基于目标检测的药品外观识别

目的 在药品调剂过程中,利用计算机视觉技术识别药品容易受到光照、角度以及包装等因素的影响,会产生较大的识别误差。因此,本文提出了一种用于药品外观识别的目标检测算法(YOLOv4-GhostNet-CMB)。方法 首先,该算法使用GhostNet结构重新设计 YOLOv4的骨干特征提取网络;其次,在Ghost 模块中融合CA注意力机制,沿着水平和垂直方向聚合特征,增强模型对药品的精确定位能力;最后,通过引入Bi-FPN 特征金字塔结构与新主干相连,并新增了一个特征图输出,加强特征的提取,增强药品的识别率。结果 YOLOv4-GhostNet-CMB 算法平均准确率可达到92.31%,与YOLOv4算法相比提升了4.49%。结论 本方法能够有效识别药品,且模型大小仅有150 M。     

基于卷积和注意力机制的医学细胞核图像分割网络EI北大核心CSCD

深度学习在细胞核分割中具有重要作用,但在病理诊断中仍面临着细胞核图像的细微特征难以提取、核边缘模糊等问题。针对上述问题,本文提出了一种结合注意力机制的细胞核分割网络。该网络使用U型网络(UNet)作为基本结构,以深度可分离残差卷积(DSRC)模块作为特征编码,避免丢失细胞核边界信息;特征解码引入坐标注意力(CA)加强特征空间上远程距离,突出细胞核位置的关键信息;最后,设计语义信息融合(SIF)模块整合深浅层特征,改善分割效果。在2018数据科学碗(DSB2018)和三阴乳腺癌(TNBC)数据集上分别进行实验,所提方法的精确率在两个数据集上分别为92.01%、89.21%,灵敏度为90.09%、91.10%,平均交并比为89.01%、89.12%。实验结果表明,本文所提方法能有效分割细胞核细微区域,提升分割准确度,为临床诊断提供可靠依据。