李钟毓
- 作品数：7 被引量：8H指数：2
- 供职机构：西安交通大学软件学院更多>>
- 发文基金：国家自然科学基金中国博士后科学基金陕西省自然科学基金更多>>
- 相关领域：自动化与计算机技术医药卫生更多>>
- 基于粒子滤波的部分对应点集刚体配准算法被引量：1
- 2014年
- 为了解决部分对应点集之间的刚体配准问题,本文提出了一种基于粒子滤波的刚体配准算法.该方法将部分对应点集配准问题转化成相应的状态估计问题,通过采用基于配准误差驱动的运动模型及设计基于迭代最近点原理的观测模型,从而提出了基于粒子滤波的配准算法解决部分对应点集的刚体配准问题.实验结果验证了本文所提出算法的有效性.
- 祝继华杜少毅李钟毓马亮袁泽剑
- 关键词：配准粒子滤波迭代最近点刚体变换
- 小样本域自适应的皮肤病临床影像识别方法被引量：2
- 2020年
- 针对公开数据集训练所得模型无法直接应用于临床上不同设备的辅助诊断,而临床获取的数据又缺少足够人力进行标注的问题,提出了一种面向皮肤病临床影像识别的小样本域自适应方法。以ISIC皮肤病公开数据集作为标签已知的源域,以实际临床采集的数据作为待识别的目标域,通过医生对极少量临床数据进行标注,建立由卷积神经网络实现的特征提取器和分类器,构建小样本域自适应模型。引入最大相关熵准则来提高识别模型的精度和泛化能力,在每类只有少量带标签目标域样本的情况下,通过交替最大最小化条件熵,在提取区别性特征的同时减小不同域之间的分布差距,提高了分类器在新域上的准确率,实现了模型的跨域迁移。对所提方法在日光性角化病和脂溢性角化病分类问题上进行了实验验证,结果表明:相比于非域自适应方法,所提方法克服了不同采集设备造成的数据分布差异问题,取得了更高的识别准确率;相比于无监督域自适应方法,所提方法通过加入极少量标注的临床数据实现了域自适应,识别准确率为93.94%。
- 景海婷张秦陈曼张兰李政霄祝继华李钟毓
- 关键词：卷积神经网络小样本
- 基于双模型交互学习的半监督医学图像分割
- 2023年
- 在医学图像中,器官或病变区域的精准分割对疾病诊断等临床应用有着至关重要的作用,然而分割模型的训练依赖于大量标注数据.为减少对标注数据的需求,本文主要研究针对医学图像分割的半监督学习任务.现有半监督学习方法广泛采用平均教师模型,其缺点在于,基于指数移动平均(Exponential moving average,EMA)的参数更新方式使得老师模型累积学生模型的错误知识.为避免上述问题,提出一种双模型交互学习方法,引入像素稳定性判断机制,利用一个模型中预测结果更稳定的像素监督另一个模型的学习,从而缓解了单个模型的错误经验的累积和传播.提出的方法在心脏结构分割、肝脏肿瘤分割和脑肿瘤分割三个数据集中取得优于前沿半监督方法的结果.在仅采用30%的标注比例时,该方法在三个数据集上的戴斯相似指标(Dice similarity coefficient,DSC)分别达到89.13%,94.15%,87.02%.
- 方超伟李雪李钟毓焦李成张鼎文
- 关键词：半监督学习医学图像分割
- 基于三维深度神经网络的大规模神经元形态表征与检索方法被引量：2
- 2021年
- 高效准确的相似神经元检索方法是神经元形态分析的重要支撑.随着高精度显微成像、神经元示踪、人工智能等技术的发展,近些年出现了若干基于机器学习的神经元形态计算与分析方法,这些研究主要包括对传统神经元形态度量指标的统计分析,以及将神经元形态二维投影与深度学习结合的神经元量化表征方法,在神经元的特征提取、分类、相似检索等任务中均取得了不错的效果.不过随着越来越多的三维神经元数据被重建出来,以上方法都无法满足当前背景下对大规模神经元形态数据的细粒度表征、检索与分类需求.为此,本文提出了基于三维深度神经网络的大规模神经元形态表征与检索方法.首先,为了将神经元的三维空间拓扑结构转换成适用于深度神经网络的形式,我们设计了神经元空间形态的体素转换方法,将原始的神经元重构文件转换成三维体素的形式,极大地保留了神经元的三维空间拓扑结构.随后,考虑到当前神经元数据缺乏精细的分类标准,本文设计了基于三维卷积自动编码器的神经元形态表征算法,应用深度神经网络无监督地学习神经元体素数据的结构特点,得到神经元形态的量化表征,并以此设计端到端的相似神经元快速检索算法.最后通过实验验证本文所提出的方法,在9万余神经元数据中检索形态相似的神经元,实验结果显著优于其他基于神经元量化表征的检索方法.实验表明,本文方法可以更高效准确地检索相似神经元,为神经元的形态学分析、神经元单细胞分类等相关研究的关键问题提供支持.
- 常令琛李钟毓樊夏玥商增谊景海婷
- 关键词：神经元形态学
- 深度低秩多视角子空间聚类被引量：1
- 2021年
- 针对目前深度多视角子空间聚类算法因为缺少对自表达矩阵的低秩表示约束而导致的模型缺乏鲁棒性的问题,提出了深度低秩多视角子空间聚类算法。在深度多视角子空间聚类算法的基础上,通过矩阵分解将自表达层分解为多视角一致性自表达层和单视角特异性自表达层,得到具有低秩线型约束的双层自表达模块;强制所有视角的一致性自表达层的参数相同、特异性自表达层的参数各不相同,充分利用多视角数据的互补性;将自表达模块嵌入到每个视角的深度自编码器中,得到可以通过反向传播算法求解的深度低秩多视角子空间聚类模型;在深度模型训练中,一致性自表达层学习多视角数据的一致性信息,特异性自表达层学习单个视角的独特信息,双层自表达模块隐性地添加了低秩表示约束。6个公开数据集上的实验结果表明:与深度多视角子空间聚类算法相比,所提算法的聚类正确率平均提升了0.064,标准化互信息提升了0.064;所提算法的正确率和标准化互信息优于其他11种先进聚类算法的,聚类正确率最大提升了0.097,标准化互信息最大提升了0.103。
- 闫金涛李钟毓唐启凡周志豪
- 关键词：子空间聚类矩阵分解
- 双加权多视角子空间聚类算法被引量：2
- 2022年
- 多视角子空间聚类方法为高维多视角数据的聚类问题提供了大量的解决方案.但是现有的子空间方法仍不能很好地解决以下两个问题:(1)如何利用不同视角的差异性进行学习获得一个优质的共享系数矩阵;(2)如何增强共享系数矩阵的低秩性.针对以上问题,提出了一种有效的双加权多视角子空间聚类算法.该算法首先通过子空间自表达学习到每个视角的系数矩阵,然后采用自适应权重策略构建一个共享系数矩阵,最后利用加权核范数逼近系数矩阵的秩,使得系数矩阵的表示更加低秩,进而取得更好的聚类结果.采用增广拉格朗日乘子法来优化目标函数,并在6个广泛使用的数据集上进行实验,验证了该算法的优越性.
- 曹容玮祝继华郝问裕张长青张茁涵李钟毓
- 关键词：系数矩阵
- 基于卷积自编码器与点云配准的神经元形态相似性度量方法
- 2023年
- 神经元形态与其功能密切相关,随着神经元示踪技术的进步,越来越多高质量的三维神经元形态学数据得以重建。针对当前体量越发庞大的神经元形态学数据,提出一种基于深度卷积自编码器和空间配准的神经元形态相似性度量方法,通过快速对比与精细对比两步完成从整体到分支的神经元形态分析度量框架,实现高效、精确的对比算法。实验所用的99453个三维神经元形态数据来自NeuroMorpho数据集。实验中,相比于现有的精细对比算法,该算法的实现速度加快了20倍,同时可应用于任意神经元形态学数据,无需提供其他的先验条件,通用性强。对于已在脑图谱模板中配准的神经元,选取233个uPNs神经元作为验证数据,可实现97.39%的检索精度;对于未配准的神经元,选取3种类型的神经元数据进行验证,包括:495个谷氨酸能神经元、389个DA神经元、249个锥体神经元,可分别达到91.7%、93.79%、83.1%的检索精度。所提出方法可为神经元类型鉴定、将神经元形态与特性进行关联分析提供支持。
- 樊夏玥甄昊天商增谊徐文菲李钟毓
- 关键词：点云配准计算神经科学
