.png){kind=icon}
返回
.png){kind=icon}
.png){kind=icon}
摘要
En 中文
引言 深度学习已显著推动医学图像分析的发展，实现了精确的特征提取和模式识别。然而，其在计算材料科学中的应用仍处于探索阶段，尽管对自动化微观结构分析和缺陷检测的需求日益增长。材料科学中的传统图像处理方法通常依赖手工特征提取和基于阈值的分割，难以适应复杂的微观结构变化。常规机器学习方法在处理数据异质性和大规模标注数据需求方面存在挑战。
方法 为克服这些局限性，我们提出了一种深度学习驱动的框架，将卷积神经网络（CNNs）与基于Transformer的架构相结合，以增强特征表示。该方法整合了领域自适应迁移学习和多模态融合技术，以提高材料图像分析的可推广性。
结果 在多样化数据集上的实验评估表明，与传统的图像处理方法相比，该方法在分割精度、缺陷检测的鲁棒性及计算效率方面均表现出更优的性能。
讨论 通过连接医学图像处理技术与计算材料科学，本研究的方法为更有效、自动化和可扩展的材料表征流程提供了贡献。
Keyword:
deep learning
medical image analysis
computational material science
transfer learning
microstructure analysis
期刊
IF:
6.9
论文数:
1.1K
被引数:
2.4K
机构
引用论文
Automated Method for Fractographic Analysis of Shape and Size of Dimples on Fracture Surface of High-Strength Titanium Alloys.png)
Metals.png)
OAAI
MetalsIF0
OAAI.png){kind=icon}
分享.png){kind=icon}
收藏Exploring pretrained encoders for lung nodule segmentation task using LIDC-IDRI dataset使用lidc-idri数据集探索用于肺结节分割任务的预训练编码器
PREAI
分享收藏Swin-Unet: Unet-Like Pure Transformer for Medical Image SegmentationSwin Unet: 用于医学图像分割的类Unet纯变压器
PREAI
分享收藏分享收藏Machine Learning Techniques for the Segmentation of Tomographic Image Data of Functional Materials用于分割功能材料的断层图像数据的机器学习技术OAAI
OAAI分享收藏
查看更多内容