基于空间自适应和混合损失对抗网络的乳腺肿块图像分割方法

在乳腺癌筛查的计算机辅助诊断过程中，乳腺肿块的精确分割至关重要.然而，乳腺肿块在X光成像中与背景灰度接近、形状不规则，使得精确分割面临很大挑战.为进一步提升分割性能，提出一种基于空间自适应和混合损失对抗网络的乳腺肿块分割新方法.首先，提出可分离卷积U-Net模型作为对抗网络中的生成器，以减少参数量和计算量；然后，在判别网络中添加空间自适应归一化层来获取分割掩码中蕴含的语义信息；最后，综合考虑类别不平衡、语义一致性等因素的影响，提出一种融合对抗损失、分割损失和感知损失的混合损失函数以提升模型学习效果.实验结果表明，新方法在INbreast和CBIS-DDSM两个乳腺分割公开数据集中分别取得99.35%和99.72%的准确率，以及81.27%和82.01%的集合相似度，获得优于现有方法的分割性能.     

基于Hessian矩阵和熵的眼底图像血管分割

为了实现眼底图像血管自动准确分割,研究了一种基于Hessian矩阵线状滤波和熵阈值的分割方法.采用基于Hessian矩阵的多尺度线状滤波增强血管区域,结合滤波后灰度和具有方向性的线状邻域内灰度均值建立二维直方图,再根据直方图的最大类熵确定阈值,得到血管的二值化分割结果.实验表明,相比其它两种已有方法,提出的方法能够自动地得到更完整、更准确的眼底图像血管分割结果.     

基于四邻域检索的自适应阈值分割方法

图像分割是由图像处理到图像分析的关键步骤,是一种基本的计算机视觉技术.经过研究发现,由于光照原因,原图像中的若干个高光区会在图像分割后的目标区域中产生大量小孔和不规则边缘.针对上述问题,提出了一种基于并行区域分割技术的自适应阈值分割算法,并且通过四邻域检索技术解决了普遍存在的高光区问题.实验证明,该方法可以方便快捷的实...     

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%.     

基于决策树的眼底图像渗出自动检测方法

自动视网膜图像渗出检测有助于糖尿病性视网膜病变的早期诊断,提出了彩色眼底图像视网膜渗出检测方法。该方法根据决策树理论,采用Messidor数据库,对视网膜图像进行分类,区分得到含渗出的病变图像和不含渗出的正常眼底图像。实验结果表明,针对不同光照下采集的眼底图像采用光照非均匀性的归一化处理,即使在光照变化的环境中,文中的方法仍然比眼科专家的人工判定表现出色,能很好地分割出渗出区域。     

图像分割方法及其应用研究

本文主要介绍了图像分割的一种常用方法——基于阈值的图像分割方法及其存在的问题和最新进展,同时介绍了以肺CT图为例应用迭代法分割出肺实质,最后指出了图像分割技术的应用现状及发展趋势。     

基于联合均值差异匹配的域适应故障诊断方法

针对工业过程中故障诊断面临的工况突变而导致模型数据分布失配的问题,提出基于联合均值差异匹配的域适应故障诊断方法。利用源域和目标域每类样本的均值定义类内差异和类间差异,同时集成最大方差和最大均值差异准则获取特征投影矩阵,并将源域和目标域的特征信息投影到公共特征子空间。在子空间建立K近邻(KNN)分类模型,完成故障诊断分类。实验结果表明,该算法能够较为准确地完成故障分类,具有较高的分类准确性。     

基于灰度与边缘的图像分割方法

提出一种基于多图像信息的图像分割方法，利用Ｂａｙｅｓ分类准则，根据每个像的多图像信息向量将其分为目标或背景，并对动态图像组成的图像序列或静态图像的分割给出了不同的像素分类准则，同时给出了硬件实时实现的原理。该方法适用于图像序列，低对比度图像和其它难于用一种图像信息分割的图像，实验证明了该方法的有效性。     

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.     

一种基于空间域和频谱域特性的图象分割方法

提出了一种基于空间域和频谱域特征的神经网络的医学图像分割方法。本方法不需要教师监督,能自动生成最优的网络输出节点,即分类数,对ＣＴ,ＭＲＩ和超声图像的分割表明本方法有效方便。     

医学图像分割方法综述

医学图像分割是决定医学图像在临床诊疗中能否提供可靠依据的关键问题.本文在对国内外医学图像分割相关文献进行研究总结的基础上,对国内外常用医学图像分割方法的基本理论和特点进行了较为全面的论述,对各种分割方法的优缺点及其应用效果进行了总结.     

医学图像分割方法综述

医学图像分割是决定医学图像在临床诊疗中能否提供可靠依据的关键问题。本文在对国内外医学图像分割相关文献进行研究总结的基础上,对国内外常用医学图像分割方法的基本理论和特点进行了较为全面的论述,对各种分割方法的优缺点及其应用效果进行了总结。     

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...     

基于萤火虫算法的三维Renyi熵眼底图像血管分割

对于眼底血管网络分割精度低的问题,提出了基于萤火虫算法的三维最大Renyi熵眼底血管分割方法。该方法先提取出眼底G通道图像;然后用多尺度线性滤波器对眼底血管增强;接着引入萤火虫算法,将基于三维共生矩阵的最大熵求解问题转化为寻找最亮萤火虫的问题;最后,将最亮萤火虫所处的三维空间位置作为Renyi熵函数的阈值对眼底图像分割。实验结果表明,方法的真阳性率和ROC曲线下方区域面积都有所提高,能准确分割出眼底血管。     

基于改进U-Net方法的脑肿瘤磁共振图像分割

为提高脑肿瘤磁共振图像分割精度,在U-Net图像分割方法基础上,提出了一种引入注意力机制的深度学习改进模型,利用全局上下文信息,使模型重点关注需要分割区域的特征,并抑制无关的特征,以此提高模型的分割精度,同时引入残差块来加速模型的训练.实验结果表明:提出的改进模型相比U-Net方法,脑肿瘤MRI图像的分割精度有了提高,...     

基于CTA图像的两阶段U-Net冠状动脉分割

基于CT血管造影(computed tomography angiography,CTA)图像的冠状动脉自动分割的挑战在于冠状动脉结构复杂、前背景分布严重不平衡,分割时易受冠状静脉和其他组织的干扰.提出了一种两阶段的冠状动脉分割算法,第一阶段采用具有密集特征提取和残差特征修正能力的3D DRU-Net进行分割,保证分割的召回率;在第二阶段提出2D双编码多特征融合U-Net(2D DEMFU-Net)进行细分割,先对原始图像和第一阶段分割结果分别进行特征提取,再采用密集跳跃连接融合两个分支上的多层次语义特征,进一步提高分割准确性.实验结果表明,提出的两阶段分割算法在CortArt2020数据集上的Dice相似系数、召回率和精确度分别优于3D U-Net网络3.83%,5.31%和2.23%.     

图像分割及其常用的方法

图像分割是图像处理、模式识别和人工智能等多个领域中一个十分重要且又十分困难的问题。本文从原理、应用和应用效果上对经典的图像分割方法如域值分割技术、区域增长和边缘检测等进行了分析,同时对目前图像分割领域中新的技术如分形、数学形态和神经网络技术进行了讨论。分析了图像分割技术研究的方向,以及需要解决的问题。     

基于图像分割的云层测速方法

为了解决塔式太阳能电站镜场上空的云层遮挡问题,提出一种对镜场上空移动云层进行预测的测速方法。首先利用固定摄像机对云层图像进行采集,然后提取不同帧数的图像,并进行伽马变换、遗传算法图像分割、云层目标检测、运动云层匹配等处理,最后根据匹配得到的像素坐标计算云层的移动速度和方向。实验测试结果表明:与光流法的数据进行比较,显示图像分割方法计算量少,位置预测误差小。可见运用图像分割方法进行云测速是可行的,为塔式太阳能电站的云监测中云遮挡预判提供理论依据。     

基于距离场的非线性图像插值分割方法

对于医学序列切片,需要图像分割技术将图像中感兴趣区域ROI(region of interest)提取并进行三维重建.提出一种基于距离场的非线性图像插值分割方法,该方法克服了软组织因灰度值分布不均匀难分割的问题,可以快速提取ROI区域.实验表明用该方法进行医学序列切片的分割,可以得到良好的分割结果,并已成功地应用于医学数据的三维重建系统中.