基于高效通道注意力的UNet肺结节CT图像分割

肺癌是全球死亡率最高的癌症之一,肺结节作为肺癌早期诊断的重要依据,对其进行精准分割格外重要。为了帮助医生诊断肺部病变,本文提出一种改进的UNet肺结节分割方法。首先,在特征提取部分引入高效通道注意力网络(efficient channel attention for deep convolutional neural networks, EcaNet),提高UNet分割效果,使其具有良好的泛化能力。接着,为了降低模型参数量、提升算法分割性能,提出一种基于深度可分离卷积的特征融合模型,用深度可分离卷积代替传统卷积完成特征融合。然后,针对肺结节图像特点,将基于重叠度损失函数(dice loss)与加权交叉熵(weighted cross entropy, WCE)结合作为新的损失函数。最后,为验证所提算法Eca-UNet的有效性,在LIDC-IDRI肺结节公开数据集上进行评估。结果表明：Eca-UNet算法在DICE相似系数、MIOU上比UNet分割算法分别提高10.47、7.34个百分点;同时在训练速度上提升了10.10%,预测速度提升了11.56%。     

复合线性调频信号的模糊函数分析

为提高单斜率线性调频信号的距离速度联合分辨力,提出了一种正负双斜率的复合线性调频信号,推导并分析了该信号的模糊函数。仿真得到了复合线性调频信号以及单斜率线性调频两种信号的模糊函数图、-3 dB模糊度图、距离模糊函数图以及速度模糊函数图,对比研究发现复合线性调频信号相对单斜率线性调频信号具有更好的速度分辨力和距离速度联合分辨力。