Application of a semantic segmentation convolutional neural network for accurate automatic detection and mapping of solar photovoltaic arrays in aerial imagery
Duke University（杜克大学）
我们考虑的问题，自动检测小规模的太阳能光伏阵列背后的米能源资源评估在高分辨率航空影像。这种算法提供了一种更快、更经济的解决方案来收集分布式太阳能光伏（PV）阵列的信息，例如它们的位置、容量和产生的能量。光伏阵列的表面积是一个可以从航空图像中估计的特征，它为阵列容量和能量产生提供了一个重要的代理。在这项工作中，我们采用了最先进的卷积神经网络架构，称为SegNet（Badrinarayanan et.例如，2015年），语义分割（或映射）光伏阵列在航空图像。这是建立在以前的工作重点是确定光伏阵列的位置，而不是他们的具体形状和大小。我们测量我们的SegNet实现的能力，以估计光伏阵列的表面积上的一个大的，公开的，数据集，已在以前的几项研究。结果表明，与最近提出的卷积神经网络PV检测算法相比，SegNet模型在估计形状和大小方面产生了实质性的性能改进。
2018-01-11 cs.CV
Automatic Spine Segmentation using Convolutional Neural Network via Redundant Generation of Class Labels for 3D Spine Modeling
Korea Institute of Science and Technology（韩国科学技术研究院）；Korea University of Science and Technology（韩国科学技术大学）；Korea Advanced Institute of Science and Technology（韩国科学技术院）
从2010年到2016年，患有脊柱问题的人数大幅增加。从计算机断层摄影（CT）图像获得的脊柱的自动图像分割对于诊断脊柱状况和利用计算机辅助手术系统执行手术是重要的。脊柱具有复杂的解剖结构，由33个椎骨、23个椎间盘、脊髓和连接肋骨组成。因此，脊柱外科医生面临的挑战是需要一个强大的算法来分割和创建脊柱模型。在这项研究中，我们开发了一种自动分割方法来分割脊柱，我们比较了我们的分割结果与专家获得的参考分割。我们开发了一种基于混合方法的全自动CT脊柱分割方法。该方法结合了卷积神经网络（CNN）和全卷积网络（FCN），并利用类冗余作为软约束，大大提高了分割效果。实验结果表明，该方法可以显著提高分割结果的准确性，缩短系统处理时间。我们的比较是基于12个测量：Dice系数（94%），Jaccard指数（93%），体积相似性（96%），灵敏度（97%），特异性（99%），精确度（99%），（过度分割; 8.3和分割下2.6），准确率（99%），Matthews相关系数（0.93）、平均表面距离（0.16 mm）、Hausdorff距离（7.4 mm）和全局一致性误差（0.02）。我们对32例患者的CT图像进行了实验，实验结果证明了该方法的有效性。
2017-11-29 cs.CV
Convolutional Neural Networks for Automatic Meter Reading
Federal University of Paraná（巴拉那联邦大学）；Federal University of Minas Gerais（米纳斯吉拉斯联邦大学）
在本文中，我们利用卷积神经网络（CNN）的高性能来解决自动抄表（AMR）问题。我们设计了一个两阶段的方法，采用Fast-YOLO对象检测器进行计数器检测，并评估了三种不同的基于CNN的计数器识别方法。在AMR文献中，由于图像属于服务公司，因此研究界无法获得大多数数据集。在这个意义上，我们引入了一个新的公共数据集，称为UFPR-AMR数据集，其中包含2，000个完全手动注释的图像。据我们所知，该数据集比文献中发现的最大公共数据集大三倍，并包含一个定义明确的评估方案，以帮助AMR方法的开发和评估。此外，我们提出了使用数据增强技术来生成一个平衡的训练集与更多的例子来训练的CNN模型计数器识别。在所提出的数据集中，获得了令人印象深刻的结果，并对每个模型进行了详细的速度/精度权衡评估。在一个公共数据集中，使用不到200张图像进行训练就获得了最先进的结果。
2019-02-25 cs.CV
Toward Automatic Threat Recognition for Airport X-ray Baggage Screening with Deep Convolutional Object Detection
Duke University（杜克大学）；Rapiscan Systems（瑞源系统公司）
为了旅客的安全，运输安全管理局（TSA）在美国的机场设有安全检查站，试图将危险物品从飞机上带走。在这些检查站，TSA使用了一批X光扫描仪，如Rapiscan 620DV，因此运输安全官员（TSO）可以检查随身物品的内容。然而，识别和定位所有潜在威胁可能是一项具有挑战性的任务。因此，TSA最近对基于深度学习的自动检测算法产生了兴趣，这些算法可以帮助TSO。在TSA资助的一项合作中，我们收集了一个相当大的新X射线扫描数据集，其中包含各种背景下的各种威胁，训练了几个深度卷积目标检测模型，并将这些模型集成到Rapiscan 620 DV中，从而产生了能够实时的操作的功能原型。我们展示了我们的模型的性能举行了评估集，分析了几个设计参数，并展示了这种系统的自动检测威胁，可以在机场发现的潜力。
2019-12-13 cs.CV
Automatic extraction of road intersection points from USGS historical map series using deep convolutional neural networks
University of Cincinnati（辛辛那提大学）；Space Informatics Lab（空间信息学实验室）
道路交叉点数据已被用于不同的地理空间应用程序和分析。在地理信息系统出现之前的道路网络数据集只能以历史印刷地图的形式提供。在GIS软件进行分析之前，它们需要被扫描并转换为可用的基于矢量的格式。由于大量的扫描历史地图，需要采用自动化的方法将其转换为数字数据集。通常，该过程基于计算机视觉算法。然而，低质量和视觉复杂的地图转换精度低和设置最佳参数是使用这些算法的两个挑战。在本文中，我们采用了使用深度卷积神经网络进行目标检测任务的标准范例，即基于区域的CNN，用于自动识别美国几个城市的历史USGS地图中的道路交叉口。我们发现，该算法显示出更高的转换精度的道路地图的双线地图表示比单线的。此外，与大多数传统的计算机视觉算法相比，RCNN提供了更准确的提取。最后，结果表明，检测输出中的错误量对地图的复杂度和模糊度以及其中不同RGB组合的数量很敏感。
2020-07-14 cs.CV
Iterative fully convolutional neural networks for automatic vertebra segmentation and identification
University Medical Center Utrecht（乌得勒支大学医学中心）；Radboud University Medical Center Nijmegen（奈梅亨拉德堡德大学医学中心）；Utrecht University（乌得勒支大学）
椎骨的精确分割和解剖学识别为脊柱的自动分析提供了基础，例如检测椎骨压缩性骨折或其他异常。大多数专用脊柱CT和MR扫描以及胸部、腹部或颈部扫描仅覆盖脊柱的一部分。因此，分割和识别不应依赖于某些椎骨或一定数量的椎骨的可见性。我们提出了一种迭代实例分割方法，该方法使用完全卷积神经网络来一个接一个地分割和标记椎骨，而与可见椎骨的数量无关。这种逐个实例分割通过将网络与保存关于已经分割的椎骨的信息的存储器组件相结合来实现。该网络迭代地分析图像块，使用来自图像和存储器的信息来搜索下一个椎骨。为了有效地遍历图像，我们包括椎骨总是彼此相邻的先验知识，这用于跟踪脊柱。该方法使用五种不同的数据集进行评估，包括多种模式（CT和MR），脊柱不同部分的各种视野和覆盖范围，以及一组特别具有挑战性的低剂量胸部CT扫描。所提出的迭代分割方法与现有方法相比具有快速、灵活和通用性等优点。
2019-02-11 cs.CV
DAC: Data-free Automatic Acceleration of Convolutional Networks
Qualcomm AI Research（高通人工智能研究院）；Lehigh University（里海大学）
在移动/物联网设备上部署深度学习模型是一项具有挑战性的任务。困难在于计算速度和精度之间的权衡。具有高准确性的复杂深度学习模型在资源有限的设备上运行缓慢，而运行速度快得多的轻量级模型则会失去准确性。在本文中，我们提出了一种新的分解方法，即DAC，它能够将普通的卷积层分解为具有更少参数的两层。DAC直接从原始卷积层的权重计算新生成层的相应权重。因此，不需要训练（或微调）或任何数据。实验结果表明，DAC减少了大量的浮点运算（FLOPs），同时保持了预训练模型的高精度。如果2%的精度下降是可接受的，DAC在ImageNet数据集上保存VGG 16图像分类模型的53% FLOPS，在PASCAL VOC 2007数据集上保存SSD 300目标检测模型的29% FLOPS，在Microsoft COCO数据集上保存多人姿势估计模型的46% FLOPS。与现有的其他分解方法相比，DAC实现了更好的性能。
2018-12-27 cs.CV cs.LG
Multi-Analyte, Swab-based Automated Wound Monitor with AI
Mayo Clinic Arizona（妙佑医疗国际亚利桑那州分院）；North Carolina State University（北卡罗来纳州立大学）；Arizona State University（亚利桑那州立大学）
本文提出一种集成3D打印多分析物拭子传感器与iOS应用的低成本伤口监测系统，通过计算机视觉自动分析检测图像密度变化，实现糖尿病足溃疡严重程度的早期识别与实时监测。
2025-05-30 cs.AI cs.CV cs.HC
FUSeg: The Foot Ulcer Segmentation Challenge
University of Wisconsin-Milwaukee（威斯康星大学密尔沃基分校）；Institute for Pathophysiology and Allergy Research, Medical University of Vienna（维也纳医科大学病理生理学与过敏研究所）；Bournemouth University（伯恩茅斯大学）；Advancing the Zenith of Healthcare (AZH) Wound and Vascular Center（AZH伤口与血管中心）
具有不同病因的急性和慢性伤口在经济上给医疗保健系统带来负担。到2024年，先进的伤口护理市场估计将达到220亿美元。伤口护理专业人员在很大程度上依赖图像和图像文档提供适当的诊断和治疗。图像中伤口边界的分割是护理和诊断协议的关键组成部分，因为它对于估计伤口的面积并为治疗提供定量测量是重要的。不幸的是，这个过程非常耗时，需要高水平的专业知识。最近，基于深度学习的自动伤口分割方法表现出了良好的性能，但需要大量的数据集进行训练，目前还不清楚哪种方法性能更好。为了解决这些问题，我们提出了与2021年医学图像计算和计算机辅助干预国际会议（MICCAI）联合组织的足部溃疡分割挑战（FUSeg）。我们建立了一个伤口图像数据集，其中包含2年内从889名患者中收集的1，210张足部溃疡图像。它由伤口护理专家按像素进行注释，并分为1010张图像的训练集和200张图像的测试集进行评估。世界各地的团队开发了自动化方法来预测测试集上的伤口分割，其中注释是保密的。根据平均Dice系数对预测进行评估和排名。FUSeg挑战仍然是一个开放的挑战，作为会议后伤口分割的基准。
2022-01-02 cs.CV cs.LG eess.IV
TransUNet-GradCAM: A Hybrid Transformer-U-Net with Self-Attention and Explainable Visualizations for Foot Ulcer Segmentation
Ghana Communication Technology University（加纳通信技术大学）；University of Cape Coast（海岸角大学）
TransUNet-GradCAM通过融合自注意力机制和可解释可视化，实现足部溃疡分割的高精度与可解释性。
2026-09-27 cs.CV eess.IV
Cascaded Convolutional Neural Network for Automatic Myocardial Infarction Segmentation from Delayed-Enhancement Cardiac MRI
Beihang University（北京航空航天大学）
自动分割心肌轮廓和相关区域，如梗死和无复流是心肌梗死定量评价的重要步骤。在这项工作中，我们提出了一个级联卷积神经网络自动心肌梗死分割延迟增强心脏MRI。我们首先使用2D U-Net专注于切片内信息来执行初步分割。之后，我们使用一个3D的U-网络，利用体积的空间信息进行微妙的分割。我们的方法在MICCAI 2020 EMIDEC挑战数据集上进行了评估，心肌、梗死和无复流的平均Dice得分分别为0.8786、0.7124和0.7851，优于分割竞赛的所有其他团队。
2020-12-28 cs.CV eess.IV
Convolutional neural networks for automatic detection of Focal Cortical Dysplasia
Skoltech（斯科尔科沃科技学院）
局灶性皮质发育不良（FCD）是最常见的致痫性病变之一，与皮质发育畸形有关。然而，FCD的准确检测依赖于放射科医生的专业水平，在许多情况下，病变可能会被遗漏。在这项工作中，我们解决的问题，自动识别的FCD磁共振图像（MRI）。为此，我们改进了最近基于深度学习的FCD检测方法，并将其应用于15名标记FCD患者的数据集。该模型导致15名受试者中有11名成功检测到FCD。
2020-10-20 cs.CV eess.IV
Automatic Segmentation of Non-Tumor Tissues in Glioma MR Brain Images Using Deformable Registration with Partial Convolutional Networks
Shanghai United Imaging Intelligence Co. Ltd（上海联影智能医疗科技有限公司）；Southern Medical University（南方医科大学）
在脑肿瘤的诊断和手术规划中，肿瘤区域的分割和周围正常组织的准确分析是医生必须要做的。病理变异性通常使得难以将良好标记的正常图谱配准到这样的图像以及自动分割/标记周围的正常脑组织。在本文中，我们提出了一种新的配准方法，首先使用U-Net分割脑肿瘤，然后使用部分卷积网络模拟肿瘤区域内错过的正常组织。然后，将标准的正常脑图谱图像配准到这样的肿瘤去除图像上，以分割/标记正常脑组织。这样，我们的新方法大大减少了变形配准中病理变异的影响，并很好地分割了脑肿瘤周围的正常组织。在实验中，我们使用MICCAI BraTS 2018 T1肿瘤图像来评估所提出的算法。通过与直接配准算法的比较，结果表明，与周围正常脑组织相比，脑灰质的Dice系数有明显提高。
2020-07-10 cs.CV eess.IV
Automatic brain tissue segmentation in fetal MRI using convolutional neural networks
University Medical Center Utrecht（乌得勒支大学医学中心）；Wilhelmina Children’s Hospital（威廉明娜儿童医院）；Utrecht University（乌得勒支大学）
胎儿的磁共振图像使临床医生能够在发育的早期阶段发现大脑异常。胎儿MRI中体积和形态分析的基础是将胎儿脑分割成不同的组织类别。手动分割是繁琐和耗时的，因此自动分割可以大大简化程序。然而，这些扫描中的自动脑组织分割是具有挑战性的，这是由于包括强度不均匀性的伪影，特别是由扫描期间的自发胎动引起的。与估计偏置场以去除强度不均匀性作为分割预处理步骤的方法不同，我们建议使用卷积神经网络进行分割，该卷积神经网络利用具有综合引入的强度不均匀性的图像作为数据增强。该方法首先使用CNN来提取颅内体积。然后，采用另一个具有相同结构的CNN将提取的体积分割成七个脑组织类别：小脑、基底节和丘脑、脑室脑脊液、白质、脑干、皮质灰质和脑外脑脊液。为了使该方法适用于显示强度不均匀性伪影的切片，通过将具有随机偏移和方向的线性梯度的组合应用于没有伪影的图像切片来增强训练数据。
2019-06-11 cs.CV eess.IV
Automatic Segmentation of the Prostate on 3D Trans-rectal Ultrasound Images using Statistical Shape Models and Convolutional Neural Networks
The University of British Columbia（不列颠哥伦比亚大学）
在这项工作中，我们建议使用卷积神经网络（CNN）和统计形状模型（SSM）在具有挑战性的经直肠超声（TRUS）图像数据集上分割前列腺。TRUS通常用于前列腺的许多图像引导干预。在这些图像中对器官进行快速准确的分割对于规划和与其他模态（如磁共振图像（MRI））融合至关重要。然而，TRUS具有有限的软组织对比度和信噪比，这使得分割前列腺的任务具有挑战性，并且受到观察者间和观察者内变化的影响。这在腺体边界难以界定的基部和顶端处尤其成问题。在本文中，我们的目标是解决这个问题，利用形状先验知识的MR数据集，具有较高的软组织对比度，使前列腺轮廓更准确。我们使用该形状先验结合由CNN计算的前列腺组织概率图进行分割。
2021-06-17 cs.CV eess.IV
Automatic Polyp Segmentation using Fully Convolutional Neural Network
Indira Gandhi National Open University（英迪拉·甘地国立开放大学）
结直肠癌是世界范围内的致命癌症之一。结肠镜检查是检查、定位和切除结肠直肠息肉的标准治疗方法。然而，已经表明结肠镜检查期间结肠直肠息肉的漏诊率在6%至27%之间。在结肠镜检查期间使用自动、准确和实时的息肉分割可以帮助临床医生消除缺失的病变并防止结直肠癌的进一步进展。“医学自动息肉分割挑战赛”提供了一个研究息肉分割和建立快速分割模型的机会。挑战组织者提供Kvasir-SEG数据集来训练模型。然后在一个单独的未见过的数据集上进行测试，以验证分割模型的效率和速度。实验表明，在Kvasir-SEG数据集上训练并在未见过的数据集上测试的模型达到了0.7801的骰子系数，0.6847的mIoU，0.8077的召回率和0.8126的精度，证明了我们的模型的泛化能力。该模型在图像分辨率为$512 \times 512$的未知数据集上实现了80.60 FPS。
2021-01-11 cs.CV eess.IV
Towards Automatic Embryo Staging in 3D+T Microscopy Images using Convolutional Neural Networks and PointNets
Institute of Imaging and Computer Vision, RWTH Aachen University（亚琛工业大学成像与计算机视觉研究所）；Institute for Automation and Applied Informatics, Karlsruhe Institute of Technology（卡尔斯鲁厄理工学院自动化与应用信息学研究所）
胚胎发育不同阶段的自动分析和比较在很大程度上取决于所调查数据集的高度精确的时空对齐。在这方面的贡献，我们评估了多种方法的自动分期与时间分辨三维光片显微镜成像的胚胎发育。该方法包括基于图像的卷积神经网络以及基于PointNet架构的方法，该方法直接对检测到的细胞核质心的3D点云进行操作。四个野生型斑马鱼胚胎的实验使这两种方法都适合自动分期，平均偏差为21 - 34分钟。此外，基于模拟3D+t点云数据集的概念验证评估表明，平均偏差小于7分钟是可能的。
2020-07-29 cs.CV eess.IV q-bio.CB
Automatic cerebral hemisphere segmentation in rat MRI with lesions via attention-based convolutional neural networks
A.I. Virtanen Institute for Molecular Sciences, University of Eastern Finland（东芬兰大学A.I.维尔塔宁分子科学研究所）；Charles River Discovery Services（查尔斯河发现服务公司）
我们提出了MedicDeepLabv3+，这是一种卷积神经网络，是第一个完全自动的方法来分割大脑半球的磁共振（MR）体积的大鼠病变。MedicDeepLabv3+通过高级解码器改进了最先进的DeepLabv3+，结合了空间注意力层和额外的跳过连接，正如我们在实验中所展示的那样，可以实现更精确的分割。MedicDeepLabv3+不需要MR图像预处理，如偏场校正或模板配准，在不到一秒的时间内生成分割，其GPU内存需求可以根据可用资源进行调整。我们在异构训练集上优化了MedicDeepLabv3+和其他六个最先进的卷积神经网络（DeepLabv3+，UNet，HighRes3DNet，V-Net，VoxResNet，Demon），该训练集由来自不同病变阶段的11个队列的MR体积组成。然后，我们在655个MR大鼠脑体积的大型数据集上评估了训练模型和专门为啮齿动物MRI颅骨剥离（RATS和RBET）设计的两种方法。在我们的实验中，MedicDeepLabv3+的表现优于其他方法，在大脑和对侧半球区域产生的平均Dice系数分别为0.952和0.944。此外，我们表明，尽管限制了GPU内存和训练数据，我们的MedicDeepLabv3+也提供了令人满意的分割。总之，我们的方法（可在https：//github.com/jmlipman/MedicDeepLabv3Plus上公开获得）在多种情况…
2022-09-30 cs.CV eess.IV
Deep Dilated Convolutional Nets for the Automatic Segmentation of Retinal Vessels
Computer Science Department, Henry Samueli School of Engineering Stein Eye Institute, David Geffen School of Medicine University of California, Los Angeles, CA 90095, USA
视网膜血管系统的可靠分割可以提供诊断和监测影响血管网络的各种疾病（包括糖尿病和高血压）的进展的手段。我们利用卷积神经网络的强大功能来设计一种可靠且完全自动化的方法，可以准确地检测，分割和分析视网膜血管。特别是，我们提出了一种新型的全卷积深度神经网络，其编码器-解码器架构采用具有多个膨胀率的膨胀空间金字塔池来恢复编码器中丢失的内容，并向解码器添加多尺度上下文信息。我们还提出了一种简单而有效的方法，通过直接使用分割预测来量化和跟踪视网膜血管的宽度。与之前主要依赖逐块分析的基于深度学习的视网膜血管分割方法不同，我们提出的方法在训练和推理过程中利用了整体图像方法，通过访问图像中的全局内容实现更高效的训练和更快的推理。我们已经在两个公开的数据集上测试了我们的方法，我们在DRIVE和CHASE-DB 1数据集上的最新结果证明了我们方法的有效性。
2019-07-21 cs.CV eess.IV
Automatic Prostate Zonal Segmentation Using Fully Convolutional Network with Feature Pyramid Attention
University of California, Los Angeles（加利福尼亚大学洛杉矶分校）；Imperial College London（伦敦帝国学院）
我们的主要目标是开发一种新的基于深度学习的前列腺区域自动分割算法，并在额外的独立测试数据上评估所提出的算法，并与两位专家之间的读者一致性进行比较。在IRB批准和HIPAA合规性下，我们设计了一种新型卷积神经网络（CNN），用于在T2加权（T2 w）MRI上自动分割前列腺移行区（TZ）和外周区（PZ）。总研究队列包括来自两个来源的359例患者; 313例来自去识别的公开可用数据集（SPIE-AAPM-NCI PROSTATEX挑战），46例来自美国大型三级转诊中心的3 T MRI（外部测试数据集（ETD））。TZ和PZ轮廓由研究人员手动注释，由泌尿生殖（GU）放射科医师监督。使用250名患者开发了该模型，并使用来自PROSTATEX的其余63名患者（内部测试数据集（ITD））进行内部测试，并使用ETD再次进行外部测试（n=46）。采用Dice相似系数（DSC）评价分割效果。ITD中PZ和TZ的DSC分别为0.74和0.86。在ETD中，PZ和TZ的DSC分别为0.74和0.792。阅片员间一致性（专家2 vs.专家1）为0.71（PZ）和0.75（TZ）。这种新的DL算法能够在ITD和ETD上以高精度自动分割PZ和TZ，而PZ的性能差异和小于10%的TZ差异。在ETD中，所提出的方法可以与前列腺区域分割专家相媲美。
2019-10-31 cs.CV eess.IV
Automatic Rodent Brain MRI Lesion Segmentation with Fully Convolutional Networks
AI Virtanen Institute for Molecular Sciences, University of Eastern Finland（东芬兰大学AI·维尔塔宁分子科学研究所）；Charles River Discovery Services（查尔斯河发现服务公司）；Centro Fermi - Museo Storico della Fisica e Centro Studi e Ricerche Enrico Fermi（费米中心——恩里科·费米物理历史博物馆与研究中心）
从磁共振图像（MRI）中手动分割啮齿动物脑病变是一项艰巨、耗时和主观的任务，在临床前研究中非常重要。针对不同的人脑MRI分割，已经开发了几种自动方法，但很少有研究针对自动啮齿动物病变分割。现有的用于在啮齿动物中执行自动病变分割的工具受到关于数据的严格假设的约束。深度学习已成功用于医学图像分割。然而，目前还没有专门设计用于处理啮齿动物脑病变分割的深度学习方法。在这项工作中，我们提出了一种新的全卷积网络（FCN），RatLesNet，用于上述任务。我们的数据集包括131个T2加权的大鼠脑扫描，来自4个不同的研究，其中缺血性中风是由短暂的大脑中动脉闭塞引起的。我们将我们的方法与最初为解剖分割开发的另外两个3D FCN（VoxResNet和3D-U-Net）进行了比较，并在单个研究和泛化测试中进行了5倍交叉验证，其中训练是在单个研究中完成的，并在其余三项研究中进行了测试。我们的方法产生的标签在定量和定性上都优于比较方法的预测。在5倍交叉验证实验中，所提出的方法的平均Dice系数为0.88，比比较架构高3.7%至38%。所提出的架构在推广不同研究方面也优于其他FCN，实现了0.79的平均Dice系数。
2019-08-23 cs.CV eess.IV
Automatic Recognition of the Supraspinatus Tendinopathy from Ultrasound Images using Convolutional Neural Networks
NRP Co.（NRP公司）；Tarbiat Modares University（塔比阿特莫达勒斯大学）；AJA University of Medical Science（AJA医科大学）；Neshat Physical Medicine and Rehabilitation Center（内沙特物理医学与康复中心）
肌腱损伤，如肌腱病，全层和部分层撕裂是普遍的，冈上肌腱（SST）是最脆弱的肩袖。SST肌腱病的早期诊断非常重要，但超声成像很难实现。在本文中，自动肌腱病识别框架的基础上，卷积神经网络已被提出，以协助诊断。这个框架有肌腱分割和分类两个基本部分。肌腱分割是通过一种新的网络，NASUNet，它遵循编码器-解码器架构的范例，并利用多尺度放大单元。此外，一个通用的分类流水线已经提出了肌腱病变识别，支持不同的基础模型作为特征提取引擎。已经引入了包括肌腱区域的位置信息的两个特征图作为网络输入，以使分类网络具有空间感知性。为了评估肌腱病变识别系统，已经采集了由100个SST超声图像组成的数据集，其中肌腱病变病例通过磁共振成像进行双重验证。在分割和分类任务中，训练数据的缺乏通过结合知识转移、转移学习和数据增强技术得到了补偿。在交叉验证实验中，所提出的肌腱病识别模型实现了91%的准确性，86.67%的灵敏度和92.86%的特异性，显示出与其他模型相比最先进的性能。
2020-11-23 cs.CV eess.IV
Multi-Resolution 3D Convolutional Neural Networks for Automatic Coronary Centerline Extraction in Cardiac CT Angiography Scans
本文提出一种基于多分辨率3D双通道卷积神经网络的自动冠状动脉树中心线追踪器（AuCoTrack），通过预测血管方向、分叉及端点实现迭代追踪，在专有数据集和CAT08基准上均取得了优于现有技术的重叠得分和检测率。
2020-12-07 cs.CV eess.IV
Automatic Myocardial Infarction Evaluation from Delayed-Enhancement Cardiac MRI using Deep Convolutional Networks
ImViA Laboratory, University of Burgundy（勃艮第大学ImViA实验室）；CHU Dijon（第戎大学医院）；CGFL；Institut Curie（居里研究所）
在本文中，我们提出了一个新的深度学习框架，用于根据临床信息和延迟增强MRI（DE-MRI）自动评估心肌梗死。拟议框架涉及两项任务。第一个任务是从短轴DE-MRI系列中自动检测心肌轮廓、梗死区、无复流区和左心室腔。它采用两个分割神经网络。第一个网络用于分割解剖结构，如心肌和左心室腔。第二个网络用于分割心肌梗死、心肌无复流和正常心肌区域等病理区域。来自第一网络的分割的心肌区域进一步用于细化第二网络的病理分割结果。第二个任务是根据有或没有DE-MRI的临床信息将给定病例自动分类为正常或病理。一个级联的支持向量机（SVM）被用来分类一个给定的情况下，从其相关的临床信息。来自DE-MRI的分割的病理区域也用于分类任务。我们在2020年EMIDEC MICCAI挑战数据集上评估了我们的方法。左心室腔和心肌的平均Dice指数分别为0.93和0.84。仅使用临床信息的分类在五倍交叉验证中产生了80%的准确性。使用DE-MRI，我们的方法可以对病例进行分类，准确率为93.3%。实验结果表明，该方法可以自动评估心肌梗死。
2020-10-30 cs.CV eess.IV
Automatic airway segmentation from Computed Tomography using robust and efficient 3-D convolutional neural networks
Erasmus MC（伊拉斯姆斯医学中心）；Erasmus MC-Sophia Children Hospital（伊拉斯姆斯医学中心索菲亚儿童医院）；University of Copenhagen（哥本哈根大学）；Copenhagen University Hospital（哥本哈根大学医院）；Herlev-Gentofte Hospital（海莱乌-根措夫特医院）
本文提出了一种基于U-Net架构的全自动和端到端优化的胸部计算机断层扫描气道分割方法。我们使用一个简单且低内存的3D U-Net作为主干，这使得该方法能够在通过网络的单次通过中处理大型3D图像块，通常包括完整的肺部。这使得该方法简单、稳健和高效。我们在具有非常不同的特征和各种气道异常的三个数据集上验证了所提出的方法：i）包括囊性纤维化受试者的儿科患者数据集，ii）丹麦肺癌筛查试验的子集，包括慢性阻塞性肺疾病受试者，iii）EXACT'09公共数据集。我们将我们的方法与其他最先进的气道分割方法进行了比较，包括在EXACT'09数据上评估的文献中的相关基于学习的方法。我们表明，我们的方法可以提取高度完整的气道树，几乎没有假阳性错误，从健康和患病的受试者的扫描，而且该方法在不同的数据集推广良好。在EXACT'09测试集上，我们的方法在所有报告良好特异性的方法中获得了第二高的灵敏度得分。
2021-08-03 cs.CV eess.IV
Fully Automatic Binary Glioma Grading based on Pre-Therapy MRI using 3D Convolutional Neural Networks
新诊断胶质瘤的最佳治疗策略受到肿瘤恶性程度的强烈影响。基于MRI的手动非侵入性分级并不总是准确的，活检以验证诊断对总生存率有负面影响。在本文中，我们提出了一个全自动三维计算机辅助诊断（CAD）系统，以非侵入性区分高级别胶质母细胞瘤从低级别胶质瘤。该方法包括自动分割步骤，以提取肿瘤ROI，然后使用3D卷积神经网络进行分类。使用3D U-Net进行分割，获得了88.53%的骰子得分，与BraTS 2018挑战赛中的顶级算法相匹配。该分类网络在549名患者的大型异质数据集上进行了训练和评估，准确率达到91%。此外，CAD系统的数据从根特大学医院进行了评估，并实现了92%的准确性，这表明该算法是强大的数据从不同的中心。
2019-08-05 eess.IV
Automatic Polyp Segmentation Using Convolutional Neural Networks
University of Saskatchewan（萨斯喀彻温大学）；University of Stanford（斯坦福大学）
结直肠癌是世界范围内仅次于肺癌和乳腺癌的第三大常见癌症相关死亡。在结肠镜检查中早期诊断息肉可以降低患结直肠癌的风险。计算机辅助诊断系统有可能应用于息肉筛查并减少遗漏息肉的数量。在本文中，我们比较了不同深度学习架构作为特征提取器的性能，即ResNet，DenseNet，InceptionV 3，InceptionResNetV 2和SE-ResNeXt在U-Net架构的编码器部分。我们在CVC-Clinic（GIANA 2018）数据集上验证了所提出的集成模型的性能。DenseNet 169特征提取器结合U-Net架构的性能优于其他同类产品，其准确率为99.15%，Dice相似系数为90.87%，Jaccard指数为83.82%。
2020-04-22 cs.CV cs.LG eess.IV
A fully 3D multi-path convolutional neural network with feature fusion and feature weighting for automatic lesion identification in brain MRI images
New Jersey Institute of Technology（新泽西理工学院）；Kessler Foundation（凯斯勒基金会）；Emory University（埃默里大学）；Atlanta VA Medical Center（亚特兰大退伍军人事务医疗中心）；Medical College of Wisconsin（威斯康星医学院）；Rutgers University - Newark（罗格斯大学纽瓦克分校）
我们提出了一个全三维多路径卷积网络来预测中风病变的三维脑MRI图像。我们的多路径模型具有针对包含残余卷积块的不同模态的独立编码器、来自不同模态的加权多路径特征融合以及用于组合编码器和解码器特征的加权融合模块。与DeepMedic、3D U-Net和AnatomyNet等现有的3D CNN相比，我们的网络在220名患者的大型ATLAS基准测试中实现了最高的统计学显著交叉验证准确率（60.5%）。我们还在来自Kessler Foundation和Medical College Wisconsin的多模态图像上测试了我们的模型，并实现了65%的统计学显著交叉验证准确率，显著优于多模态3D U-Net和DeepMedic。总的来说，我们的模型提供了一个原则性的，可扩展的多路径方法，优于多通道的替代品，并在现有的基准实现高骰子精度。
2019-11-16 cs.CV cs.LG eess.IV
Automatic Detection of Coronavirus Disease (COVID-19) Using X-ray Images and Deep Convolutional Neural Networks
Zonguldak Bulent Ecevit University（宗古尔达布伦特·埃杰维特大学）
2019年新型冠状病毒病（COVID-19）以中国为起点，在其他国家的人群中迅速传播，根据欧洲疾病预防控制中心的统计，全球病例数接近34，986，502例。由于每天的病例不断增加，医院提供的COVID-19检测试剂盒数量有限。因此，有必要实施自动检测系统作为快速替代诊断选项，以防止COVID-19在人群中传播。在这项研究中，提出了五种基于预训练卷积神经网络的模型（ResNet 50，ResNet 101，ResNet 152，InceptionV 3和Inception-ResNetV 2），用于使用胸部X射线照片检测冠状病毒肺炎感染的患者。我们使用5重交叉验证实现了三种不同的二元分类，分为四类（COVID-19、正常（健康）、病毒性肺炎和细菌性肺炎）。考虑到所获得的性能结果，可以看到预训练的ResNet 50模型在其他四个使用的模型中提供了最高的分类性能（Dataset-1的96.1%准确率，Dataset-2的99.5%准确率和Dataset-3的99.7%准确率）。
2020-10-05 cs.CV cs.LG eess.IV
Covid-19: Automatic detection from X-Ray images utilizing Transfer Learning with Convolutional Neural Networks
University of Patras（帕特雷大学）；Computer Technology Institute（计算机技术研究所）
在这项研究中，来自普通肺炎、新冠肺炎和正常事件患者的X射线图像数据集被用于冠状病毒的自动检测。该研究的目的是评估近年来提出的用于医学图像分类的最先进的卷积神经网络架构的性能。具体而言，采用了称为迁移学习的程序。通过迁移学习，检测小型医学图像数据集中的各种异常是一个可以实现的目标，通常会产生显着的结果。本实验中使用的数据集是1427张X射线图像的集合。包括224张确诊的新冠肺炎图像，700张确诊的普通肺炎图像，以及504张正常情况下的图像。这些数据是从公共医疗资料库中的可用X射线图像中收集的。通过迁移学习，COVID-19检测的总体准确率达到97.82%。
2020-03-25 cs.CV cs.LG eess.IV
Ensemble of Deep Convolutional Neural Networks for Automatic Pavement Crack Detection and Measurement
Shantou University（汕头大学）；Sapienza University of Rome（罗马大学）；Pusan National University（釜山国立大学）
路面裂缝的自动检测与测量是重要的道路问题。各机构必须保证改善道路安全。传统的裂纹检测和测量算法可能非常耗时且效率低。因此，近年来，创新算法越来越受到研究人员的关注。在本文中，我们提出了一个集成的卷积神经网络（没有池层）的基础上概率融合的自动路面裂缝检测和测量。具体地说，一个集成的卷积神经网络被用来识别与原始图像的小裂纹的结构。其次，对总体的各个卷积神经网络模型的输出进行平均，以产生每个像素的最终裂纹概率值，这可以获得预测的概率图。最后，利用骨架提取算法对预测的裂纹形态特征进行测量。为了验证所提出的方法，在两个公共裂纹数据库（CFD和AigleRN）上进行了一些实验，并对不同的最先进的方法的结果进行了比较。实验结果表明，该方法优于其他方法。对于裂纹测量，可以根据不同的裂纹类型（复杂、普通、薄和交叉裂纹）测量裂纹长度和宽度。实验结果表明，该算法可以有效地应用于裂纹的测量。
2020-02-08 cs.CV cs.LG eess.IV
Automatic Detection of COVID-19 Cases on X-ray images Using Convolutional Neural Networks
University of São Paulo (USP)（圣保罗大学）
近几个月来，COVID-19的快速发展令世界感到惊讶。为了应对这一疾病并尽量减少其社会经济影响，除了监测和治疗外，诊断是一个至关重要的程序。然而，这一目标的实现受到延误和获得实验室检测的机会有限的阻碍，需要采取新的战略来进行病例分类。在这种情况下，深度学习模型被提出作为一种可能的选择，以帮助基于胸部X射线和计算机断层扫描图像的诊断过程。因此，本研究旨在通过深度学习技术，使用卷积神经网络（CNN）自动化从胸部图像中检测COVID-19病例的过程。这些结果有助于扩大其他形式的COVID-19检测方法的使用范围，并加快识别这种疾病的过程。所有使用的数据库、构建的代码以及从模型训练中获得的结果都可供开放获取。这一行动有助于其他研究人员参与增强这些模型，因为这有助于改善结果，从而在应对COVID-19方面取得进展。
2020-07-02 cs.CV cs.LG eess.IV
Automatic Grading of Knee Osteoarthritis on the Kellgren-Lawrence Scale from Radiographs Using Convolutional Neural Networks
DeepTek Inc（DeepTek公司）
膝关节骨关节炎的严重程度使用5点Kelling-Lawrence（KL）量表分级，其中健康的膝关节被指定为0级，并且随后的1-4级表示病痛的严重程度增加。尽管近年来已经提出了几种方法来开发可以从给定的射线照片自动预测KL等级的模型，但大多数模型都是在非印度数据集上开发和评估的。这些模型在印度患者的X光片上表现不佳。在本文中，我们提出了一种新的方法，使用卷积神经网络自动分级膝关节X光片的KL规模。我们的方法在两个相连的阶段中工作：在第一阶段，对象检测模型从图像的其余部分分割单个膝盖;在第二阶段，回归模型自动在KL尺度上分别对每个膝盖进行分级。我们使用公开的骨关节炎倡议（OAI）数据集训练我们的模型，并证明在对来自私立医院的数据集进行评估之前对模型进行微调可以显着提高平均绝对误差，从1.09（95%CI：1.03-1.15）提高到0.28（95%CI：0.25-0.32）。此外，我们比较了为同一任务构建的分类和回归模型，并证明回归优于分类。
2020-04-18 cs.CV cs.LG eess.IV
Segmentation based tracking of cells in 2D+time microscopy images of macrophages
Slovak University of Technology in Bratislava（布拉迪斯拉发斯洛伐克理工大学）；CNRS（法国国家科学研究中心）；Univ. Montpellier（蒙彼利埃大学）
由于巨噬细胞动态变化的形状和运动，在巨噬细胞迁移期间对其进行自动分割和跟踪是一项具有挑战性的任务。本文提出了一种新的算法，以实现自动跟踪细胞的延时显微镜巨噬细胞数据。首先，我们设计了一个分割方法，采用空时滤波，局部大津阈值，SUBSURF（主观表面分割）方法。接着，在分割图像中提取在时间方向上重叠的细胞的部分轨迹。最后，通过考虑它们的运动方向来连接所提取的轨迹。分割图像和所获得的轨迹从所提出的方法进行了比较的半自动分割和手动跟踪。在具有挑战性的情况下，所提出的跟踪实现了巨噬细胞数据的97.4%的准确性，弱荧光强度，不规则形状和巨噬细胞的运动。我们期望自动提取的巨噬细胞的轨迹可以提供巨噬细胞如何根据其极化模式在情况下（例如在伤口愈合期间）迁移的证据。
2023-01-02 cs.CV eess.IV q-bio.CB
A Deep Attentive Convolutional Neural Network for Automatic Cortical Plate Segmentation in Fetal MRI
Shenzhen University（深圳大学）；Harvard University（哈佛大学）
胎儿大脑皮质板的分割是定量分析胎儿大脑发育和皮质折叠的基础。皮质板的手动分割或自动分割的手动细化是繁琐且耗时的。另一方面，皮质板的自动分割受到以下挑战：与皮质板的薄结构相比，重建的胎儿脑MRI扫描的分辨率相对较低，部分体积化，以及随着大脑在妊娠期间成熟，皮质板的形态变化范围很广。为了减少手动细化分割的负担，我们开发了一种新的强大的深度学习分割方法。我们的方法在一个完全卷积神经网络架构中利用了新的深度关注模块，该架构利用了深度监督和剩余连接。我们评估了我们的方法定量的基础上，几个性能指标和专家的评价。结果表明，我们的方法优于几种最先进的深度分割模型，以及最先进的多图谱分割技术。我们实现了平均Dice相似系数为0.87，平均Hausdorff距离为0.96 mm，平均对称表面差异为0.28 mm，对胎龄范围为16至39周的胎儿进行了MRI扫描。每个胎儿大脑的计算时间不到1分钟，我们的方法可以促进和加速对正常和改变的胎儿大脑皮层成熟和折叠的大规模研究。
2021-04-02 cs.CV eess.IV q-bio.QM
A Convolutional Neural Network for the Automatic Diagnosis of Collagen VI related Muscular Dystrophies
Institut de Robòtica i Informàtica Industrial, UPC-CSIC（加泰罗尼亚理工大学-西班牙国家研究委员会机器人与工业信息技术研究所）；Institut Pediàtric de Malalties Rares, Hospital de Sant Joan de Déu（罕见病儿科研究所，圣若安·德乌医院）；Hospital de Sant Joan de Déu（圣若安·德乌医院）
用于诊断罕见疾病的机器学习系统的开发具有挑战性，主要是由于缺乏研究它们的数据。尽管存在这一挑战，本文提出了一个系统的计算机辅助诊断（CAD）的低患病率，先天性肌营养不良症的共聚焦显微镜图像。所提出的CAD系统依赖于卷积神经网络（CNN），其对平铺输入图像的非重叠补丁执行独立分类，并生成汇总查询图像上的补丁的个体决策的总体决策。该决策方案指出了输入图像中可能存在问题的区域，并提供了对患者状态的全局定量评估，这对于诊断和监测治疗效率至关重要。
2019-01-30 cs.CV cs.LG eess.IV
Automatic Post-Stroke Lesion Segmentation on MR Images using 3D Residual Convolutional Neural Network
Geisel School of Medicine at Dartmouth（达特茅斯盖泽尔医学院）；Dartmouth College（达特茅斯学院）；Dartmouth-Hitchcock Medical Center（达特茅斯-希区柯克医学中心）
在本文中，我们证明了深度残差神经网络的可行性和性能的体积分割的不可逆损伤的脑组织病变的T1加权MRI扫描慢性中风患者。来自公共数据集的慢性缺血性卒中患者的总共239个T1加权MRI扫描通过具有残余学习的3D深度卷积分割模型进行回顾性分析，使用新的放大和缩小策略。以人工描记病灶为参考标准，测量病灶的Dice相似系数（DSC）、平均对称表面距离（ASSD）和Hausdorff距离（HD）。所有指标均采用自举法估计95%置信区间。在31次扫描的测试集上评估模型。平均DSC为0.64（0.51-0.76），中位数为0.78。ASSD和HD分别为3.6 mm（1.7-6.2 mm）和20.4 mm（10.0-33.3 mm）。据我们所知，这一性能是在这个公共数据集上达到的最高水平。最新的深度学习架构和技术被应用于MRI扫描的3D分割，并被证明对慢性缺血性卒中病变的体积分割有效。
2019-11-25 cs.CV cs.LG eess.IV
On the design of convolutional neural networks for automatic detection of Alzheimer's disease
New York University（纽约大学）；New York University Langone Medical Center（纽约大学朗格尼医学中心）
早期发现是阿尔茨海默病（AD）研究的关键目标。在这项工作中，我们描述了几种技术来提高3D深度卷积神经网络（CNN）的性能，这些CNN被训练用于使用结构性大脑MRI扫描来检测AD。具体来说，我们提供的证据表明：（1）实例规范化优于批量规范化，（2）早期空间下采样会对性能产生负面影响，（3）扩大模型会带来一致的收益，而增加深度则不会，（4）结合年龄信息会产生适度的改善。总之，这些见解在ADNI数据集中区分AD患者、轻度认知障碍患者和对照组时，与现有模型相比，测试准确性提高了约14%。在独立数据集上实现了类似的性能。
2020-04-05 cs.CV cs.LG eess.IV
Automatic Classification of White Blood Cell Images using Convolutional Neural Network
National University of Sciences and Technology (NUST)（国立科技大学（NUST））
本文提出一种基于卷积神经网络的框架，用于自动分类四种白细胞，在Kaggle和LISC数据集上分别达到99.57%和98.67%的准确率，性能优于ResNet-50等预训练模型。
2024-10-14 cs.CV cs.LG eess.IV
Automatic Classification of Alzheimer's Disease using brain MRI data and deep Convolutional Neural Networks
University of Kerbala（卡尔巴拉大学）
阿尔茨海默病（AD）是当今世界面临的最常见的公共卫生问题之一。这种疾病的患病率很高，主要发生在老年人中，伴有记忆力丧失和认知能力下降。AD检测是一项具有挑战性的任务，许多作者已经开发了许多利用神经成像和其他临床数据的计算机化自动诊断系统。MRI扫描提供了高强度的可见特征，使这些扫描成为最广泛使用的脑成像技术。近年来，深度学习在医学图像分析方面取得了领先的成功。但是，将深度学习技术应用于大脑MRI分类的研究相对较少。本文探讨了在大脑MRI图像和分割图像上评估的几种深度学习架构的构建。分割图像背后的思想研究了图像分割步骤对深度学习分类的影响。图像处理提供了一个由增强MRI扫描的预处理和由分割脑组织的分割方法组成的后处理组成的流水线。结果表明，处理后的图像在四种不同的架构中实现了AD与CN（认知正常）的二进制分类的更好的准确性。ResNet架构在其他架构中的预测准确率最高（原始大脑图像为90.83%，处理后的图像为93.50%）。
2022-03-31 cs.CV eess.IV physics.med-ph
Automatic Image Colorization with Convolutional Neural Networks and Generative Adversarial Networks
University of Michigan（密歇根大学）
本文针对灰度图像自动上色问题，提出基于分类和对抗学习的卷积神经网络与生成对抗网络方法，以克服回归方法忽略颜色多模态性的缺陷，并在现有工作基础上进行改进和比较。
2025-08-19 cs.AI cs.CV cs.LG
Deep Neural Networks for automatic extraction of features in time series satellite images
许多地球观测计划，如Landsat、Sentinel、SPOT和Pleiades，每天都会产生大量的中高分辨率多光谱图像，这些图像可以按时间序列进行组织。在这项工作中，我们利用这些图像提供的时间和空间信息来生成土地覆盖图。为此，我们将完全卷积神经网络与卷积长短期记忆相结合。提出的时空神经网络架构的实施细节。实验结果表明，时间序列图像提供的时间信息可以提高土地覆盖分类的准确性，从而产生最新的地图，可以帮助确定地球上的变化。
2020-08-17 cs.CV cs.LG eess.IV
Experimenting with Convolutional Neural Network Architectures for the automatic characterization of Solitary Pulmonary Nodules' malignancy rating
University of Patras（帕特雷大学）；School of Medicine（医学院）；Laboratory of Nuclear Medicine（核医学实验室）
肺癌是全球癌症相关死亡的最常见原因。在计算机断层扫描（CT）胸部扫描中早期自动诊断孤立性肺结节（SPN）可以提供早期治疗，并将医生从耗时的程序中解放出来。深度学习已被证明是许多医学成像诊断领域中流行和有影响力的方法。在这项研究中，我们考虑的问题，良性和恶性肺结节的CT图像来自PET/CT扫描仪之间的诊断分类。更具体地说，我们打算开发实验性卷积神经网络（CNN）架构，并通过调整其参数来进行实验，以研究其行为，并定义准确分类的最佳设置。对于实验，我们利用从帕特雷大学核医学实验室获得的PET/CT图像，以及医学上可用的数据库，称为肺图像数据库联盟图像集（LIDC-IDRI）。此外，我们应用简单的数据增强来生成新的实例，并检查所开发的网络的性能。相应地，在PET/CT数据集上和在来自LIDC-IDRI数据集的结节图像的选择上实现了91%和93%的分类准确度。结果表明，CNN是一个值得信赖的方法，结节分类。此外，实验证实，数据增强增强了CNN的鲁棒性。
2020-03-15 cs.CV eess.IV physics.data-an
Automatic Segmentation, Localization, and Identification of Vertebrae in 3D CT Images Using Cascaded Convolutional Neural Networks
Imaging Technology Center, Fujifilm Corporation（富士胶片公司成像技术中心）；Center for Artificial Intelligence Research, University of Tsukuba（筑波大学人工智能研究中心）；Department of Computer Science and Engineering, Waseda University（早稻田大学计算机科学与工程系）
本文提出了一种在任意三维CT图像中自动分割、定位和识别椎骨的方法。许多以前的作品不同时执行这三个任务，即使需要先验知识的解剖结构的哪一部分是可见的三维CT图像。我们的方法在一个单一的多阶段框架中处理所有这些任务，没有任何假设。在第一阶段，我们训练一个3D全卷积网络来找到颈椎、胸椎和腰椎的边界框。在第二阶段，我们训练一个迭代的3D全卷积网络来分割边界框中的各个椎骨。除了3D CT图像之外，第二网络的输入还具有辅助通道。给定辅助通道中的分割椎骨区域，网络输出下一个椎骨。使用来自MICCAI CSI 2014研讨会挑战的15幅3D CT图像和[1]中介绍的302幅具有各种病理的3D CT图像的两个公共数据集，在分割、定位和识别准确性方面对所提出的方法进行了评估。我们的方法实现了96%的平均骰子得分，平均定位误差为8.3毫米，平均识别率为84%。总之，我们的方法在所有三个指标上都取得了比所有现有作品更好的性能。
2020-09-29 cs.AI eess.IV
