Landslides are significant natural geological hazards.Landslide susceptibility evaluation involves the quantitative assessment and prediction of potential landslide locations and their probabilities.Research has explo...Landslides are significant natural geological hazards.Landslide susceptibility evaluation involves the quantitative assessment and prediction of potential landslide locations and their probabilities.Research has explored susceptibility assessment methods based on spatial-scale analysis.This evaluation integrates two models—global and local scale—using a CNN model and a PSO-CNN coupled model.Key aspects include selecting evaluation factors and optimizing model parameters for landslide susceptibility at different scales.A major focus of current landslide research is utilizing prediction results to enhance prevention and control measures.展开更多
针对腹部部分注释数据集的嗜铬细胞瘤图像分割缺乏不同器官间的特征学习,导致分割中难以准确区分肿瘤及周边器官边缘的问题,提出一种基于多尺度与空间频率特征的嗜铬细胞瘤图像分割网络(MF-Net)。首先,构建多尺度空间频率通道注意力模块...针对腹部部分注释数据集的嗜铬细胞瘤图像分割缺乏不同器官间的特征学习,导致分割中难以准确区分肿瘤及周边器官边缘的问题,提出一种基于多尺度与空间频率特征的嗜铬细胞瘤图像分割网络(MF-Net)。首先,构建多尺度空间频率通道注意力模块(MSFCA)对图像频域信息和相邻编码器的多尺度特征图进行加权融合,以强化器官间纹理和边界特征的捕捉,从而突出肿瘤区域的特征表示能力;其次,引入上采样多尺度特征融合模块(UMFF)通过结合上采样得到的不同尺度特征图,增强模型对图像中不同大小对象的识别能力;最后,利用自适应目标损失函数(AOb)对有注释腹部器官标签进行损失计算,并根据注释器官类别调整损失权重大小,从而优化分割网络的学习过程。实验结果表明,在腹部器官和嗜铬细胞瘤数据集上,MF-Net的分割准确率相较于单独训练的nnU-Net(no new U-Net)分别提升了3.33和3.18个百分点,而Dice系数(Dice)和归一化表面距离(NSD)分别为89.07%和92.85%;在域外数据集上,MF-Net的Dice和NSD分别为84.66%和90.55%。此外,可视化结果表明,MF-Net能更好地处理嗜铬细胞瘤图像中的复杂背景和模糊边界,为嗜铬细胞瘤的精确诊断和治疗提供了更好的技术支持。展开更多
基金Jiangxi Provincial Innovative Training Project“Post-earthquake Landslide Risk Evaluation Study under Spatial Scale Modelling”(Project No.:S202311318050)。
文摘Landslides are significant natural geological hazards.Landslide susceptibility evaluation involves the quantitative assessment and prediction of potential landslide locations and their probabilities.Research has explored susceptibility assessment methods based on spatial-scale analysis.This evaluation integrates two models—global and local scale—using a CNN model and a PSO-CNN coupled model.Key aspects include selecting evaluation factors and optimizing model parameters for landslide susceptibility at different scales.A major focus of current landslide research is utilizing prediction results to enhance prevention and control measures.
文摘针对腹部部分注释数据集的嗜铬细胞瘤图像分割缺乏不同器官间的特征学习,导致分割中难以准确区分肿瘤及周边器官边缘的问题,提出一种基于多尺度与空间频率特征的嗜铬细胞瘤图像分割网络(MF-Net)。首先,构建多尺度空间频率通道注意力模块(MSFCA)对图像频域信息和相邻编码器的多尺度特征图进行加权融合,以强化器官间纹理和边界特征的捕捉,从而突出肿瘤区域的特征表示能力;其次,引入上采样多尺度特征融合模块(UMFF)通过结合上采样得到的不同尺度特征图,增强模型对图像中不同大小对象的识别能力;最后,利用自适应目标损失函数(AOb)对有注释腹部器官标签进行损失计算,并根据注释器官类别调整损失权重大小,从而优化分割网络的学习过程。实验结果表明,在腹部器官和嗜铬细胞瘤数据集上,MF-Net的分割准确率相较于单独训练的nnU-Net(no new U-Net)分别提升了3.33和3.18个百分点,而Dice系数(Dice)和归一化表面距离(NSD)分别为89.07%和92.85%;在域外数据集上,MF-Net的Dice和NSD分别为84.66%和90.55%。此外,可视化结果表明,MF-Net能更好地处理嗜铬细胞瘤图像中的复杂背景和模糊边界,为嗜铬细胞瘤的精确诊断和治疗提供了更好的技术支持。
