简介:摘要:针对单通道振动信号输入不能全面表达结构损伤特征信息问题,提出基于多通道一维卷积神经网络的结构损伤识别方法,融合多传感器振动信号信息,直接从原始振动信号中自主提取学习结构损伤特征,实现对结构损伤模式的识别。通过简支梁数值模拟对所提方法进行验证,结果表明:所建立的多通道一维卷积神经网络模型(1D-CNN)能够准确地识别结构的损伤位置和损伤程度,且具有一定的抗噪能力。
简介:摘要目的研究一种基于深层卷积神经网络(DCNN)全自动近视性黄斑病变(MMD)筛查及其严重程度评估系统。方法收集安徽省第二人民医院6 068张眼底图像构建训练集,并选取公开的眼底图像数据集构建测试集。对眼底图像进行预处理及扩增、MMD病变等级标注、数据清洗。构建全自动MMD筛查系统,该系统由两级网络结构组成,第一级网络结构用于识别MMD是否存在,第二级网络结构用于判断MMD病变的严重等级。比较VGG-16、ResNet50、Inception-v3和Densenet这4种常用的DCNN方法在MMD筛查及严重程度识别任务中的准确率、特异性、敏感度、精确率、F1值、曲线下面积(AUC)、Kappa系数性能。结果Densenet网络模型在MMD筛查任务中表现最优,其敏感度、特异性、精确率、F1值和AUC分别为0.898、0.918、0.919、0.908和0.962。Inception-v3网络模型在MMD严重程度识别任务中表现最优,其敏感度、特异性、精确率、F1值和AUC分别为0.839、0.952、0.952、0.892和0.965。可视化结果显示,本研究所采用的网络结构模型可自动学习MMD严重等级判断的临床特征,准确识别弥漫性和局灶性脉络膜萎缩区域。结论基于DCNN的眼底图像MMD筛查方法可自动化提取MMD的有效特征,并准确进行MMD筛查及其严重等级判断,可有效辅助临床。
简介:摘要目的通过深度卷积神经网络(convolutional neural network,CNN)技术实现胃病变内镜图像的快速、准确人工智能辅助诊断。方法收集2012—2018年北京大学人民医院1 121例胃病变的普通白光内镜图像和病理结果。胃病变图像包括消化性溃疡、早期胃癌及高级别上皮内瘤变、进展期胃癌、胃黏膜下肿瘤共4类,另外还包括无病变正常胃黏膜图像。共17 217张图像作为训练集,使用CNN ResNet-34模型训练分类任务,使用全CNN DeepLabv3模型训练像素分割任务。经过训练后的CNN通过一个测试集评估诊断效能,测试集包括237例胃病变,共1 091张普通内镜图像。计算CNN诊断的准确率、敏感度、特异度、阳性预测值、阴性预测值。结果CNN对于早期胃癌及高级别上皮内瘤变的诊断准确率为78.6%(33/42),敏感度为84.4%(27/32),特异度为60.0%(6/10),阳性预测值87.1%(27/31),阴性预测值54.5%(6/11);对于消化性溃疡的诊断准确率为90.4%(47/52),敏感度为92.7%(38/41),特异度为81.8%(9/11);对于进展期胃癌的诊断准确率为88.1%(52/59),敏感度为91.8%(45/49),特异度为70.0%(7/10);对于胃黏膜下肿瘤的诊断准确率为86.0%(43/50),敏感度为89.7%(35/39),特异度为72.7%(8/11)。所有测试集图像识别时间为42 s。结论CNN可以作为早期胃癌及其他胃病变内镜图像的快速辅助识别方法,识别速度快,准确率高。
简介:
简介:目的:针对脑肿瘤形状、位置及大小等多变性,提出一种适合磁共振成像(MRI)脑肿瘤分割的卷积神经网络模型的改进方法。方法:将卷积神经网络应用到脑肿瘤分割上,并针对脑肿瘤的特点,提出多尺度卷积神经网络模型(MSCNN),通过多尺度的输入与多尺度下的采样,克服脑肿瘤的个体差异,同时适应脑肿瘤不同图像层之间的大小位置差异,弱化肿瘤边缘与正常组织灰度相近的影响。结果:通过对30例患者的多模态磁共振图像进行分割,得到平均Dice系数为83.11%;平均灵敏度系数为89.48%;平均阳性预测值(PPV)系数为78.91%。结论:MRI脑肿瘤分割的改进方法可使分割精度得到明显提高,多尺度卷积神经网络能自适应脑肿瘤的差异性,并准确有效地分割脑肿瘤。
简介:摘要:航空发动机作为飞机的关键部件,结构复杂且工作环境恶劣(高温、高压、高速、高强度、变负荷等),其核心传动件(如轴承)易出现故障失效,因此,研究航空发动机核心传动件的状态监测与故障诊断,对及时发现故障隐患、保证飞行安全、降低运维成本具有重要意义。振动信号分析是轴承故障检测的一种有效方法。振动信号包含丰富的轴承故障信息,但受复杂装备中多个振动源、复杂传递路径、强噪声干扰的影响,故障特征信号十分微弱,因此如何从振动信号中获取故障信息是故障诊断的关键。为有效提取故障特征,出现了诸多方法,如小波变换方法、经验模态分解、局部均值分解、变分模态分解等。小波变换适用于分析非平稳信号或奇异性突变信号,但小波基的选择依赖于经验,自适应性差。经验模态分解、变分模态分解等解调方法能自适应分离出周期性故障冲击,但易出现模态混叠、端点效应、过(欠)包络或分解个数不易确定等问题。