基于D-UNET的胎儿产前超声检测

胎儿的产前超声检测对判断或预测孕妇孕期、估计胎儿尺寸和质量具有重要意义.超声检测主要是基于超声图像对胎儿的腹围(abdominal circumference)、股骨长(femur length)以及头臀径(crown-rump length)等参数进行测量.这些生物参数的测量可以用来判断胎儿的生长状况是否良好以及胎儿是否畸形.当前,这些参数需要依靠医生进行手动测量,该方法效率低下且严重依赖医生经验,从而导致检测准确率下降.对此,本文提出了一种基于深度学习的算法来对腹围、头围、股骨等部位进行自动分割,并对这些生物参数进行自动测量.该算法基于UNET结构,并采用扩张卷积(dilation convolution)以提高网络提取上下文信息的能力,因此本文将其命名为D-UNET.本文基于腹围、股骨以及头臀径三个临床数据集对所提D-UNET进行了实验验证,并与一些其他先进的深度学习分割算法进行了比较.实验结果表明,本文算法在三个数据集上都表现了与专家医师手动标注接近的测量结果.由此说明,本文算法能辅助医师对生物参数进行自动测量.     

基于Zernike矩和水平集的超声图像分割

为了提高超声图像的分割精确率,提出了一种基于Zernike矩和水平集的超声图像分割方法.首先,利用9个具有不同阶数和重复度的Zernike矩提取超声图像的纹理特征,保留矩的幅值和相位,获得18个特征图,同时在每一特征图目标区域内外采样,利用采样值计算出特征图的权值.然后,将特征图与高斯算子进行卷积,计算其边缘检测函数,将所有特征图的边缘检测函数与对应的特征图权值相乘,所得结果之和即为该超声图像的边缘检测函数.最后,利用基于变分函数的水平集方法对超声图像进行分割.基于前列腺超声图像的实验结果显示,相比基于梯度的水平集方法和基于Zernike矩幅值的水平集方法,所提方法具有更高的分割精度,dice相似系数达到95%以上.     

基于改进主动形状模型的前列腺超声图像分割算法

为了提高前列腺超声图像的分割精度,提出了一种基于改进主动形状模型的前列腺超声图像分割算法.首先,提取前列腺超声图像的特征集合,该特征集合由Gabor纹理特征和局部二值模式(LBP)特征组成.然后,通过利用k均值算法对提取的特征集合进行聚类分析,得到超声图像的聚类表示图.最后,在聚类表示图上应用ASM获取超声图像中前列腺的形状信息.结果表明,该算法可以准确地定位前列腺边界信息,与医生手动标记的前列腺轮廓相比,平均绝对距离仅为1.559 6 mm,戴斯相似度系数最高可达93.88%.利用超声图像的聚类表示图可以获得更加精确的前列腺轮廓信息,可用于海扶高聚焦超声(HIFU)手术中的精准导航.     

基于三维卷积神经网络的肝脏静脉血管的分割

针对传统的血管分割算法需人工参与且分割效果不佳,神经网络的方法存在设计特征量的数量有限等诸多问题,提出了一种基于三维卷积神经网络的血管分割的算法,可以利用多层卷积神经网络获取三维图像的特征,与传统的二维分割有很大的不同。通过正负样本训练后得到的模型,可以对CT图像分割后的三维子块V_i中心位置的像素点进行分类实现血管的自动分割。使用正负样本各14 976个来进行训练和测试所提出的三维卷积神经网络算法,最终,三维卷积神经算法的准确率能够达到86.11%,Dice相似系数为92.43%,召回率为99.76%。实验结果表明了基于三维卷积神经网络的血管分割算法的有效性,可以获得比二维输入数据更好的实验结果。     

基于DRA-UNet模型的超声图像分割方法

针对普通卷积运算无法关注重点区域、编码器无法有效提取全局上下文信息、简单的跳跃连接无法捕获显著特征,以及易导致分割图像分辨率降低、重要细节丢失、小物体信息无法被准确捕获等问题,提出基于膨胀率注意力机制的UNet(DRA-UNet)模型,并发展了基于此模型的超声图像分割方法．在UNet模型的基础上,引入膨胀率注意门和多尺度卷积(ConvMulti)模块．膨胀率注意门模块利用空洞卷积能得到更大的感受野,将编码器语义位置的局部区域像素联合到上采样区域,可以实现更加高效的跳跃连接．ConvMulti模块用来获取更加详细的高层特征信息,使编码器功能更强大．实验结果表明：本模型可以有效抑制图像噪声,大幅提高特征的表达能力,具有很强的鲁棒性,相比六种经典分割方法,所提出方法在交并比、F1分数和精度指标下分别达到72.25%,83.89%和97.47%.     

基于多尺度特征提取的图像语义分割

指出了基于深度学习的图像语义分割中,如何充分利用图像上下文信息以达到更好的分割效果,是当前图像语义分割研究的关键问题.为解决这一问题,提出了一种基于多尺度特征提取的图像语义分割方法,通过构建深层卷积神经网络,并利用不同尺度图像作为网络的输入来提取不同尺度图像的特征,最后经过特征融合得到了分割图.在公开数据集Stanford background dataset 8类数据集上进行训练和验证,实验结果达到了84.33%的准确率.实验表明:通过提取和融合多尺度特征,可以达到更好的图像语义分割效果.     

基于并行残差卷积网络的图像超分辨重建

针对VDSR模型卷积核单一和DRRN模型不能全局利用的问题,提出了基于并行残差卷积神经网络的联合卷积图像超分辨重建模型。模型首先利用原始卷积层和扩张卷积层融合,建立联合卷积层,然后利用跳跃链接,将多种抽象层次的特征进行融合,最后完成整个超分辨网络的模型构建。提出的模型具有以下优点：①扩张卷积神经网络与原始卷积神经网络融合,在计算机复杂度不变的情况下,可以获取更多尺度的信息,因此具有更强的表达能力;②跳跃链接方式,将抽象层度较低与较高抽象层次的信息融合,获取更多的信息,使得模型具有更强的学习能力。通过在多个数据集上进行实验,模型在大多数任务中与VDSR、DRRN和SRCNN等先进模型相比,IFC值取得了大于0.1的提升。     

一种高度自动化的三维CT数据腰椎分割方法

针对现有分割方法,分别存在无法完全分割、不能适应所有数据或过多的手动干预等局限性问题,提出了一种用于CT图像单节腰椎分割的新方法.首先从CT图像中分割整条脊椎,然后再分别断开单个椎体和椎小关节,从而使待分割的一节腰椎与其他部位分离.利用人造数据和真实数据对本方法进行了评估,结果显示本法可以高度自动化地分割任意单节腰椎.本方法是医生进行辅助诊断的重要方法,在相关领域的研究中具有广泛意义.     

基于模糊集与区域生长算法的胎儿下腔静脉血管超声分割

本方研究了胎儿下腔静脉血管在B型超声图像中的分割问题.B型超声使用方便,在临床中有广泛使用,但其图像有噪声多、对比度差的缺陷.为了有效地在B型超声图像中分割血管,提出了一种基于模糊集与区域生长算法的分割算法;该算法预先使用模糊集算法处理,以提高图像对比度;并使用基于梯度改进的自适应区域生长算法进行分割.实验以医生的手工分割结果作为金标准,并与阈值分割和水平集算法进行了对比.实验表明,该方法的准确度和稳定性高于阈值分割和水平集分割方法结果.     

基于改进的大津方法与区域生长的医学图像分割

提出了一种自动分割边缘模糊图像的新方法.该方法利用小波变换对图像进行压缩与多解像度分解,通过强调各解像度上高周波成分的极值进行图像锐化;利用邻域平均与中值滤波方法对图像进行平滑;利用改进的大津方法与多种子投票机制的区域生长方法进行图像的自动分割;根据分割效果对阈值进行迭代控制;通过自动分割的区域与影像医生手动分割区域的误差、平均最短距离进行自动分割效果的评价.将本方法应用于实际的30幅边缘模糊的腹部MRI图像,证明了其对复杂图像分割的有效性.     

基于U-Net多尺度和多维度特征融合的皮肤病变分割方法

针对皮肤病变区域尺度不同和形状不规则,传统U-Net网络方法缺乏从不同尺度分析目标的鲁棒性,并在提取图像高层语义特征时丢失部分空间上下文信息而影响后续分割精度等问题,提出一种基于U-Net多尺度和多维度特征融合的医学图像分割方法.首先,用空洞卷积融合不同尺度的空间上下文信息;其次,用通道上下文信息融合模块提取特征图各通...     

基于深度CRF模型的图像语义分割方法

从图像中提取多种特征向量堆叠为一个高维特征向量用于图像语义分割,会导致部分特征向量的分类能力减弱或丢失。针对此问题,提出了一种结合深度卷积神经网络AlexNet和条件随机场的图像语义分割方法。利用预训练好的AlexNet模型提取图像特征,再通过条件随机场对多特征及上下文信息的有效利用来实现图像的语义分割。与利用传统经典特征的方法进行对比,实验结果表明:在利用AlexNet模型提取特征进行图像语义分割时,Conv5层为最有效的特征提取层,在Stanford background和Weizmann horse数据集下的识别准确率分别为81.0%和91.7%,均高于其他2种对比方法,说明AlexNet可以提取更有效的特征,得到更高的语义分割精度。     

新型架构下的密集网络在肺部影像的分割研究

在医学图像分割领域中,肺实质的分割对肺结节检测有着至关重要的作用,在考虑到模型参数量的情况下 追求更高的精度一直是研究热点之一;为此提出了新的三层密集卷积神经网络 DA-UNet,首先用密集卷积模块代 替在传统 U-Net 使用的普通 3×3 卷积,利用密集卷积特征重用特点,加强了网络的特征提取能力。 再者在没有太 过影响分割网络精确度的前提下加以修剪,减少了上下采样次数,减少不必要的算力消耗。 此外,使用了注意力门 (Attention gate),加强了跳跃连接中高底层信息融合效果,并且使用空洞空间金字塔池化( Atrous spatial pyramid pooling),模型加入了不同尺度的特征信息,进一步加强图像中任务相关的区域特征,有效减小噪声干扰,提高网络 分割精度。 通过实验证明:三次上下采样改进模型的参数量只有传统四次上下采样的 75. 2%左右,但是分割效果 没有太大的影响,用 LUNA 竞赛肺部影像数据集进行了分割验证,实验结果在测试集上的准确率达到了 0. 991,而 IoU 则为 0. 961,比起传统 U-Net 的评价指标 IoU 提升了 2. 9%;在泛化实验的肝脏图像中,DA-UNet 的 IoU 稳定在 0. 929 左右,而 U-Net 稳定在 0. 838 左右。 这些结果证明了改进的 U-Net 有更佳的分割效果。     

基于Mask R-CNN的满文文档版面分析

提出一种基于Mask R-CNN深度学习框架的满文文档版面分析方法,将满文文档版面分析问题转化为基于深度学习的图像实例分割问题。使用ResNet101网络和FPN网络构成的卷积神经网络自动提取满文文档图像特征,特征图经过RPN网络和RoI Align层生成新的特征图。新特征图经过全连接层完成感兴趣区域的类别和边框预测,并经过全卷积神经网络对感兴趣区域的像素进行分类得到mask预测,最终实现满文文档图像的实例分割。通过《新满汉大辞典》的文档图像构建了满文文档图像数据集,算法在该满文文档图像数据集上进行了实验。实验结果表明,本算法在满文文档版面分析中取得了较好的检测和分割效果。     

卷积特征图融合与显著性检测的图像检索

针对基于深度学习的图像检索提取特征往往包含了复杂的背景噪声,导致图像检索的精确率并不高的问题,提出一种特征图融合与显著性检测的方法.首先,训练用于分类的深度卷积神经网络模型.然后,并将图像卷积之后的特征图谱进行融合,得到图像的显著性区域.最后,通过计算图像显著性特征的余弦距离来进行检索.实验结果证明:相比目前主流的方法,文中方法能够有效提高检测精度,且鲁棒性较高.     

基于膨胀卷积的多模态融合视线估计

基于表观的视线估计方法主要是在二维的三原色(red green blue,RGB)图像上进行,当头部在自由运动时视线估计精度较低,且目前基于卷积神经网络的表观视线估计都普遍使用池化来增大特征图中像素点的感受野,导致了特征图的信息损失,提出一种基于膨胀卷积神经网络的多模态融合视线估计模型.在该模型中,利用膨胀卷积设计了一...     

基于残差U-Net网络的染色体图像分割方法

针对染色体识别的难题,提出一种基于残差U-Net网络的染色体图像分割方法.以残差网络和U-Net网络为基础简化深层网络的训练,利用丰富的跳跃连接促进信息传播;通过将U-Net网络底层的卷积层替换成不同尺度的空洞卷积,保持特征空间分辨率不变的同时扩大特征感受野,实现多尺度感受野提取图像特征的同时减少特性信息的丢失;压缩路...     

使用候选框进行全卷积网络修正的目标分割算法

由于反卷积和上池化操作的存在,传统全卷积网络在解码阶段常常会丢失目标位置信息,降低图像的分割精度.针对这种情况,提出基于候选框网络对全卷积网络的输出进行缺陷位置微调的液晶面板缺陷分割算法.算法基于ResNet-101网络搭建全卷积主干网络,此构建2个分支,候选框生成网络和反卷积网络.在反卷积网络的输出层中使用多通道分类...     

基于双层卷积神经网络的步态识别算法

提出运用双层卷积神经网络模型实现基于足底压力图像的步态识别方法.首先,对足底压力数据采集系统采集的图像作相应预处理;然后,用双层卷积神经网络模型学习得到足底压力图像的单层和双层卷积特征;最后,将卷积特征训练分类器得到分类结果.实验结果验证了该算法的有效性.