【摘 要】
：
近年来,利用深度神经网络（Deep Neural Networks,DNNs）进行医学图像分割取得了显著的进展。然而,深度神经网络通常需要大量的数据和标注进行训练,对于医学图像,图像采集设备及患者隐私等问题导致数据与标注都代价高昂且难以获取。为解决此问题,本文提出了一种基于距离度量学习（Distance Metric Learning,DML）的小样本（单样本和少样本）医学图像通用分割框架。现有的
论文部分内容阅读
近年来,利用深度神经网络（Deep Neural Networks,DNNs）进行医学图像分割取得了显著的进展。然而,深度神经网络通常需要大量的数据和标注进行训练,对于医学图像,图像采集设备及患者隐私等问题导致数据与标注都代价高昂且难以获取。为解决此问题,本文提出了一种基于距离度量学习（Distance Metric Learning,DML）的小样本（单样本和少样本）医学图像通用分割框架。现有的大多数方法解决的是拥有大量数据的情况下缺乏人工标注的问题,但是本文提出的的框架在数据与标注都极度匮乏的情况下工作,这是应对罕见疾病的理想方法。该框架通过DML学习每种类别的多峰混合描述,并根据待分割图像像素点的嵌入向量与类别描述之间的余弦距离进行密集预测。多峰混合描述有效地利用了对象间的相似性和类内的差异性来克服由于极其有限的数据而导致的过拟合。另外,本文提出了用于多峰混合分布的自适应混合系数,以自适应地选择更适合当前输入的峰。这些类别描述被隐式地嵌入到全连接层的权重之中,从而可以通过前向传播有效地计算余弦距离。除自适应混合系数外,该框架另外采用了三种针对医学图像特征而进行改进的策略以使框架获得更好的性能。在大脑磁共振图像上进行实验,本文提出的框架与标准DNN（3D U-Net）和经典配准（ANTs）方法相比,在小样本医学图像分割实验中得到了良好的结果。使用单例样本及标注进行分割训练时,平均Dice系数在大脑磁共振图像上达到了 81%,相比之下,U-Net和ANTs分别为52%和72%。为进一步验证框架在其他图像模态和身体其他组织器官图像上进行分割的能力,本文使用提出的框架在腹部CT数据集以及乳腺超声图像上进行了实验,同样得到了良好的结果。另外,尽管本研究针对的实际实验背景与一些现有前沿方法不同,但本文依旧通过合理的修改实验条件设置把该框架与一些现有的前沿方法（包括小样本学习和非小样本学习）进行了比较,通过实验数据进一步说明了提出框架的适应性和有效性。
其他文献
随着科学技术的发展,每天都会产生海量视频数据,这些数据与我们生活有着紧密联系。如何有效利用这些数据为我们的生活带来便捷,是随之而来的问题。许多现实场景中,动作之间差异十分微小,使得它们具有细粒度的特征,所以细粒度视频行为检测和识别技术是一个有效解决问题的方向。细粒度动作识别和检测是一个非常具有挑战性的问题,近几年引起了学术界极大的关注。在视频中,细粒度动作类别之间的视觉差异非常细微,导致动作识别和
时序数据挖掘是数据挖掘和机器学习领域的一个研究热点,并被广泛应用于用户感兴趣位置实时推荐、金融系统风险评估预测和学者建档检索等实际应用中。与静态数据相比,时序数据不仅带有时间标签信息,还含有样本随时间动态演化的丰富信息。目前时序数据挖掘主要有两点不足:首先,大部分研究只关心每一个时刻数据的表征以及未来的状态,而数据的动态演化过程本身的建模与表征方面的研究存在很大空缺;其次,部分时序数据非常稀疏并且
随着云计算、大数据、区块链等技术的蓬勃发展,虚拟化技术也随之得到了广泛的应用,其中基于容器的虚拟化方案得到了更广泛的关注。Docker更是其中最热门的代表方案之一,但是Docker也面临许多安全性问题,由于直接使用了宿主机的内核与资源库,其隔离并不完善,诸多问题也因此发生。因此,增强Docker的隔离性迫在眉睫。本文专注于对Docker的隔离性问题进行了研究,主要研究内容包括以下三个部分。本文采用
野生动物监测系统作为野生动物保护的重要组成部分,对保护野生动物,维持生态系统的和谐稳定起着重要作用。我国已在多个省份的自然保护区大量布设红外相机构建野生动物监测系统。但是由于存在野生动物保护区通常没有通信网络以及红外相机易被误触发、数据回收难度较大等问题,野生动物监测系统无法及时获取监测设备拍摄的图像视频数据并且获取到的数据有大量无效信息,这就造成了监测系统运行人工成本高、实时性差等问题。本文设计
随着芯片的生产模式越来越依赖外包制造,其生产过程中的各个阶段都可能被植入硬件木马。硬件木马是芯片攻击中最有效的手段,引起了人们的广泛关注。硬件木马会导致芯片的物理场信息发生变化,因此本文针对芯片安全领域,分别研究了基于温度场效应的硬件木马实时监控技术和基于温度场特征的硬件木马精准修复技术,除此之外,还针对现场可编程门阵列（Field Programmable Gate Array,FPGA）的电压
水下主动电场成像是仿生弱电鱼建立电场探测周围环境的生物机制而诞生的一门新型水下成像技术。简易的电极传感器装置通过运动扫频的方式获取实验物体不同方向的频率转折点（FIP）信息,利用这些FIP能够实现对实验物体的轮廓成像。结构复杂的电极传感器阵列装置通过简单的运动扫描方式,测量扫描区域内不同位置的幅值变化信息,然后根据这些幅值变化信息同样能够对水下物体形状进行成像。本文对这两种水下主动电场成像方法进行
以人类动作分析为核心的视频分析技术是智能监控,图像/视频自动标注和智能人机交互等诸多领域中的重要技术,有着广泛的应用场景和研究价值。当前人类动作识别技术多集中在固定视角下的动作识别,然而,在现实应用中,摄像头在部署过程中会出现视角复杂多变的情况,在某些人与移动机器人交互的场景中,甚至可能出现相机不断移动的情况,这类型的问题在本文统一称之为自由视点动作识别问题。当前的工作大多只是在单一视角或者固定的
随着现代无线通信技术的迅猛发展,物联网已经渗透到人们生活中的方方面面。物联网中各个行业独立发展缺少交互,因此各设备及其提供的服务均具有较强的异构性,设备的识别控制、服务匹配以及消息传输方面都会遇到众多复杂的问题。解决上述问题的核心在于解决异构问题。本文对物联网中设备属性进行分析研究,提出了一种基于功能属性的设备描述机制,基于该设备描述机制,设计了异构物联网系统中设备服务的识别、注册、控制及匹配架构
近年来,随着车联网和无线技术的发展,车载信息娱乐应用的不断涌现,车联网中内容需求也正以惊人的速度增长。为了满足车联网中如此高的内容需求,边缘缓存技术得到了广泛的关注。通过在网络边缘,如基站和路侧单元上部署缓存资源,在边缘节点上缓存部分流行内容以提供内容下载服务,能够有效缓解核心网络压力,减少内容请求时延。然而,由于边缘节点缓存资源有限、内容请求分布不均匀以及车辆高速移动导致网络拓扑动态变化等问题,
图像融合是图像处理领域中的一个重要分支,可以将来自不同的传感器对于同一场景中的信息采集后得到的图像数据进行处理,保留各自数据中的有用信息并剔除掉冗余的信息,得到含有集成信息的高质量图像。图像融合在军用和民用领域都发挥着重要的作用。深度学习目前发展势头迅猛,在图像处理领域具有非常广泛的应用,但是在图像融合领域,深度学习方法对比传统方法并没有明显的优势,原因主要有两点:一、图像融合领域没有绝对意义上最