基于细胞自动机的脑部磁共振成像脑肿瘤分割方法

提出一种基于细胞自动机的脑肿瘤分割方法。首先通过人工交互输入一条线,使用细胞自动机模型对脑肿瘤图像进行分割,得到肿瘤图像的标号图,然后使用活动轮廓模型对标号图进行优化处理,除去非肿瘤像素点的干扰,得到更平滑的脑肿瘤轮廓。使用该方法在对比增强T1加权MRI脑肿瘤图像进行分割实验。实验结果表明,此方法能够很好地解决脑肿瘤分割过程中容易出现的不完全分割问题,分割准确率(Dice相似系数)可达到(94.07±1.58)%。     

循环分层解耦卷积和最大滤波的三维脑肿瘤图像分割

由于脑肿瘤的大小和形状呈不规则状态,从三维磁共振图像中自动分割脑肿瘤是一项具有挑战性的任务．而目前的方法存在两个问题：基于3D建模的方法参数量较大难以训练而且全局或远距离上、下文信息的关联性不足;模型忽略局部区域细节特征使得分割结果边界模糊．为解决上述问题,本文提出了循环分层解耦卷积和最大滤波(recurrent hierarchical-decoupled convolution and maximum filtering,RHMF)的轻量网络实现三维脑肿瘤图像分割．该网络在特征提取阶段提出循环分层解耦卷积取代标准卷积,减少参数利用多时域的反馈信息建立全局上、下文信息关联．引入改进的多尺度策略对不同尺度下的多层次特征进行提取融合,提高网络的目标识别能力．在定位阶段做局部域细节处理,提出了最大滤波模块激活目标区域像素实现特征图的像素级定位,增强目标区域像素与其他区域像素的区别,进一步细化分割,解决边界模糊问题．在BraTS2020数据集上的实验结果表明,RHMF-Net在增强肿瘤区、整体肿瘤区和核心肿瘤区的平均Dice系数值分别为77.23%、90.01%和83.10%,参数量为0.4...     

基于细胞自动机的MRI脑肿瘤分割方法

提出一种基于细胞自动机的脑肿瘤分割方法.首先通过人工交互输入一条线,使用细胞自动机模型对脑肿瘤图像进行分割,得到肿瘤图像的标号图,然后使用活动轮廓模型对标号图进行优化处理,除去非肿瘤像素点的干扰,得到更平滑的脑肿瘤轮廓.使用该方法在对比增强T1加权MRI脑肿瘤图像进行分割实验.实验结果表明,此方法能够很好地解决脑肿瘤分割过程中容易出现的不完全分割问题,分割准确率(Dice相似系数)可达到(94.07±1.58)％.     

基于感受野扩增和注意力机制的U-Net脑肿瘤MR图像分割

针对U-Net网络感受野受限以及信息丢失导致的分割精度低的问题,提出了一种基于感受野扩增和注意力机制的U-Net脑肿瘤MR图像分割算法.首先,在U-Net网络中引入感受野模块(receptive field block,RFB)来增大网络的感受野,解决了网络由于感受野受限带来的分割精度低的问题.此外在网络中引入有效的通道注意模块(efficient channel attention,ECA)来增加网络对有用特征的响应,抑制网络中的冗余特征.使用BraTS(the brain tumor image segmentation challenge)提供的脑肿瘤MR图像数据对本文算法进行测试,用Dice相似性系数等指标进行评价,结果显示在完整肿瘤、核心肿瘤以及增强肿瘤的Dice值分别可达到0.86、0.86、0.79.与U-Net模型以及其他的网络相比得到了提高.实验结果表明,本文提出的算法能够有效提升脑肿瘤分割的精度,具有良好的分割性能.     

基于全尺度跳跃连接的视网膜血管分割算法

为了解决经典分割算法对于视网膜血管分割精度不够的缺陷,通过将U-net3+(全尺度连接U形网络)应用于视网膜微血管分割,并加以改进来提高分割精度.首先利用U-net3+中的全尺度跳跃连接,提取更多尺度的视网膜微血管特征.针对细小血管难以捕捉的问题,将网络中的普通卷积换成可变卷积,它可以根据血管的形状、大小改变感受野的大...     

变分自编码的分层解耦卷积脑肿瘤分割网络

三维卷积神经网络处理图像分割精度高，可以保留更多空间信息，有效解决标签不平衡问题，但存在参数量大的缺点．针对目前三维脑肿瘤分割网络内存资源占用大、硬件设备要求高、计算效率低的问题，将传统3DUNet网络中的3D卷积替换为分层解耦卷积，能够降低空间环境的计算复杂度和内存占用量，在不提高计算量的前提下显著提高分割精度，提高网络性能．为解决传统自编码器不能自主生成数据的问题，使用结合深度学习和统计学习的变分自编码器，在编码器结果中加入高斯噪声，使得编码器对结果具有鲁棒性，在编码器中加入概率分布防止过拟合，提高算法的泛化性能．采用三线性插值在三维离散采样数据的张量积网格上进行线性插值，有效避免线性方程组不断增大导致计算时间过长的问题．通过对损失函数加权混合，避免梯度弥散时出现学习速率下降现象，解决小区域分割不平衡问题，减少局部性能最优，使网络保持较高运算速度的同时有效提高分割精度，在有限内存空间最大化网络特征提取能力．在脑肿瘤公开数据集BraTS2019上的实验结果表明，该网络在增强型肿瘤、全肿瘤、肿瘤核心上的Dice值分别可达78.02%、90.05%和83.14%，参数量仅为0.30×10...     

基于VGG16预编码的遥感图像建筑物语义分割

深度卷积神经网络在遥感图像语义分割研究上开创了新的领域。利用改进的U-net模型对建筑物区域进行像素级提取,可获取其轮廓和尺寸信息。利用强可迁移性的VGG16网络作为U-net模型的编码器,并利用基于空洞卷积的级联并行模块提取多尺度的高层语义信息,同时使用转置卷积实现上采样,逐步还原分割细节。实验采用了加权组合的Jaccard损失和二元交叉熵损失作为总损失函数。实验结果表明了改进的U-net模型对遥感图像中建筑物的分割提取具有更高的精度,均像素精度(MPA)、均交并比(MIoU)和F_1分数分别为92. 16%、78. 55%和84. 81%。改进模型的F1分数比Deep Labv3+模型高4. 8%,比标准U-net模型高8. 3%。     

基于多模态3D-CNNs特征提取的MRI脑肿瘤分割方法

针对目前MRI脑肿瘤分割中的无监督特征提取方法无法适应脑肿瘤图像的差异性,提出一种基于多模态3D卷积神经网络(CNNs)特征提取的MRI脑肿瘤分割方法。将2D的多模态MRI图像组合成3D原始特征,通过3D-CNNs提取特征,更有利于提取各模态之间的差异信息,去除各模态之间的冗余干扰信息,同时缩小原始特征邻域大小,以适应同一病人不同图像层肿瘤大小的差异变化,进一步提高MRI脑肿瘤的分割精度。实验结果证明,能适应不同病人各模态之间的差异性和多变性,以提高脑肿瘤的分割精度。     

融合金字塔切分注意力模块的视杯视盘分割

视杯和视盘的垂直直径比是青光眼在临床诊断中的重要指标,为了更加准确地测量杯盘比,针对视网膜眼底图像中的视盘和视杯分割精度的问题,提出了一个改进后的端到端的U型卷积神经网络框架,采用Resnet 34作为新的编码部分,并在每一个编码层的末端引入金字塔切分注意力PSA模块以提取更多的有效特征信息。同时使用1×1卷积代替3×3卷积来简化解码结构,并且使用一个3×3卷积与一个通过跳跃连接的1×1卷积结构取代跳跃连接。该网络模型在内部数据集上完成训练后,在DRISHTI-GS数据集进行测试,对视盘和视杯的分割结果在Dice和IOU上分别表现为97.61%和95.32%,92.91%和86.75%,证明了该模型具有良好的泛化性。     

UConvTrans:全局和局部信息交互的双分支心脏图像分割

心脏核磁共振成像(MRI)具有噪声多、背景和目标区域相似度高、右心室形状不固定、呈月牙形或扁圆形等特点，虽然基于卷积神经网络的U型结构在医学图像分割中表现出色，但由于卷积本身的局部运算特性，提取全局信息特征能力有限，所以很难提升在心脏MRI上的分割精度.针对上述问题，提出一种全局和局部信息交互的双分支网络模型(UConvTrans).首先，利用卷积分支和Transformer分支提取局部特征和建模全局上下文信息，能够保留细节信息并抑制心脏MRI中噪声和背景区域的干扰.其次，设计了融合卷积网络和Transformer结构的模块，该模块将二者提取的特征交互融合，增强了模型表达能力，改善了右心室的分割精度，而且避免了Transformer结构在大规模数据集上预训练，可以灵活调节网络结构.此外，UConvTrans能有效地平衡精度和效率，在MICCAI 2017 ACDC数据集上进行验证，该模型在模型参数量、计算量仅为U-Net的10%、8%的情况下，平均Dice系数比U-Net提高了1.13%.最终，在其官方测试集上实现了右心室92.42%、心肌91.64%、左心室95.06%的Dice系数...     

基于AttentionR2U-net的岩石（体）关键节理智能识别与参数提取

针对岩石（体）表面复杂节理网中关键节理的智能识别与参数提取问题,提出一种基于AttentionR2U-net网络与节理几何特征模型耦合识别的方法.在R2U-net网络的基础上引入注意门（attention gate）改进网络,通过定性与定量的方法对边坡节理图像和混凝土、龟裂土、常见脆性岩石裂隙图像的识别结果分别作准确性及泛化能力检验;利用AttentionR2U-net网络耦合节理几何特征的方法识别关键节理,提取原始节理和关键节理的几何参数并对其迹长、面积及倾角作差异性分析.研究结果表明：针对岩石（体）节理识别,本文算法的Dice相似系数从U-net网络的0.965提升至0.990,且明显优于传统算法,故本文算法在岩石（体）节理识别上具有更强的可靠性与优越性;针对混凝土、龟裂土和大理岩、花岗岩、砂岩等脆性岩石裂隙的识别,本文算法的Dice相似系数均在0.953以上,故本文算法具有较强的泛化能力.与原始节理网络相比,关键节理网络优势迹长由0.732 m显著增大至1.835 m,节理倾角分布形式和优势倾角组均不变,优势迹长和倾角的节理占比均显著增大.     

基于卷积神经网络特征提取的MRI脑肿瘤图像分割

脑肿瘤分割在疾病的辅助诊断、治疗方案规划以及手术导航中扮演着重要的角色.为了分割病变的肿瘤,提出了一种基于卷积神经网络特征提取的由2个串联的阶段组成的分割方法,提取完整的特征并使用分类器分类.在训练阶段,训练了Convolution Neural Network(CNN)学习从图像空间到肿瘤标记空间的映射.在测试阶段,使用从CNN得到的标记输出,随同测试的灰度图像送到一个Support Vector Machine(SVM)分类器中,以得到精确的分割.实验结果证明,该方法能自适应脑肿瘤的差异性,分割准确率最高达到93%.     

MRAU-net网络下的X光胸片肺野分割算法

为了解决U-net网络进行X光胸片肺野分割时,受限于特征提取能力不足导致分割结果不精确的问题,提出一种多尺度残差注意力U型网络(MRAU-net)模型.利用多尺度信息融合(MIF)模块,改善网络结构,增加对多尺度信息的获取;利用通道和空间双注意力(CSDA)模块,解决网络在有限算力下的信息过载问题.同时,对残差模块进行改进,并与U-net网络进行深度结合,提升网络的学习稳定性,缓解梯度消失和过拟合现象.实验结果表明：文中方法具有优秀的X光胸片肺野分割能力,能获得更精确的分割结果.     

融合卷积神经网络和流形学习的肺结节检测

U-net是常用的医学图像分割网络,但仍存在卷积神经网络中泛化能力差、容易过拟合的缺点.针对其缺点,研究全卷积肺结节分割网络,引入随机失活层,采用新的激活函、损失函数、优化器等改进网络结构,改进后的网络具有更高的查全率.然后融合改进重构权值的局部线性嵌入算法对特征进行提取,最后采用XGBoost分类器进行最后的筛选分类.通过实验验证表明,得到实融合以上两种算法的肺结节检测具有更高的准确率更高的准确率和更好的泛化性,可以应用于肺结节检测.     

基于状态转移算法和U-net的医学图像分割

U-net在医学图像分割领域应用广泛,但存在小目标分割精度低、模型收敛慢等问题,且其结构和超参数的设定对网络性能有很大影响。为此,本文提出基于混合状态转移算法的U-net结构设计方法,以获取不同分割任务下的较优的U-net体系结构。首先,提出一种可变深度的编码策略来表示U-net中不同的构建块和潜在的最优深度;其次,通过混合状态转移算法优化网络结构中的超参数和连接权重初始值;再次,设计一种新的交互操作来生成具有潜力的个体,利用迁移学习策略和减少epoch的方法加速网络个体的进化;最后,在心脏MRI、肝脏LiTS这2个医学图像数据集中进行测试,验证本文方法的有效性。研究结果表明：与经典的语义分割网络相比,本文所提方法在Dice、Jaccard、VOE等分割性能评价指标中有更好的表现,验证了本文所提算法的可行性和有效性。     

基于卷积神经网络的肺野分割和肺炎筛查

由于X光胸片影像受到各类组织阴影及病灶的影响,目前肺野分割算法的结果往往存在空洞或者边缘不光滑等问题。针对此类问题,该文提出了一种基于多尺度卷积和特征金字塔的肺野分割网络,此网络利用多尺度卷积模块和多尺度特征融合模块提取和融合多尺度特征,在JSRT数据集上PA和Dice指标分别达到98.76%和97.94%,在Montgomery数据集上PA和Dice指标分别达到了98.96%和97.85%。该文将肺野分割网络进一步应用到肺炎筛查任务中,提出了一种基于肺野分割的数据增强方法,该方法通过分别“擦除”左右肺部的随机区域增加了样本的多样性,从而提高了肺炎分类任务的准确率。实验表明,这种数据增强方法可以将新冠肺炎检出率至少提高2.2%。     

基于回环残差注意力机制U-net的胰腺分割

器官自动分割是医学图像分析中的一个重要而具有挑战性的问题.胰腺是一种位于腹部内部的软组织器官,其欠缺有形器官有固定形状的特点.由于胰腺周围的重要结构组织的关系紧密且多变,且有边缘界限不易确定等特点,采用传统的分割方法存在受噪声影响大、过分割和欠分割等问题,难以达到很高的准确率.虽然基于深度卷积神经网络的U-net很好地解决了传统分割方法中的一系列问题,但仍然存在器官形状分割不清晰,以及存在较多毛刺的问题.提出一种基于回环残差注意力机制U-net(ringed residual attention U-net,RRA U-net)的胰腺分割方法,通过加入注意力机制增大有效特征的占重比以及引入回环残差结构来增强鉴别特征的能力和加快网络的收敛速度,最终达到了较高的分割准确率.     

改进U型卷积网络的细胞核分割方法

针对经典U型卷积网络在细胞核分割过程中对距离相近目标的边界较难区分、对模糊目标产生误识别等问题,提出一种改进的U型卷积网络(DU-Net)模型。为增强目标边界特征,提出一种梯度融合方法,计算样本梯度信息并将梯度图多尺度融合至U-Net编码器。解码器浅层特征通过卷积上采样密集连接至深层特征,增加特征的复用性。针对梯度消失问题,DU-Net模型在每个卷积层后采用批归一化和ReLU激活结构。针对经典U-Net模型对模糊目标的误识别问题,提出一种改进的交叉熵损失函数,该损失函数降低了模糊背景点对模型的干扰,同时提高了模型对小目标的识别能力。在2018年数据科学碗公布的670张图片、约29 500个细胞核的公开数据集上验证了DU-Net模型,结果表明,模型的预测结果与真实标签在Dice系数和Jaccard相似系数两项评价指标上分别达到95.9%和91.0%,性能优于U-Net和SegNet编码器,显著优于经典卷积神经网络模型FCN-8s。     

基于多维度特征提取网络的肝脏图像分割

随着计算机技术的发展,基于深度学习的医学图像自动分割已经成为人工智能辅助医疗的重要研究方向.为弥补现有神经网络结构对信息提取不足而产生的边缘细节丢失问题,构建了一种基于多维度特征提取网络(RDD-UNet)模型,该模型是基于残差UNet和混合损失函数的三维分割网络,以向肝脏肿瘤分割方法提供高精度的脏器分割结果.首先,该网络从原始CT数据的3个轴向提取信息,以长短跳跃连接的组合形式融合多尺度语义特征,保证了层内和层间信息的充分利用.其次,网络中设计了不平衡深度可分离空洞卷积模块,在提升三维网络计算效率的同时,扩大了体素级别的特征感受范围.最后,针对小尺寸分割目标数据不平衡问题提出了混合损失函数,并与深度监督结构相结合,提升了边缘细节的分割效果.该网络模型从体素、轴向和网络层级3个维度上充分提取特征信息,提高了肝脏分割的准确率,在公共数据集LiTS 2017上的Dice分数达到0.965 2,与其他方法相比达到了较高的精度水平.     

基于级联卷积神经网络的人脸关键点定位

由于人脸姿态、表情、遮挡物、光照问题的影响,人脸关键点检测时通常会出现较大的误差,为了准确且可靠地检测关键点,提出了一种基于级联卷积神经网络的方法。利用人脸检测器检测到的人脸图像作为输入,第一层卷积神经网络直接检测所有的5个人脸关键点。随后根据这些检测到的点裁剪出5个人脸局部图像,级联的第二层网络使用5个不同的卷积神经网络单独地定位每个点。在实验测试环节,级联卷积神经网络方法的使用将人脸关键点的平均定位误差降低到了1.264像素。在LFPW人脸数据库上的实验结果表明:该算法在定位准确性和可靠性上要优于单个CNN的方法以及其他方法,该算法在GPU(图形处理器)模式下处理一个人脸图像仅需15.9毫秒。