<samp id="ffp3e"><ins id="ffp3e"><ruby id="ffp3e"></ruby></ins></samp>

<menuitem id="ffp3e"><strong id="ffp3e"></strong></menuitem>

    <tbody id="ffp3e"></tbody>

    <tbody id="ffp3e"><bdo id="ffp3e"></bdo></tbody>
    1. <menuitem id="ffp3e"></menuitem>
    2. <progress id="ffp3e"><bdo id="ffp3e"></bdo></progress>

      <tbody id="ffp3e"></tbody>

    3. <progress id="ffp3e"><bdo id="ffp3e"><dfn id="ffp3e"></dfn></bdo></progress><tbody id="ffp3e"><nobr id="ffp3e"></nobr></tbody>
      華西醫學期刊出版社
      作者
      • 標題
      • 作者
      • 關鍵詞
      • 摘要
      高級搜索
      高級搜索

      搜索

      找到 作者 包含"林洪平" 2條結果
      • 醫學圖像數據集擴充方法研究進展

        計算機輔助診斷(CAD)系統對現代醫學診療體系具有非常重要的作用,但其性能受訓練樣本的限制。而訓練樣本受成像成本、標記成本和涉及患者隱私等因素的影響,導致訓練圖像多樣性不足且難以獲取。因此,如何高效且以較低成本擴充現有醫學圖像數據集成為研究的熱點。本文結合國內外的相關文獻,對醫學圖像數據集擴充方法的研究進展進行綜述,首先對比分析基于幾何變換和基于生成對抗網絡的擴充方法,其次重點介紹基于生成對抗網絡擴充方法的改進及其適用場景,最后討論醫學圖像數據集擴充領域的一些亟待解決的問題并對其未來發展趨勢進行展望。

        發表時間: 導出 下載 收藏 掃碼
      • 醫學圖像分割算法的損失函數綜述

        基于深度學習的醫學圖像分割方法已經成為了醫學圖像處理領域的強大工具。由于醫學圖像的特殊性質,基于深度學習的圖像分割算法面臨樣本不平衡、邊緣模糊、假陽性、假陰性等問題,針對這些問題,研究人員大多對網絡結構進行改進,而很少從非結構化方面做出改進。損失函數是基于深度學習的分割方法中重要的組成部分,對損失函數的改進可以從根源上提高網絡的分割效果,并且損失函數與網絡結構無關,可以即插即用地運用在各種網絡模型和分割任務中。本文從醫學圖像分割任務中的困難出發,首先介紹了解決樣本不平衡、邊緣模糊、假陽性、假陰性問題的損失函數及改進策略;然后對目前損失函數改進過程中所遇到的困難進行分析;最后對未來的研究方向進行了展望。本文將為損失函數的合理選擇、改進或創新提供參考,并為損失函數的后續研究指引方向。

        發表時間: 導出 下載 收藏 掃碼
      共1頁 上一頁 1 下一頁

      Format

      Content

      小泉真希