基于委员会查询和自步多样性学习的医学图像分割

由于拥有像素级标记的医学图像数量非常少,制约了卷积神经网络在医学图像分割任务上的应用,因此,该文提出了一种基于委员会查询的自步多样性学习算法,在训练数据有限的情况下提升医学图像分割模型的性能。该文所提算法结合了基于委员会查询的数据选择方法,实现动态地从易到难选择样本,对模型进行训练。同时,该算法通过应用仿射传播聚类,保证了数据选择的多样性,提升了图像分割模型的性能。为了验证所提算法框架的有效性,分别在3类医学图像分割任务的5个不同数据集任务上进行了实验,实验结果表明,该文所提算法可以显著提升分割性能。在使用相同数据的训练的情况下,相比于全监督学习,使用该文算法可以得到更高的Dice评估指标、表面距离和平均交并比值。     

基于自适应温度改进的可解释方法及实验验证

针对教师-学生网络存在的超参数温度控制效率低、时间开销大的问题,提出了一种基于自适应温度的小教师网络辅助训练的可解释模型.在原有教师-学生模型结构的基础上,首先,说明超参数温度只与学生模型的训练收敛速度相关;然后,加入小教师模型结构,节约了解释模型的训练时间.在图像分类的验证实验中,解释模型在cifar-100图像数据...     

基于Unet++网络的数字岩心图像分割泛化能力

图像分割是数字岩心技术的重要组成部分,深度学习为数字岩心图像分割提供了新方法。在优选的深度学习模型的基础上确定网络结构、训练数据量来平衡计算效率,进一步在不同类型的岩心数据集上讨论网络的泛化能力及其影响因素。结果表明：Unet、Segnet和Unet++网络中,Unet++网络可以在保证分割精度的同时具有最好的物性参数预测效果;Unet++网络在训练数据量和预测数据量为1∶1,网络结构设计2次采样的条件下,Unet++网络的分割精度可以达到98%;基于多类岩心训练的Unet++网络分割不同岩心图像的平均分割精度达95%,相较于岩心的类型,岩心图像的质量更能影响Unet++网络的识别效果。     

基于多尺度特征和反向注意力的肝脏肿瘤自动分割方法

肝脏肿瘤分割旨在定位肝脏肿瘤区域，以辅助医生进行精准诊治。鉴于深度学习能自动学习医学图像中复杂的特征和结构，已成为肝脏肿瘤分割的主流方法之一。但肝脏肿瘤的大小、形态存在显著差异及边缘模糊等问题，限制了深度学习模型的分割性能。基于此，该文提出了一种融合多尺度特征和反向注意力机制的深度网络，并用于肝脏肿瘤的自动分割。具体地，基于U-Net模型的框架，分别设计了多尺度特征提取模块和基于深度监督的反向注意力模块，使得网络能根据分割目标的大小自适应地选择不同尺度的特征，并引导网络关注分割目标的边缘特征，进而提高网络的边缘分割能力。此外，设计了一种新的混合损失，以解决医学图像分割中的类别不平衡问题。最后，在MICCAI2017 LiTS挑战赛数据集的数值实验结果表明，所提方法的Dice系数、平均对称表面距离ASSD分别为76.12%和3.25 mm。     

基于双任务一致性的半监督深度学习医学图像分割方法

【目的】医学图像分割是医学图像分析中的一个重要内容。现有的大部分图像分割算法都是基于监督学习,而实际应用中医学图像标签难以获取,大量标注需依赖领域专家,费时费力。因此,提出一种双任务一致性的半监督医学图像分割模型。【方法】该模型采用一个编码器,两个解码器的网络结构,其中编码器和一个解码器实现图像分割,与另一个解码器实现图像重建。无标签数据通过一致性分割与重建任务得到的两个不同图像背景计算损失并优化网络参数。同时在网络的编码器部分加入注意力模块以更好地获取分割区域的空间位置信息,并使用锐化操作增加无标签数据重建输出的置信度。【结果】在肝脏和细胞数据集上IOU分别为0.953 6和0.821 0,相较于U Net提高了1.5%和4.82%;在眼底血管数据集上,SP值为0.983 0,与第二名相比提升了0.18%。【结论】本文模型与有监督方法和半监督方法相比,在医学图像分割的有效性和泛化性上有一定的性能提升,能有效解决数据集数量少、小病灶分割难度大的问题。     

基于深度学习的三维乳腺超声影像自适应分割

针对传统乳腺超声影像分割算法存在准确率低、精度低且耗时长等问题,提出基于深度学习的三维乳腺超声影像自适应分割算法。首先预处理图像,采用深度多示例学习方法检测病变图像块,删除正常图像块。然后对乳腺超声影像数据集扩增处理,用于神经网络训练。其次构建残差卷积神经网络模型,设计残差学习单元,结合扩增数据集形成特征映射,采用softmax函数训练网络并进行特征块判断,并结合阈值设置实现三维乳腺超声影像自适应分割。实验结果表明,该算法能更细致地完成图像分割,算法平均运行耗时为52.3 s,图像分割精度为95.5%,且F1分数值高,整体性能佳,为卷积神经网络分割应用提供参考。     

基于U-Net网络的肺部组织分割

传统的医学图像分割中特征提取算法的设计复杂性与应用局限性、稳定性以及特定的特征提取算法与特定的分类器结合的多样性制约着医学图像分割技术的发展,而深度学习是机器学习领域中使用多重非线性变换对数据进行多层抽象的热门算法,其多被应用于医学图像的分类和识别中。在肺组织分割中,针对肺部组织纹理复杂,且胸部CT图像数据的随机噪声大,采用相对成熟的传统分割算法对CT图像进行预处理,再结合深度学习的理论,设计一个合理的神经网络模型,利用已经标记好的多组肺部CT图像进行训练,使其能够准确地分割出肺部组织。基于U-net神经网络的深度学习方法对肺实质的分割进行研究与实现,并针对临床扫描胸部CT图像进行了实验验证,能够较为准确快速地分割出肺实质。     

基于改进PSPNet网络的古代壁画分割方法

针对传统方法在古代壁画图像分割过程中出现的目标边界模糊、图像分割效率低等问题,提出一种基于PSPNet网络的多分类壁画图像分割模型(PSP-M).模型首先融合轻量级神经网络MobileNetV2,降低硬件条件对于模型训练的限制.其次通过全局金字塔模块,将不同级别的特征图拼接起来,避免了表征不同子区域之间关系的语境信息的丢失.最后利用金字塔场景解析网络嵌入壁画背景特征,减少特征损失的同时提高特征提取效率.实验结果表明,PSP-M模型较传统的图像分割模型在训练精确度上平均提升2%,峰值信噪比(PSNR)较实验对比模型平均提高1～2 dB,结构相似指标(SSIM)指标较实验对比模型平均提高0.1～0.2,实验验证了PSP-M模型在壁画分割方面的可行性.     

少样本条件下的复杂叶片图像语义分割

针对少样本条件下复杂叶片分割精确度不高的问题,提出一种基于数据增强的图像语义分割方法.使用翻转、平移方法对训练集中的图像进行增强扩充,利用VGG19代替原SegNet语义分割模型的VGG16主干网络进行模型训练.实验结果表明,在包含180幅复杂背景叶片的图像数据集上,使用该方法的评价指数MPA和MIOU达到了98.02...     

卷积神经网络在SAR图像海面溢油检测中的应用

针对合成孔径雷达（SAR）海面溢油检测问题，采用Yolov4目标检测模型、语义分割网络（U-Net）模型、Xception预训练模型等多种卷积神经网络模型进行SAR图像海面溢油检测的模拟实验。基于一个仅有790个样本的像素为256×256的SAR图像海面溢油数据集，深入对比研究了3种SAR图像海面溢油检测神经网络模型，分析了不同检测模型在海面溢油检测中的检测效果。实验结果表明，相较于其他两种检测模型，Xception预训练模型具有更高的SAR图像海面溢油检测精度，更加适合应用于小数据集的溢油检测。     

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.     

基于改进Multi-ResUnet算法的黏结集料图像分割方法

为提高黏结集料图像的分割精度，提出了基于Inception网络与残差连接优化的黏结集料图像分割模型（Multi-ResUnet模型）。利用实验室自主研发的集料三维特性分析系统V3.0对黏结集料图像进行采集，并建立图像分割模型样本集，然后采用图像分割模型对样本集进行训练。结果表明：相较于分水岭算法和Unet模型，该图像分割模型的精确率分别提升了30.46%和2.11%，召回率分别提升了4.68%和1.85%，准确率分别提升了25.95%和2.47%。     

基于半监督阶梯网络的肝脏CT 影像分割

针对医学影像数据中标记样本较少且人工标记成本高的问题, 提出一种基于半监督阶梯网络的肝脏CT(Computed Tomography)影像分割模型。首先, 利用超像素分割对数据进行预处理减少数据量, 并以像素点为中心提取子图像(patch)放入半监督模型进行训练。最后, 利用训练模型进行肝脏分割。实验结果表明, 该模型利用少量的标记图片得到了与监督学习相近的结果。     

基于环视相机的无人驾驶汽车实例分割方法

针对环视鱼眼图像中目标几何畸变大导致建模难的问题,提出一种基于可变形卷积网络的实例分割方法,主要是在Mask R-CNN框架的基础上引入可变形卷积和可变形RoI Pooling(候选区域池化)来提升网络对几何畸变的建模能力.针对深度神经网络训练数据缺乏、易过拟合的问题,提出了基于多任务学习的训练方法.首先将现有的大规模普通图像数据集转换为鱼眼数据集来弥补训练数据不足的问题,然后采用多任务学习的训练方法将转换的图像和真实图像放在同一个框架中训练以提高网络的泛化能力.用该方法在真实的环视鱼眼图像上做测试,结果表明:相对于原始Mask R-CNN的方法平均精度提升了3.1%,证明了该方法在真实交通环境中的有效性.     

融合多种深度学习模型的岩石铸体薄片孔隙自动分割方法

铸体薄片图像孔隙形态复杂多样,常规分割方法存在主观因素影响、效率低等问题,而深度学习方法效果取决于数据量、标注、训练周期等因素。针对这些问题,采用真实的增强型超分辨生成对抗网络（Real-ESRGAN）方法提高铸体薄片图像分辨率,应用图像旋转、比例变换等数据增强算法增加样本的多样性,利用阈值法结合颜色空间转换自动标注铸体薄片中大部分孔隙;在Unet网络编码器部分加入残差网络加深编码器网络深度（R-T-Unet）,增强孔隙特征分割能力;引入ImageNet数据集上的ResNet50和ResNet101模型,将其结构作为编码器主干特征分割网络,其模型权重作为预训练权重,提高训练速度。实验结果表明,改进的R-T-Unet 模型优于Unet模型,本方法更适合用于岩石铸体薄片孔隙分割。     

基于PPYOLOE的师生互助训练半监督目标检测网络

随着深度学习技术的发展,基于卷积神经网络的目标检测技术成为当前计算机视觉领域的研究热点之一.目前主流的目标检测算法依赖于监督学习方式,需要在大量有标注图像数据上训练网络,然而,无标签的数据易于获取,而有标签的数据收集起来通常很困难,标注也耗时和耗力．为了解决数据标注难以获取的问题,提出了教师学生互助训练的半监督目标检测(PPYOLOE-SSOD)算法．首先,同时训练一个学生模型和逐渐改进的教师模型,使用教师模型筛选高质量伪标签,将伪标签作为未标注图像的回归目标,指导学生模型训练,挖掘未标注图像的知识信息,为了减小参数传递的不稳定性,每次迭代学生模型使用指数移动平均方法更新教师模型参数;此外,引入不同种类的半监督数据增强方法来增强网络的抗干扰能力;最后,针对无标注数据的学习,新增无监督学习分支,使用密集学习方式对模型预测得到的特征进行处理,通过对教师模型预测的分类特征排序,自动选择高质量特征作为教师模型生成的伪标签,从而避免了繁琐的伪标签后处理,提升网络的精度和训练速度．在MSCOCO数据集上,通过使用半监督学习方法,PPYOLOE在1%、5%、10%的标注数据集上分别得到了1.4%、1...     

一种新的基于U-Net和ResNet的病理图像细胞核分割方法

医学图像分割是图像处理的重要环节,而细胞核分割结果是病理学家进行癌症分类和评级的重要依据,提高其分割的准确率一直是研究的热点。但由于同器官的不同细胞核存在形态可能不一样、细胞之间相互重叠、细胞边界不清楚等现象,导致细胞核图像难以准确分割。为提高相互接触和重叠细胞核分割的准确性和精确率,本研究提出一种新型的细胞核分割网络模型。该模型首先是对原始细胞图进行ZCA白化预处理,并基于经典的U-Net网络结构,通过U-Net和ResNet残差模块进行训练,使用Batch Normalization方法实现数据归一化处理,解决训练过程中梯度震荡问题。在MoNuSeg和ISBI2018Cell两个数据集上的实验结果表明,本研究所提出的模型的分割准确率较高,分割出的细胞没有出现细胞核大面积粘连的现象,细胞核轮廓更加清晰。本研究所提的分割网络基于经典的U-Net网络结构,通过构造ResNet残差模块实现对细胞核上下文特征的提取,同时在残差模块使用Batch Normalization使得梯度的传输更加便捷,减少了训练时间,而且在分割相互接触的细胞核时,具有精确定位和准确分割的能力,是一种有效的细胞核分割方法。     

Hyper-SegUNet:基于超网络的超参自学习医学图像分割模型

为解决在训练UNet及其变种时需要手动选择超参数的缺陷，提出一种嵌入超网络(Hypernetworks)的医学图像分割模型Hyper-SegUNet.首先，构建编码器和解码器组成的U型网络结构.然后，将多组超参数作为解码器的输入单元，进而输出多组不同超参数下的性能，并从中挑选最优超参数.在腹部多器官分割数据集Synapse和心脏单器官分割数据集ACDC的实验结果表明，该模型可以自动选择超参数，而且分割准确性优于基线方法.     

基于深度残差网络的医学超声图像多尺度边缘检测算法

为提高医学超声图像在临床诊断的效果, 需先对图像进行优化检测和识别, 提出一种基于深度残差网络的医学超声图像多尺度边缘检测算法. 首先, 通过对原始医学超声图像进行自动标注, 构建医学超声图像灰度分布矩阵, 利用分布矩阵完成医学超声图像的多尺度分割; 其次, 构建医学超声图像多尺度边缘的轮廓模型, 提取多尺度图像边缘特征; 再次, 构建深度残差网络结构, 采用深度残差学习算法进行超声图像的底层图像信息融合; 最后, 对融合后的边缘图像数据进行多尺度边缘检测. 实验结果表明, 该算法的图像分割精度高, 特征提取准确率达80%以上, 图像边界中间断区检测效果较好, 边缘点查全性较高, 算法检测耗时短、收敛性强.     

基于全卷积神经网络迁移学习的乳腺肿块图像分割

针对乳腺X线摄片中肿块通常会被周围致密组织所掩盖,对比度低,且其形状不规则,肿块图像分割困难的问题,设计了一种基于全卷积神经网络迁移学习的乳腺肿块图像分割方法.该方法首先对乳腺肿块图像进行数据增强,然后利用迁移学习,对设计的全卷积神经网络模型载入参数并训练分割模型,最后在训练好的模型上对待分割图像进行处理.分割结果采用区域面积重叠率、Dice相似系数、Hausdorff距离等指标进行评价分析,在公开数据集的483幅图像上的实验结果表明:提出的方法的分割效果明显优于传统分割算法.