共空間模式(CSP)是腦電信號特征提取的主要方法, 但它存在較嚴重的過擬合問題。本文提出對多通道腦電數據劃分多個區域, 分別用CSP算法提取各區域的腦電數據特征, 對得到的各特征分別進行線性分類, 用Choquet模糊積分融合各線性分類結果, 有助于克服腦電信號處理的過擬合問題和提高腦電信號識別準確度, 從而給出了腦電數據處理的一種新框架。采用2005年國際腦機接口(BCI)競賽數據驗證該處理框架, 獲得的識別準確率顯著提高, 并且在一定程度上解決了CSP的過擬合問題, 顯示了本框架處理腦電信息的有效性。
本文提出一種基于HSI修正空間信息融合的白細胞自動分割方法。首先將細胞原圖轉換至HSI彩色空間, 由于H分量分段函數變換公式的不連續, 導致原圖中視覺均勻的細胞漿區域在此通道中均勻性變差。對色調計算公式進行了修改, 然后依據白細胞核、漿在H、S、I通道分布特點提取核、漿、紅細胞和背景區域信息, 利用信息融合理論和方法構造融合圖像Ⅰ和只存在細胞漿和少量干擾的融合圖像Ⅱ, 分別提取細胞核和細胞漿。最后標記細胞核、漿, 得到分割結果。實驗結果表明:該算法對白細胞圖像分割準確性高、魯棒性強且具有普適性。
深度學習在細胞核分割中具有重要作用，但在病理診斷中仍面臨著細胞核圖像的細微特征難以提取、核邊緣模糊等問題。針對上述問題，本文提出了一種結合注意力機制的細胞核分割網絡。該網絡使用U型網絡（UNet）作為基本結構，以深度可分離殘差卷積（DSRC）模塊作為特征編碼，避免丟失細胞核邊界信息；特征解碼引入坐標注意力（CA）加強特征空間上遠程距離，突出細胞核位置的關鍵信息；最后，設計語義信息融合（SIF）模塊整合深淺層特征，改善分割效果。在2018數據科學碗（DSB2018）和三陰乳腺癌（TNBC）數據集上分別進行實驗，所提方法的精確率在兩個數據集上分別為92.01%、89.21%，靈敏度為90.09%、91.10%，平均交并比為89.01%、89.12%。實驗結果表明，本文所提方法能有效分割細胞核細微區域，提升分割準確度，為臨床診斷提供可靠依據。