机制的点云配准算法（ADGCNNLK）。首先，在动态图深度卷积网络（DGCNN）中添加残差注意力机制来有效地利用点云的空间信息，并减少信息损失；然后，利用添加残差注意力机制的DGCNN提取点云特征，这样做不仅可以在保持点云置换不变性的同时捕捉点云的局部几何特征，也可以在语义上将信息聚合起来，从而提高配准效率；最后，将提取到的特征点映射到高维空间中并使用经典的图像迭代配准算法LK进行配准。实验结果表明，所提算法与迭代最近点算法（ICP）、全局优化的ICP算法（Go-ICP）和PointNetLK相比，在无噪、有噪的情况下配准效果均最好。其中，在无噪情况下，与PointNetLK相比，所提算法的旋转均方误差降低了74.61%，平移均方误差降低了47.50%；在有噪声的情况下，与PointNetLK相比，所提算法的旋转均方误差降低了73.13%，平移均方误差降低了44.18%，说明所提算法与PointNetLK相比鲁棒性更强。将所提算法应用于放疗前后癌症患者人体点云模型的配准，从而辅助医生治疗，并实现了精确放疗。

图表 | 参考文献 | 相关文章 | 多维度评价

Select

2. 基于注意力机制的两阶段纵膈淋巴结自动分割算法

徐少伟, 秦品乐, 曾建朝, 赵致楷, 高媛

计算机应用 2021, 41 (2): 556-562. DOI: 10.11772/j.issn.1001-9081.2020060809

摘要（457）

PDF （2390KB）（547）

判断淋巴结分区是否存在淋巴结转移以及准确分割恶性淋巴结对于肺癌诊断以及治疗意义重大。针对纵膈淋巴结尺寸差异大、正负样本不平衡、与周边软组织和肺肿瘤特征相似等问题，提出了一个新颖的用于纵膈淋巴结分割的基于注意力机制的级联算法。首先，根据医学先验设计了两阶段分割算法剔除纵膈干扰组织后对疑似淋巴结进行分割，减少负样本的影响和训练难度，同时增强对纵膈淋巴结的分割能力；然后，引入全局聚合模块和双注意力模块以提升网络对多尺度目标和背景的分类能力。实验结果表明，提出的算法在纵膈淋巴结数据集上的准确率达到0.707 9，召回率达到0.726 9，Dice score达到 0.701 1，在准确率和Dice score上均明显优于当前其他纵膈淋巴结分割算法，能较好地解决淋巴结尺寸差异大、样本不平衡、特征易混淆等问题。

参考文献 | 相关文章 | 多维度评价

Select

3. 基于改进粒子群优化算法的牙齿正畸路径规划方法

徐晓强, 秦品乐, 曾建朝

计算机应用 2020, 40 (7): 1938-1943. DOI: 10.11772/j.issn.1001-9081.2019112055

摘要（450）

PDF （1792KB）（653）

针对虚拟口腔正畸治疗系统中牙齿移动路径规划问题，提出了一种基于正态分布的简化均值粒子群的牙齿正畸路径规划方法。首先建立了单颗牙齿及整体牙齿的数学模型，并根据牙齿运动的特性，将牙齿正畸路径规划问题转化为带约束的优化问题；其次，在简化粒子群算法的基础上，引入正态分布及均值粒子群的思想，提出了一种基于正态分布的简化均值粒子群优化（NSMPSO）算法；最后，从平移路径长度、旋转角度、碰撞检测以及牙齿在单阶段的移动量、旋转量这五个方面构造了高安全性的适应度函数，实现了牙齿正畸移动路径的规划。将NSMPSO与基本粒子群优化（PSO）算法、均值粒子群优化（MPSO）算法和动态调整惯性权重的简化均值粒子群优化（DSMPSO）算法进行对比，结果表明，改进的算法在Sphere、Griewank和Ackley这三大基准测试函数上均在50次迭代内趋于稳定收敛，且均具有最快的收敛速度和最高的收敛精度。通过Matlab中的仿真实验，验证了利用该数学模型和改进算法求得的最优路径安全可靠，可以为医生提供辅助诊断。

参考文献 | 相关文章 | 多维度评价

Select

4. 基于不同超声成像的甲状腺结节良恶性判别

武宽, 秦品乐, 柴锐, 曾建朝

计算机应用 2020, 40 (1): 77-82. DOI: 10.11772/j.issn.1001-9081.2019061113

摘要（560）

PDF （981KB）（528）

为实现更为准确的甲状腺结节良恶性超声图像诊断，避免不必要的穿刺或活检手术，提出了一种基于卷积神经网络（CNN）的常规超声成像和超声弹性成像的特征结合方法，提高了甲状腺结节良恶性分类准确率。首先，卷积网络模型在大规模自然图像数据集上完成预训练，并通过迁移学习的方式将特征参数迁移到超声图像域用以生成深度特征并处理小样本。然后，结合常规超声成像和超声弹性成像的深度特征图形成混合特征空间。最后，在混合特征空间上完成分类任务，实现了一个端到端的卷积网络模型。在1156幅图像上进行实验，所提方法的准确率为0.924，高于其他单一数据源的方法。实验结果表明，浅层卷积共享图像的边缘纹理特征，高层卷积的抽象特征与具体的分类任务相关，使用迁移学习的方法可以解决数据样本不足的问题；同时，弹性超声影像可以对甲状腺结节的病灶硬度进行客观的量化，结合常规超声的纹理轮廓特征，二者融合的混合特征可以更全面地描述不同病灶之间的差异。所提方法可以高效准确地对甲状腺结节进行良恶性分类，减轻患者痛苦，给医生提供更为准确的辅助诊断信息。

参考文献 | 相关文章 | 多维度评价