基于注意力机制的U-Net脑脊液细胞分割

为解决脑脊液病理图像中部分细胞膜较为模糊，与图像背景难以区分的问题，采用了基于注意力机制的U-Net深度学习方法对脑脊液病理图像做全自动分割.在深度学习网络中加入注意力机制对细胞进行定位，抑制无关信息，提高语义的特征表达，提高对细胞整体分割的精确性.通过镜像、旋转等操作对数据集进行扩充预处理.采用VGG16预训练模型进行迁移学习，交叉熵与Dice损失相结合作为损失函数，分别在脑脊液临床图像与公开数据集2018 Data Science Bowl上进行验证；并与Otsu， PSPnet， Segnet， DeeplabV3+， U-Net进行对比，结果表明， 本文方法在各项指标上均优于其他分割方法.     

基于偏移最小和的LDPC译码改进算法

针对目前低密度奇偶校验(low-density parity-check, LDPC)码偏移最小和(offset min-sum, OMS)算法偏移因子选取不够准确的问题, 提出了一种基于次序统计量的OMS(order statistics OMS, OR-OMS)算法。该算法使用两个不同的偏移因子对校验节点更新结果进行修正, 一个偏移因子用于修正第一最小值结果, 另一个偏移因子用于修正第二最小值结果。利用次序统计量进行理论分析, 得出最优的两个偏移因子值。所提算法使用分层调度的消息传递方式, 加快算法的收敛速度。仿真结果表明, 该算法与传统的OMS算法相比, 在误比特率(bite error rate, BER)为10^-5时所提算法译码性能可以获得约0.35 dB的增益, 平均迭代次数最多能够降低34.28%, 同时拥有更好的收敛性能。