心脏核磁共振图像左心室底层组织分割方法

提出了一种基于局部灰度聚类(LIC)模型和分水岭算法的心脏核磁共振成像(MRI)图像左心室底层组织分割方法.首先,使用LIC模型对图像进行初步分割,提取出图像中的组织和器官;然后,使用分水岭算法弥补粘连的不同组织或器官之间缺失的边界,将其分开,人工选取种子点进行区域生长初步提取左心室;最后,利用左心室形状特征的先验知识判断提取的左心室中是否包含主动脉,若包含则去除主动脉,得到精确的左心室分割结果.实验结果表明,该方法能有效去除心脏MRI图像上左心室底层存在的弱边界和边缘泄露的影响,得到准确的左心室底层组织分割结果.     

融合级联CRFs和U-Net深度学习模型的遥感影像建筑物自动提取

针对深度学习模型进行建筑物提取时存在的建筑物边缘模糊问题,将级联CRFs(全连接条件随机场)引入到U-Net深度模型中,提出了一种改进的U-Net模型(U-Net+级联CRFs),以用于遥感影像建筑物自动提取:构建级联CRFs并将其引入到U-Net模型的解码层中,从多层结构中学习边界信息,增强模型对建筑物边界的分割能力...     

基于U-Net和Res_UNet模型的 传送带矿石图像分割方法

针对传送带矿石图像中矿石粘连和边缘模糊造成的分割不准确问题,提出了一种基于U-Net和Res_UNet模型的传送带矿石图像分割方法.该方法首先将待分割图像经过灰度化、中值滤波和自适应直方图均衡化处理后,利用预训练的U-Net模型提取图像轮廓;然后,将图像轮廓二值化后,利用预训练的Res_UNet模型进行轮廓优化;最后,利用OpenCV得到分割结果.与基于形态学重建的分水岭算法和NUR法分别对10张测试图进行实验比较,结果表明,所提出的利用深度学习实现矿石轮廓检测和优化方法分割的结果更加准确,证明了其对传送带矿石图像分割的有效性.     

基于迭代腐蚀的粘连细胞图像分割研究

为对显微粘连细胞图像进行分割,该文提出1种基于数学形态学运算的迭代腐蚀方法。对二值化细胞图像进行迭代腐蚀得到细胞种子点图像,通过分水岭分割提取细胞分割边界,形成最终的分割图像。在每一次腐蚀后得到的图像中保存细胞种子点,在整个迭代腐蚀过程中避免细胞种子点被误删,为后续使用分水岭分割进行图像分割提供了可靠的先验信息。实验表明,该算法能较好地解决距离变换方法中的过分割问题并改善极限腐蚀方法中的欠分割问题。     

一种改进的粘连颗粒图像分割算法

针对颗粒图像分割中产生过分割、欠分割及粘连区域存在孔洞从而导致分割不理想的情况,提出了一种改进算法.该算法在基于边界跟踪的分割算法的基础上,采用根据真实欧氏距离所提取的局部极大值点信息对分割策略进行控制,以减少过分割、欠分割的产生,同时对含有孔洞的粘连区域增加内边界跟踪处理.实验结果表明,算法获得了更好的分割效果.     

基于曲率和活动轮廓模型的重叠细胞分割算法

提出了一种基于曲率和活动轮廓模型的重叠细胞分割算法,用于解决重叠细胞显微图像边界难以自动分离的问题.该算法使用Otsu算法和形态学滤波得到重叠细胞整体轮廓,并根据其曲率信息来定位细胞边界接触点,再采用活动轮廓模型分割得到重叠区域轮廓,最后结合边界接触点信息将其与整体轮廓拼接得到单个细胞轮廓.实验结果表明,算法实现了重叠细胞的分割,分割得到的细胞完整度高,且算法具有一定的鲁棒性,表明该算法用于重叠细胞的分割是可行、有效的.     

基于改进的nnU-Net胰腺分割模型

CT扫描是腹部器官疾病的常规检查手段,准确地对腹部器官进行自动分割能够给医生提供辅助诊疗信息。但腹部CT影像中器官类型多、背景复杂等情况给腹部器官分割带来挑战,尤其是胰腺在CT影像中存在边界模糊的特点,导致现有器官分割模型难以准确分割胰腺。为此,该文针对胰腺分割存在分割边界不准确的问题,基于nnU-Net医学影像分割自适应框架,设计了一种具有边界感知机制的胰腺器官分割模型。该模型在分割网络中嵌入边界感知模块来引导分割网络关注目标边界特征的有效提取;此外,模型将传统分割网络模块提取的语义特征和边界感知模块提取的边界特征进行融合,以有效缓解胰腺器官边界特征提取不完整的问题,从而实现更精准的胰腺器官分割。所提模型在NIH胰腺分割公开数据集上分割准确率达到0.879,分割效果优于现有器官分割模型。     

基于混合特征空间MRF(Markov Random Filed)模型的高分辨率遥感影像水体提取

水体信息提取是遥感图像在水资源调查与利用、水生态监测等应用中的关键技术之一.针对现有的水体指数法或影像分类法在水体边界处理效果不够精确、易产生误提取和漏提取等问题,提出一种基于混合特征空间与MRF模型图像分割算法的水体提取新算法.结合遥感图像颜色特征与归一化差异水体指数NDWI创建混合特征空间,将遥感图像中的像素作为MRF模型中的随机变量,构建基于混合特征的能量函数,使用迭代的图割算法(Graph Cut)最小化能量函数确定水体边界,然后根据已提取的水体主体的水体指数及颜色特征等信息对水体边界进行自适应精细化处理.对石梁河水库水体提取的实验表明,该方法能够自动对周边环境复杂的水库水体信息进行提取,并且水体边界的提取效果良好,达到较高的水体提取精度.     

基于凹点匹配的粘连颗粒图像分割算法

针对颗粒图像中粘连区域不易分割的问题,提出了一种基于凹点匹配的分割算法。首先对图像进行预处理、阈值分割及形态学处理,再利用链码边界跟踪,计算分割结果中粘连区域边界曲率,找出图像中的凹点,最后根据判断准则对凹点进行匹配,并用分割线连接匹配的凹点,对粘连颗粒进行分割。通过对多幅颗粒粘连图像进行试验,结果表明该算法有较好的效果。     

基于随机游走算法的CT图像肺肿瘤分割

针对CT图像肺肿瘤分割中复杂大肿瘤分割的准确性和自适应问题,提出了一种基于随机游走算法的分割方法.首先,根据图像灰度信息提取肺实质;针对大肿瘤与周围肺组织粘连的复杂情况,先提取有凹陷的肺实质,再根据肺实质先验轮廓,用曲线段形变模型修补肺实质的凹陷边界.然后,用区域生长法自动确定目标种子点和背景种子点;对于大血管与肿瘤粘连的情况,需要少量交互修改个别背景种子点.最后,用随机游走算法完成大肿瘤的分割.实验结果表明,该方法的准确性高,分割结果能够满足临床治疗效果分析和病理学研究的要求.     

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.     

基于语义分割深度学习的地基云图分割方法

随着深度学习技术的迅速发展，更复杂更先进的语义分割深度学习模型在地基云图检测分割任务中得到广泛研究和应用。首先开创性地对新发布的地基云图数据集进行整理概括；然后阐述了基于深度学习语义分割模型在地基云图分割方面的研究进展，详细地介绍了典型的语义分割网络模型；接着选取了部分优秀性能的语义分割模型在标准的数据集上训练和验证，系统性评估其在地基云图分割的性能，验证了语义分割模型在地基云图分割领域的适用性;最后提出对基于语义分割的自适应地基云图像素级分割研究的总结和展望。     

基于生成对抗网络的海马子区图像分割

海马子区体积很小且结构复杂,传统分割方法无法达到理想分割效果,为此引入生成对抗网络模型用于海马子区图像分割.该方法构建一个生成对抗网络模型,通过构建生成网络和对抗网络并对其进行交替对抗训练实现对脑部海马子区图像的像素级精确分割.实验选取美国旧金山CIND中心的32位实验者的脑部MRI图像进行海马子区分割测试,在定性和定量方面分别对比了所提方法基于稀疏表示与字典学习方法和传统CNN的分割结果.实验结果表明,该方法优于基于稀疏表示与字典学习和CNN方法,海马子区分割准确率有较大提升.该方法提升了海马子区的分割准确率,可用于大脑核磁图像中海马子区的分割,为诸多神经退行性疾病的临床诊断与治疗提供依据.     

骨髓红粒细胞自动识别的深度学习模型

为了实现骨髓血细胞的自动识别, 构建了骨髓红系细胞和粒系细胞数据集, 基于深度学习语义分割技术提出了 CellNet 网络模型。 该模型通过加入残差模块增加了网络的深度, 利用卷积残差块使网络模型更容易训练, 并结合 U鄄Net 的裁剪操作为分割提供更精细的特征。 实验结果表明, 该模型对骨髓红系细胞和粒系细胞识别正确率分别达到 93. 65% 、95. 25% , 为骨髓血细胞自动识别技术提供了一种方法。     

变电站巡检机器人避障方法研究与应用

为提升变电站巡检机器人的导航避障能力,将深度学习技术应用于变电站场景识别中,提出了一种基于深度卷积神经网络的避障方法.该方法联合图像分类和语义分割两个分支来共同辅助机器人导航避障,分类分支通过获取图像全局信息,保证机器人正确行驶方向;而语义分割支路则根据图像局部信息以及机器人前方目标类别,指导机器人准确避障.实验结果表明,避障方法可以高效地对图像进行分类和分割,同时,在实际变电站环境中,该方法也能为巡检机器人提供有效的避障信息,实现实时自主避障.     

基于SENet注意力机制和深度残差网络的腹部动脉分割

在医学诊断中,血管疾病的研究与治疗仍是影响人类健康的主要因素。由于人体腹部血管复杂且构造因人而异,这就对图像分割的研究以及临床应用带来了极大困难。所以,通过图像处理和深度学习等方法准确清晰地获取病人腹部动脉及其分支血管,在临床和术前诊断中发挥了重要作用。本文主要对腹部血管的大小灰度、构造等基础医学知识进行学习,并深入研究了现有关于血管分割算法的优缺点。为解决深度卷积神经网络性能退化的问题,增强对目标信息的关注度并对不必要的特征信息进行抑制,提出一种基于Squeeze-and-Excitation Networks（简称SENet）注意力机制和深度残差网络的血管分割算法。使用12例腹部CT数据的评估结果显示,血管分割准确率可达90.48%,灵敏度、Dice、VOE、精确率分别为0.8995、0.8783、-0.1998、0.9104。因此,相比于传统方法,本实验所提方法具有更好的分割性能。     

基于深度学习的汽车轮毂缺陷自动分割技术

针对建立轮毂无损检测智能化平台的需要,本文提出一种基于深度学习算法的轮毂缺陷自动分割方法,利用卷积神经网络的结构和径向基函数神经网络的非线性特点,构造一种深度学习网络结构来模拟人类的视觉感知。本文依据汽车轮毂X射线图像,利用U-Net网络来训练轮毂缺陷分割模型,并在感兴趣区域的基础上模拟人脑层次感知系统,该层次感知系统能识别感兴趣区域的灰度像素,通过深度学习分层网络和卷积神经网络,逐层提取缺陷区域的内在特征,从而实现轮毂缺陷的自动分割。实验表明本方法针对复杂轮毂缺陷的识别率达到90%以上,且识别时间开销大约5ms/张,优于传统方法。可见该方法能够满足轮毂缺陷自动分割的需求,具有潜在的应用前景。     

变电站巡检机器人道路语义分割方法及其应用

为提升变电站巡检机器人对道路场景的识别理解能力,将深度学习技术应用于变电站巡检机器人中,提出了一种适用于变电站道路场景的全卷积语义分割网络。该网络借鉴ENet编码结构提取图像特征,同时融入多种解码结构来获取更多有效特征,恢复图像目标信息。同时,针对巡检机器人以及变电站道路特点,将语义分割结果转化为机器人前方目标信息以及机器人偏离情况信息,辅助机器人导航避障。实验结果表明:所提出的网络有效地提升了图像分割精度,并能较好地适应于实际变电站环境中。研究结果为机器人提供了有效的道路场景信息,辅助机器人导航避障。     

基于迁移学习和支持向量机的白细胞分类

针对人工镜检分类白细胞准确率和效率低的问题,基于深度学习和机器学习算法,提出了一种基于迁移学习和支持向量机的白细胞分类方法.首先对迁移模型进行微调训练,其次用微调训练后的迁移模型进行特征提取,然后将特征输入至神经网络和支持向量机中进行训练,最后通过神经网络和支持向量机的组合分类器对白细胞进行分类.实验结果表明,白细胞分类准确率由最初微调训练的83.26％,随着迁移模型的优化提升为90.43％,最后通过组合分类器再次提升为93.52％,可以在临床实践中帮助医生提高诊断的准确率和效率.     

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。