排序方式： 共有2条查询结果，搜索用时 0 毫秒
1
1.
医学图像由于涉及隐私等重要问题,存储与传输过程中需要加密,为了提高医学图像加密的质量并保证加密速度,针对分块后的图像使用一种基于Arnold映射的均匀置乱方法,结合logistic映射生成伪随机数来控制置乱参数,同时对像素点的值进行异或操作以进一步加密图像.实验发现此方法对密钥的敏感性较强,能很好地掩盖图片信息,与单一的logistic映射等加密方法相比,可同时抵御一些裁剪和篡改攻击.上述方法的操作步骤比经典加密算法简单,因此也能满足加密速度的要求. 相似文献
2.
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. 相似文献
1