基于2D Gabor小波与组合线检测算子的视网膜血管分割

单一的2D Gabor小波血管分割算法只考虑了图像滤波信息,忽略了血管形状和结构信息。为了更加精确快速地实现视网膜分割血管,提出了一种基于2D Gabor小波变换和组合线检测算子的视网膜血管分割方法。首先通过像素灰度值、4个尺度下的2D Gabor小波变换和组合线检测算子构造一个六维像素特征向量,然后使用贝叶斯高斯混合模型实现视网膜图像像素分类,最终实现血管分割。通过对通用的DRIVE眼底图像库中所有视网膜图像的实验仿真,结果表明算法获得了0.963 6的受试者特征工作曲线面积和0.948 6的准确率,优于单一的2D Gabor小波血管分割算法。     

基于相似度滤波算法的视网膜血管分割

在计算机辅助眼底图像视网膜血管分割中,基于匹配滤波算法的应用非常广泛.而传统匹配滤波器算法存在分割细小血管效果较差、噪声多以及视盘干扰等问题.本文提出一种相似度滤波算法的眼底图像视网膜血管分割方法.首先用多层阈值和水平集算法提取视盘干扰区域,利用高斯模糊去除视盘干扰区域.然后采用相似度滤波运算对去除视盘干扰的彩色眼底图像进行处理.最后,将余弦相似度图进行二值化后与余弦相似度加强图进行区域连通性判断,实现眼底图像视网膜血管分割.结果 表明,该算法能较好地分割细小血管以及去除视盘干扰,能更为准确地提取眼底图像视网膜血管.     

视网膜血管分割算法研究

针对现有的视网膜血管分割方法对微细血管分割精度低的问题, 在多尺度单通道线性追踪(MSLTA:Multi-Scale Single-Channel Linear Track)的图像分割方法基础上, 提出了一种新的、 有效的视网膜血管分割方法。采用 Gabor 滤波预处理以增强血管信息, 利用 MSLTA 算法获得最初的血管网络, 采用连通域标记的去噪方法,去除图像上的斑点噪声, 分割出最终的血管。 利用国际上公开的 DRIVE(Digital Retinal Images for VesselExtraction)数据库的视网膜图像进行实验, 并与现有的常规算法做了对比。 多组实验结果表明, 该方法的平均精确度达到 95. 37%, 能很好地保留微细血管。     

增强语义分割的网络模型PS-UNet

文章提出了一种提升上下文依赖关系的增强语义分割网络模型PS-UNet实现医学图像分割. PS-UNet将残差块、PCA模块和SPP模块融合到U-Net网络模型中，可获取更多的特征信息，从而提升分割效果.该模型既可以对器官轮廓粗分割又可以对视网膜血管和细胞精细分割.在公开的数据集上分别对肺部、视网膜血管和细胞分割进行了测试.实验结果表明，与当前先进网络模型相比，PS-UNet在所有实验中，性能均有所提升，其中肺部分割中准确率和灵敏度相对于U-Net网络模型分别提高了2.03%和2.24%,Dice相似系数达到了97.16%.     

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小,提高算法的分割准确度。然后使用SFAM模块来优化U-net3+网络中的特征融合部分,保留更多的有用信息。在视网膜图像数据库上测试本文算法,结果表明,分割的平均准确率为97.63%,比传统的U-net网络和U-net3+网络分别提高了2.35%、0.99%。可见,改进算法有效提高了视网膜血管分割精度。     

基于SKA-Unet的眼底图像视网膜血管自动分割

针对视网膜血管结构复杂，对比度较低及边界模糊等问题，构建了一种改进的Unet模型来自动分割视网膜血管。该算法在Unet基础上引入了选择性内核和注意力机制，通过增加多重感受野得到目标多维度的特征信息，并将注意力集中在最有效的特征中，从而提升网络分割血管的性能。利用网上公开的DRIVE和STARE两个常用眼底图像数据集训练和评估该模型，得到骰子系数、精确度、特异性、灵敏度和准确率分别为86.49%、88.65%、98.82%、84.5%和97.46%。实验结果表明，该算法能有效地分割视网膜血管，获得血管的形态和结构信息，对于诊断和治疗眼底相关疾病具有重要意义。     

基于多尺度线性检测的视网膜血管分割

提出一种自动、高效的视网膜血管网络分割算法。该算法基于对视网膜图像的多尺度线性检测,线性组合各个尺度下的图像响应获取血管特征图像。通过形态学top-hat变换和线性滤波器消除图像噪声和视盘对线性检测的影响,并且增强血管(包含细小血管)的对比度,提高线性检测对细小血管的敏感度,从而提取出更加精确的血管树细节。利用DRIVE和STARE数据库的视网膜图像进行算法性能评估。实验结果显示该方法能够获得很高的分割准确度,几乎为手工分割的结果。同时该方法简单、快速,对噪声具有鲁棒性,适合用于眼科检查的计算机辅助治疗系统。     

改进D-Linknet的眼底视网膜血管分割

临床医生可通过观察眼底视网膜血管及其分支对人体是否患有疾病进行早期诊断,但由于视网膜中的血管错综复杂,模型在分割时会出现对微细血管分割精确度不足的问题。为此,提出一种结合残差模块Res2-net以及高效通道注意力机制（efficient channel attention,ECA）的D-Linknet模型。首先,利用Res2-net代替基础模型中的残差模块Res-net以提升每个网络层的感受野;其次,在Res2-net中添加一种结合压缩激励（squeeze and excitation,SE）和门通道（gated channel transformation,GCT）的注意力机制模块,改善处于复杂背景下的血管分割效果和效率;在网络的解码层加入ECA确保模型计算的性能,避免因降维导致的精度下降;最后,融合改进的模型输出图与掩膜图细化分割结果。在公开数据集DRIVE、STARE上进行分割实验,模型准确度（accuracy,AC）分别为97.11%、96.32%,灵敏度（sensitivity,SE）为84.55%、83.92%,曲线下方范围的面积（area under curve,AUC）...     

基于上下文特征的视网膜血管分割算法

针对视网膜血管分布复杂且多变,提出一种基于上下文特征提取的视网膜血管分割算法。首先通过霍特林变换(Karhunen-Loeve, K-L)生成灰度图并经过预处理增强对比度。然后经过局部信息熵进行采样。该网络编码部分的多感受野残差编码模块在兼顾速度的同时对特征进行充分的提取。同时底部的特征融合模块由非对称融合非局部模块和非对称金字塔非局部模块两部分组成,用于融合图片的上下文特征。而解码部分由多个微型U型网络组成,保证将底层特征和高层映射特征有效融合并进行深层次的再提取。本文算法在血管分割的数字视网膜图像数据集(digital retinal image for vessel extraction, DRIVE)数据集进行仿真,准确率为96.45%,特异性为98.37%,敏感度为82.7%,实验结果表明能有效地分割视网膜血管。     

基于粗糙注意力融合机制与Group Transformer的视网膜血管分割网络

视网膜血管的形态学变化对早期眼科疾病的诊断具有重要意义,除眼科疾病外,糖尿病、心血管疾病等同样可以通过视网膜血管的形态判别疾病进展。然而,视网膜血管本身具有复杂的组织结构,且易受到光线等因素的影响,对其准确分割并不容易。针对上述问题,提出了一种视网膜血管分割网络。该网络中首先设计了粗糙注意力融合模块(rough attention fusion module,RAFM),该模块基于粗糙集上下近似理论,利用全局最大池化与全局平均池化对注意力系数进行上下限描述,并串行融合通道注意力机制与空间注意力机制;然后,将粗糙注意力融合模块融入Group Transformer U network (GT U-Net),构建一种基于粗糙注意力融合机制与Group Transformer的视网膜血管分割网络;最后,基于公开DRIVE彩色眼底图像数据集进行对比实验,该网络结构在测试集上的准确率、F₁分数、AUC值分别达到了0.963 1、0.848 8和0.981 2,与GT U-Net模型相比,F₁分数、AUC值分别提升了0.35%、0.21%;与其他当前主流...     

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.     

利用脊线检测实现视网膜图像血管中心线的精确提取

提出一种精确有效的基于脊线检测的视网膜图像血管中心线提取算法,该算法首先对原始图像进行脊线检测得到候选视网膜图像血管中心线,然后对原始图像进行照度均衡和多尺度形态学增强处理,最后对各个尺度增强图像在视场ROI区域内进行Otsu双阈值分割或单阈值分割,并将各个尺度的分割结果求和再与脊线检测结果算术相与得到最终的血管中心线。通过对25张荧光造影视网膜图像以及部分彩色视网膜图像进行测试和分析,该算法不但能够检测出低对比度血管和微小血管的中心线,而且提取的血管中心线整体连续性好。将文中算法的结果与血管手动分割血管的细化结果进行比对分析,中心线吻合率平均达到83.5%,且算法性能优于Hoover算法以及保守专家手动检测结果。     

多尺度卷积核U-Net模型的视网膜血管分割方法

针对病变视网膜血管结构的计算机辅助诊断问题,提出了一种多尺度卷积核U-Net模型的视网膜血管分割方法.在U-Net模型基础上设计了融合Inception模块和最大索引值上采样方法的多尺度卷积神经网络结构.在网络训练阶段,采取旋转、镜像等操作进行数据集扩充,运用CLAHE算法进行图像预处理;训练后得到的双通道特征图,进行Softmax归一化;最后通过改进的代价损失函数对归一化结果迭代优化,得到完整的视网膜血管分割模型.实验结果表明,所提方法在DRIVE数据集上分割的准确率达到0.9694,灵敏性达到0.7762,特异性达到0.9835,比U-Net模型具有更优的分割效果和泛化能力,与其他现存方法相比具有一定的竞争力.     

基于方向分数和Frangi滤波器的视网膜血管分割算法

针对视网膜图像分割中分岔和交叉等带来的难点,提出基于方向分数并结合Frangi滤波器的算法.这种算法利用基于Hessian矩阵的Frangi滤波器对线性物体的滤波效果来增强血管对比度,同时利用由蛋糕小波构造的方向分数所具有的各向异性和正交性从多角度、多方向对血管进行滤波,以利于图像的细节处理和血管网络的完整分割.该算法与其他算法的对比表明,该算法在处理分岔和交叉时优于其他算法,而且准确率、灵敏度和特异度的测量结果也都优于其他算法.     

一种CNN-Transformer网络在皮肤镜图像分割上的应用

【目的】针对皮肤病变图像存在皮损形状不规则、边界模糊以及毛发伪影等问题，提出了一种将CNN和Transformer相结合的图像分割算法。【方法】首先对皮肤病变图像进行去毛发预处理，减少毛发噪声对结果的影响，然后构建CNN和Transformer结合的分割模型，采用Resnet作为特征提取主干网络，将提取到的特征图序列作为Transformer的输入，在Transformer中加入了新的结构边界注意门以提取足够的局部细节来处理模糊边界，最后采用DenseASPP模块增强特征表示和处理多尺度信息，并且提出一种改进了的损失函数，以便在计算损失函数的同时使得模型能关注边界区域部分。【结果】提出的算法在ISIC2017数据集上的Dice指数值以及Jaccard指数值分别为0.854 534和0.767 901，在ISIC2018数据集上的Dice指数值以及Jaccard指数值分别为0.908 548和0.843 689，与其他算法相比提出的算法对图像的分割效果相对较好。【结论】实验结果证明了所提算法在皮肤病变图像上进行的图像分割是有效的。     

基于多重注意力机制的高分辨率遥感影像语义分割

针对当前深度神经网络在处理遥感影像语义分割过程中存在的模型庞大、处理耗时长、实时性低、小目标分割准确率不高的问题,提出了一种嵌入多重注意力机制的Multi-AttnDeepLabv3+(Multiple Attentionbased on DeepLabv3+)语义分割模型.该模型在编码部分使用轻量神经网络作为主干特征提取网络,加入混合注意力机制增强重要特征通道和空间像素的权值比重;在解码部分,在特征融合过程中加入通道压缩激活注意力模块,通过压缩激活操作再次增强重要特征通道的权重,提升模型分割准确率.该模型在多个数据集上取得较好的实验结果 .在相同条件下,此模型训练速度较传统网络模型有明显提升.与同类型轻量级语义分割模型相比,该模型在提升分割效果上具备优势.     

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。     

基于曲波变换的视网膜血管图像增强算法

视网膜血管图像存在像素对比度低等特点,干扰正常的视网膜图像分割.针对视网膜血管的图像特性,提出了一种改进的基于曲波变换的视网膜血管图像增强算法.首先选取视网膜图像的绿色通道分量进行预处理,然后通过对变换系数的自适应增强完成图像的增强处理,并结合改进的形态学变换,实现图像细节的增强和背景噪声的抑制,使得图像对比度得到增强,细节信息更加明显.通过与其他增强算法的比较表明,该算法在增强对比度、降低噪声干扰等方面优于其他算法.     

多特征融合的道路场景语义分割算法

为提升道路场景语义分割的性能以及实际应用性,本文将传统的图像处理算法与深度学习技术相结合,提出了一种多特征融合的轻量级道路场景语义分割网络模型。该模型首先利用颜色空间转化、图像均衡化、边缘检测等算法来对图像多种特征信息进行增强;其次,以深度可分离卷积为基本单元搭建高效率特征提取结构,对特征增强后的图像进行信息融合和提取,并结合跳层上采样操作完成初步分割;最后,引入边缘检测支路来对分割图像的目标边界信息进行细化,保障网络高精度分割。通过实验结果表明,所提网络在分割精度、计算效率上得到了较好的平衡,同时,在实际变电站道路场景应用中,该网络也能实现高效语义分割,为巡检机器人提供有效的道路信息。     

集成非线性统计形状先验的M-S图像分割模型

为克服噪声污染、血管遮挡、光照不均匀、对比度小、个体间差异大等视网膜和视神经细微组织结构医学图像分割中固有的困难,提出了一种集成非线性形状先验的医学图像分割新方法.该方法首先采用非线性的核函数将目标先验形状窄带水平集映射到其核空间,然后在核空间进行主成分分析(PCA),以获取目标形状窄带水平集核空间的基底向量,并据此将目标形状先验知识集成到Mumford-Shah向量值图像分割模型,实现医学图像的分割.不同青光眼病人的视乳头图像分割实验结果表明,该方法能够有效地分割噪声大、对比度小且部分被血管遮挡的各阶段的青光眼病人视乳头图像.