基于深度学习的SPECT图像关节炎病灶分割

SPECT骨显像是辅助医生诊断疾病的重要手段.医生依靠手工勾画提取病灶区域的方法效率低且具有一定的主观性.针对这一问题,提出R_U-Net网络模型分割关节炎病灶,不仅能节省医生的诊断时间,还能为患者争取最佳治疗时间.为了检测模型分割效果,使用测试集中含有关节炎病灶的图像分割测试,与Mask R-CNN网络和原U-Net...     

融合随机森林的C-V模型肝脏超声图像分割

医学图像分割是临床诊断的关键环节,分割结果将直接关系到后续对病灶的识别。C-V模型(Chan-Vese)大量应用于各种医学图像分割过程。围绕肝脏超声图像,针对传统C-V模型依赖初始轮廓及运算复杂耗时的特点,融合随机森林方法,提出一种基于边缘引导能量函数和局部约束特征的分割方法,利用随机森林节点生长和分类速度快的优势,在粗分割的基础上形成无需初始化的C-V模型,而后借助分类特征得到精准的肝脏区域及病灶分割结果。实验证明,经过优化的改进方法是可行有效的,对于图像中的组织和病灶区域能有效分割和提取     

基于卷积神经网络的直肠癌淋巴结转移的智能判断模型研究

近年来,直肠癌的患病率普遍提高,准确判断直肠癌周围淋巴结的转移情况,往往能显著提高患者的治愈机率。本文通过建立数学模型,运用卷积神经网络模型进行智能判断直肠癌淋巴结转移情况。以直肠肿瘤患者动脉期的CT图像和肿瘤掩模图为样本,建立基于U-Net的CT图像识别分割模型,通过下、上采样分割出直肠肿瘤所在的区域,对肿瘤区域已转移淋巴结的普遍特征进行深度挖掘,利用SIFT算法自动找出肿瘤区域特征点,以及传统的特征纹理、面积、周长和体素强度,分别送入传统卷积神经网络模型和改进后的卷积神经网络模型VGG16网络模型,进行训练、预测、对比。结果表明,传统卷积神经网络模型的准确率在75.32%,而改进后的VGG16网络模型准确率在90.04%,可见,VGG16网络模型对直肠癌淋巴结转移情况的预测效果更好。     

基于条件分割对抗网络的超声甲状腺结节分割

提出一种基于条件分割对抗网络(conditional segmentation adversarial network, cSegAN)的超声甲状腺结节分割模型。模型由分割器网络和判别器网络两个部分组成，其中分割器网络设计使用一种多扩张率卷积块联合对结节区域进行准确定位，通过学习提取结节深度和浅层特征信息，获得结节区域二值掩膜；判别器网络对比分割结果与金标准之间的差距对分割结果进行评估。经多次对抗训练，实验结果表明，本文所提模型像素精度达到0.953 1,优于其他分割模型，可以更加准确地实现超声甲状腺结节分割。     

基于CV模型与改进ME模型的肺癌检测算法

针对CT影像中恶性肺结节病灶难以自动检测的问题,提出了一种基于CV模型与改进ME模型分割区域之间的面积差异的肺部CT影像癌症检测算法.该方法利用在肺部CT影像中结节边界的模糊程度是判断恶性肺结节的最重要指标这一特性,首先通过CV模型和改进ME模型两种交互式目标分割算法分别对肺部CT影像分割,因这两种分割方法收缩效果不同,故得到两种不同的结节区域,再计算这两种区域之间的面积差异得到该区域的模糊程度,最后计算得到模糊程度比较阈值,以此判断是否存在癌症.实验结果表明,该算法对于肺部CT影像中的癌症检测具有较高的准确率.     

基于多尺度注意力的皮肤镜图像自动分割算法

针对现有的皮肤镜图像分割算法存在边缘分割时效果较差和对中小目标的识别能力较弱等问题。本文提出了一种基于多尺度注意力融合的分割网络MAU-Net(Multi-scale attention U-Net)。MAU-Net网络是以U-Net网络为基础的分割模型,通过本文设计的多尺度注意力模块(MA),在特征提取时融合不同层次的特征,并将重要的目标特征给与一定的权重,从而使网络能更快和更精准的分割出目标区域。实验结果显示,在ISIC2017数据集上平均交并比(MIOU)、精确度(PRE)和kappa值分别为83.61%、93.58%和81.70%,性能比U-Net分别提高了5.27%、2.01%和6.83%;并在ISIC2017挑战赛数据集上进行了消融实验,实验结果验证了MA模型有助于网络性能的提升。本文提出的MAU-Net网络在皮肤病变分割任务中表现优异,同时具有良好的泛化性能。     

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。     

融合SE和多尺度卷积的轻量级CT图像分类模型

针对医生主观因素会影响COVID-19（新型冠状病毒感染）和CAP（社区获得性肺炎）类型计算机断层（Computed Tomography,CT）图像诊断准确性的问题，提出一种基于MobileNetV2网络改进的MobileNetV2-SELN结构.首先，对MobileNetV2结构中的Block模块进行改进，添加SE块和尺度注意力机制，并引入全连接层和全局池化以便于获取多尺度特征；然后，针对COVID-19图像和CAP图像相似度大的特点，用GroupNorm替代BatchNorm2d，使模型能更好地获取肺炎特征；最后，使用SGD优化器对模型进行优化.实验结果表明，提出的模型的分类准确率更高.     

改进型DeepLabV3+的糖尿病眼底病变分割

针对糖尿病视网膜眼底病变多类分割难及小病灶识别率低的问题,提出一种融合注意力机制与改进型DeepLabV3+的糖尿病视网膜眼底病变多类病症分割方法．该方法首先通过使用MobileNetV2网络提取病灶特征,减少参数量并提高算法训练速度;接着通过优化空洞空间卷积金字塔池化中的空洞卷积层数与空洞率,以提高捕获小病灶特征的能力;然后基于DeepLabV3+网络模型进行改进,借助坐标注意力机制感知病灶方向和位置信息,从而提高识别精度;最后采用FGADR和IDRiD数据集分别训练和测试所提出的模型．实验结果表明：所提出方法的平均交并比(MIoU)指标为73.75%,具有较高的分割精度,验证了模型有效性．     

基于改进卷积神经网络的平面地图道路模糊推理分割方法

由于平面地图呈现方式单一且有限,为提升其多样性需准确分割平面地图中的道路区域。提出一种基于改进CNN(convolutional neural network)平面地图道路和模糊推理分割的方法。选取两个道路信息丰富的数据库,实验选取百度地图(Baidu)数据库和高德地图(Amap)数据库,标记得到含标签信息的像素训练集;用Sigmoid分割目标函数代替复杂的Softmax函数分别训练得到Baidu-CNN模型和Amap-CNN模型;对得到的像素点概率进行非线性映射,构建模糊推理系统;将非线性映射后均匀分布的像素点概率输入模糊推理系统,判断像素点属于道路区域的概率,得到道路分割结果。结果表明:所提算法得到的平面地图道路分割模型较传统算法分割效果更好;准确率可以达到94.49%;单张平面地图的道路分割速度可达到5 s。     

融合边缘特征的马尔可夫随机场模型及分割算法

针对区域马尔可夫随机场(MRF)模型的图像分割中常产生边缘模糊的问题,提出了一种融合边缘特征的区域MRF模型(IEFRMRF)及其分割算法。IEFRMRF模型基于MRF理论,首先通过边缘模板提取图像的边缘特征,建立局部区域的边缘先验约束;其次利用图像局部区域像素的空间约束关系描述图像的局部高斯统计特征,并通过期望最大化算法估计高斯特征参数;然后根据贝叶斯原理建立了具有边缘保持作用的区域MRF模型;最终采用区域置信度传播(BP)算法对IEFRMRF模型进行全局优化,把局部统计特征传递到图像的全局,并按照MAP准则估计图像分割标号。人工加噪声图像分割的实验结果表明,IEFRMRF模型的分割结果和传统高斯MRF模型、局部区域高斯MRF模型的分割结果相比,分割准确率分别提高了47.9%和21.4%,并且分割结果的边缘更清晰,自然图像的分割实验也验证了提出模型的有效性。     

基于高阶统计特征及形态学的图像奇异点分割和检测

给出了这类图像的一种图像模型,并在此基础上,提出了一种新的分割和检测奇异点的方案。该方案对原图像进行非分除小波变换,以得到带通图像,使得带通图像上的奇异点得到增强,同时背景和噪声得到抑制。将所得到的带通图像分割成互相重叠的方形区域,通过计算每个区域的扭曲度(Skerness)和峭度(Kurtosis)特征来判断该区域分布的非对称性和拖尾程度,并将具有较高值的区域标记为感兴趣区域ROI(Regions Of Interest)。在ROI中,如果能量特征超过某一给定阀值,则被视为准奇异点,形成二值图像。对二值图像进行数学形态处理的检测结果进一步证明了该奇异点分割和检测方案的有效性。     

基于直方图的脉冲耦合神经网络(PCNN)多门限图像分割方法

参考了Eckhom等人近几年提出的脉冲耦合神经网络(Pulse Coupled Neuml Network)模型，结合灰度直方图分割技术，提出了一种新的多门限图像分割方法-基于直方图的脉冲耦合神经网络(PCNN)，PCNN模型具有弥补时隙和空隙的特点，因此应用这一网络模型进行图像分割，可以得到较完整的区域边角信息，从而达到理想的分割效果．经实验证明，本文提出的方法较原来的PCNN网络，运算速度和分割效果都有了很大提高。     

融合双边滤波算子的多相水平集图像分割算法

由于乳腺肿瘤超声图像的边界模糊,且灰度异质现象较严重,准确分割出肿瘤区域是一项具有挑战性的工作.针对传统的Chan-Vese模型和局部二值拟合模型(local binary fitting)的分割缺陷,在乳腺肿瘤超声图像的全局和局部能量信息的基础上,结合双边滤波算子,提出一种全局和局部二值拟合模型的多相水平集分割算法.首先,将双边滤波算子作为乳腺肿瘤超声图像的核函数;然后,根据变分法求解表征超声图像结构信息的能量泛函,得到对应的梯度矢量方程;随后,引入多相水平集函数实现病灶区域的多区域细化分割;最后,对乳腺超声图像数据集的分割实验.结果 发现:经过与医生手动标记的肿瘤区域进行对比,分割准确度为94.51％.可见,该模型的准确度较高、误判率较低、鲁棒性较强.     

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.     

基于全局注意力引导的肺结节分割方法

肺结节的精确分割能有效地辅助医生的治疗诊断工作,但由于不同患者所呈现的肺结节病灶形式多种多样,基于传统专家系统和统计学习的方法难以获得准确的肺结节分割结果。针对这种情况,提出一种由全局注意力引导的注意力机制,达到了从一张完整的胸部影像切片中自动定位并分割出肺结节的效果。该方法首先对目标区域进行肺实质分割,再利用区域建议网络（region proposal network,RPN）进一步缩小感兴趣区域,并生成注意力权重图,最后使用融合了残差网络（residual network,ResNet）与卷积长短期记忆网络（convolutional long short-term memory,ConvLSTM）的结构结合注意力权重进行肺结节分割。将所提方法在肺图像数据库联盟（lung image database consortium,LIDC-IDRI）数据集上进行了全面的评估,结果表明,本文方法分割结果的平均dice得分（标准差）为89.97%（8.9%）,具有出色的分割性能,精度相较其他方法取得一定提升。进一步在相同数据集上将所提方法的肺结节分割结果与4位放射科医生的手工标注结果进行了比较,结果表明本文方法的分割结果与医生们的标注结果的一致性达到了85.81%,相较于医生们手工标注之间的一致性高出了3.39%。     

基于网络药理学探究小青龙汤治疗新型冠状病毒肺炎的作用机制

基于网络药理学探究小青龙汤治疗新型冠状病毒感染(COVID-19)的作用机制。应用中药系统药理学数据库与分析平台(traditional Chinese medicine systems pharmacology database and analysis platform, TCMSP)筛选小青龙汤8味中药的活性成分，运用PubChem、SwissTargetPrediction和TCMSP数据库获取中药的潜在作用靶点；运用OMIM、DisGeNET和GeneCards数据库筛选COVID-19和Delta variant of COVID-19相关靶点；利用Venny 2.1在线工具筛选出小青龙汤靶点和COVID-19靶点的交集并作维恩图；应用Cytoscape 3.7.2软件构建小青龙汤-成分-(COVID-19)-靶点网络；利用STRING数据库收集数据，并在线构建蛋白质-蛋白质相互作用网络；应用Metascape数据库进行基因本体(gene ontology, GO)和基于京都基因与基因组百科全书(Kyoto encyclopedia of genes and genomes...     

一种基于局部与全局表征交叉耦合的脑卒中病灶分割网络模型

由于脑卒中严重程度不同,病灶位置、形状和面积有较大差异,导致目前基于深度学习的分割方法仍还不够理想.针对脑卒中病灶特征,提出了一种新的U型分割网络,该网络的编码器是一个结合Transformer和卷积网络的双分支混合架构,该结构特点是在构建图像层次化特征过程中将基于Transformer的全局特征和基于卷积网络的局部特征进行交叉学习,促进编码器在训练和推理过程中将两种风格的特征相互增强.此外,为了增强小目标、弱边缘的特征表达,构建了合并模块将编码器得到的两种风格的层次化特征进行融合,并将融合后特征输送到一个级联的上采样器中预测病灶区域,以及设计了一个结合Dice函数和Focal函数的损失函数用以缓解小病灶区域造成的前景与背景数据之间的数据不平衡问题.所提出的方法在一个开源脑卒中数据集进行了验证,与其他相关方法相比,所提出的方法在分割精度、效率等方面均表现出较好的性能.     

基于深度学习的CT影像肺结节检测

为辅助医生检测大量肺部CT( Computed Tomography) 图像中难以发现的肺结节的问题,提出使用深度U-Net网络对肺部结节进行分割。由于U-Net 网络出自于全卷积网络( FCN: Full Convolution Network) ,特点是端到端,像素到像素,网络对每个像素点进行分类,能将深层特征抽象的特征信息和浅层特征具象的位置信息相结合得到CT 图像的分割掩膜。实验结果表明,该方法对肺结节的检测效果良好。     

特征更新的动态图卷积表面损伤点云分割方法

针对金属部件表面损伤点云数据对分割网络局部特征分析能力要求高,局部特征分析能力较弱的传统算法对某些数据集无法达到理想的分割效果问题,选择采用相对损伤体积等特征进行损伤分类,将金属表面损伤分为6类,提出一种包含空间尺度区域信息的三维图注意力特征提取方法。将得到的空间尺度区域特征用于特征更新网络模块的设计,基于特征更新模块构建出了一种特征更新的动态图卷积网络(Feature Adaptive Shifting-Dynamic Graph Convolutional Neural Networks)用于点云语义分割。实验结果表明,该方法有助于更有效地进行点云分割,并提取点云局部特征。在金属表面损伤分割上,该方法的精度优于PointNet++、 DGCNN(Dynamic Graph Convolutional Neural Networks)等方法,提高了分割结果的精度与有效性。