深度置信网络对孤立性肺结节良恶性的分类

针对肺部CT图像中孤立性肺结节(SPN)良恶性分类问题,寻求能够有效表示SPN图像的特征,通过适合的分类器实现对SPN良恶性的准确判别。由SPN图像的多分辨率直方图得到768维的特征空间,并将该类特征用于支持向量机(support vector machine,SVM)分类器进行训练,最后取得了令人满意的分类效果。结合深度学习领域中相关知识,将深度置信网络(deep belief network,DBN)用于SPN良恶性分类任务当中。将从肺部CT图像中分割出的SPN图像规整化作为DBN的输入,进行无监督训练;用带有良恶性类标的SPN图像对网络进行微调得到最终的DBN模型;用训练好的DBN模型在测试图像集上进行分类。在实验中选择肺结节患者480例,提取600个SPN图像作为实验数据。将新提出的DBN模型与基于纹理特征和多分辨率直方图特征的SVM模型进行对比,在不考虑医学象征的情况下,DBN模型的识别准确率高达86%,较SVM分类器的分类性能有了显著提升。     

基于迁移学习与深度森林的晶圆图缺陷识别

为了有效识别晶圆图缺陷模式并及时诊断制造过程的故障源,提出基于迁移学习和深度森林集成的DenseNet-GCForest晶圆图缺陷模式识别模型. 为了解决深度学习模型训练困难和晶圆图缺陷类型数目不平衡的问题,利用迁移学习将深度卷积神经网络DenseNet在ImageNet上预训练的网络权重参数迁移至本模型并重新设计分类层,以减少深度网络模型的训练时间并提高模型的特征提取能力;基于DenseNet网络提取的高维抽象晶圆图特征,引入深度森林模型进行晶圆图特征缺陷模式识别. 工业案例的实验验证结果表明,该方法的识别准确率达到了96.8%,并提高了识别效率,其性能优于典型的卷积神经网络以及其他常用识别方法.     

基于改进UNet的混凝土CT孔隙裂隙分割方法

为了解决计算机断层扫描(Computed Tomography, CT)混凝土图像中裂隙和孔隙像素值一致，导致阈值分割效果差的问题，提出一种基于UNet模型的改进模型，对混凝土CT图像进行裂隙和孔隙分割.首先，通过CT技术扫描混凝土试块获取CT图像后，人工标注出CT图像中的裂隙与孔隙，并利用数据增强扩充训练集；然后，采用非对称卷积模块和残差模块对UNet模型中编码器和解码器进行改进，在特征提取部分采用非对称卷积模块降低模型的运算量后，使用残差模块减少参数量，降低了训练过拟合，有效提升了CT图像中裂隙与孔隙的分割精度.试验结果表明：改进模型在制作的混凝土CT图像数据集上召回率达83%,分割精度为85%,Dice值为85%,对比UNet和其他现有的深度学习模型都有较高提升，为混凝土细观破坏机理研究提出新的思路.     

基于卷积神经网络的无人机遥感影像农村建筑物目标检测

将深度学习应用于遥感影像目标识别,提出基于卷积神经网络的无人机遥感影像农村建筑物的目标检测方法,用端到端的方式训练Faster R-CNN网络模型,并应用于农村建筑物的快速精确识别.该方法包括基于RPN网络的区域建议和基于Inception v2的卷积神经网络模型训练.为了训练和测试模型,通过无人机采集南疆地区的农村建筑物遥感影像,并人工标注建立了农村建筑物的数据集,在TensorFlow深度学习框架上通过对该数据集目标检测验证了模型.结果表明,基于改进的卷积神经网络目标检测方法对无人机遥感影像进行快速准确识别的总体精度超过90%,通过初始参数更新,模型收敛更快,对无人机遥感影像地物分类和目标识别具有一定的参考意义.     

基于多尺度特征融合的肺结节良恶性分类方法

为解决肺结节分类问题中肺电子计算机断层扫描(computed tomography,CT)图像特征提取不全面和随着卷积网络深度的加深易导致的梯度消失问题,提出一种基于多尺度特征融合网络(multi-scale feature fusion network,MSFFNet)的肺结节良恶性自动分类模型.使用多尺度卷积操作对输入的肺结节CT图像分别进行不同范围的特征提取和特征的融合拼接,解决特征提取不全面的问题;引入SE-ResNeXt模块,充分利用通道注意力机制,有效解决特征信息丢失的问题;输出肺结节良恶性的分类结果.在大型公开可用的肺图像联合数据库(lung image database consortium,LIDC-IDRI)上进行实验,MSFFNet模型的分类准确率达97. 2%,特异性和敏感性分别为96. 14%和98. 62%,优于SE-ResNeXt等方法的分类效果.     

基于深度学习的变压器图像识别系统

针对变压器型号多、图像复杂,以及传统基于机器学习的人工设计特征的方法不能对大规模变压器图像准确分类等问题提出了基于深度学习的变压器图像识别系统直接对原始图像进行"端对端"的学习。为实现变压器图像的准确分类,提出了改进VGG-16卷积神经网络的变压器图像识别模型。在VGG-16模型的基础上,重新构建了全连接层,针对原有的SoftMax分类器,采用3标签的SoftMax分类器进行替换,以实现网络结构优化,并通过迁移学习共享V GG-16模型卷积层和降采样层的权值参数。通过构建变压器图像的训练集和测试集对改进模型进行了训练,并进行性能测试。结果表明,与深度神经网络、卷积神经网络模型相比,改进VGG-16模型具有更好的效果,识别误差达到了9.17%,并实现了对3种变压器的准确区分。     

基于深度森林的CT图像结直肠息肉检测研究

为提高在CT图像中结直肠息肉的筛选效率,提出一种基于深度森林的结直肠息肉CT图像检测方法.通过灰度化、归一化、中值滤波、随机旋转的手段对数据集进行预处理,将处理后的数据输入一个调整后的深度森林进行预测分类,得到输出结果.实验结果表明,该模型与其他分类算法采用不同指标对比后,具有较好的分类效果,分类精度达到了99.67％...     

多级字典学习的图像超分辨率算法

改进单级字典学习的图像超分辨率算法,给出一种多级字典学习的图像超分辨率算法。通过多对字典的训练,记录不同层级退化图像和原始高分辨率图像之间的关系,由多对字典预测给定低分辨率图像不同层级丢失的高频信息,将预测出的高频信息与给定的低分辨率图像相加,得到逐级增强的高分辨率图像。在训练图像集相同的条件下,对于无噪声且没有压缩的低分辨率图像,改进算法相比单级字典学习的图像超分辨率算法,恢复出的高分辨率图像的峰值信噪比可平均提高约0.6dB。     

基于残差注意力机制的肺结节数据增强方法

针对带标注的肺CT图像数据匮乏而导致的深度学习模型训练困难，以及现有生成算法生成肺结节不同特征模糊、细节丢失的问题，提出了肺结节图像的数据增强RAU-GAN算法。首先，在生成器网络中嵌入残差注意力模块，该模块可以聚焦于局部不同的感兴趣区域，以实现肺结节与背景信息的独立生成，并且重新设计了注意力模块中的残差块来减少网络的深度和训练的复杂度。其次，将判别器设计为U-Net架构，可以给更新后的生成器反馈更多信息，以提高判别性能。最后，在数据集LUNA16和Deep Lesion上进行实验，结果与现有方法相比，在视觉效果和不同评价指标上均有提升，验证了生成图像包含了更丰富的细节信息。     

基于深度卷积神经网络的云分类算法

与卫星遥感图像相比,地面可见光图像虽然覆盖范围有限,但是分辨率更高、云型特征更明显且获取成本大大降低,有利于对局部地区进行持续性气象观测。首次针对地面可见光图像,提出了一种基于深度学习技术的云型图像分类方法。由于数据量有限,传统分类器如支持向量机等无法有效提取不同云的独有特征,而直接训练深度卷积神经网络会导致过拟合。为防止网络过拟合,提出利用迁移学习方法,对预训练模型进行微调。在对6类云型图像进行分类的实验中,本文所提出的网络在测试集上可以获得高达85.19%的正确率。所提出的网络可以直接对数码相机照片进行分类,大大降低了系统成本。     

基于改进相容函数的超分辨率图像重建

提出了一种基于机器学习的超分辨率(SR)改进算法。首先建立一个包括低分辨率(LR)图像及其相应的高分辨率(HR)图像的训练样本集,为LR图像提供了HR的图像解释。把训练集中的每一幅图像分成若干个图像块,每一个图像块作为马尔可夫随机场(MRF)模型的结点,MRF模型参数从这些训练样本中学习得到,通过对训练样本中的LR图像块进行k-均值聚类减少计算开销,并用k-均值的聚类结果提出了一种新的相容函数形式。实验结果表明,该算法是可行的,并与同类算法相比能取得较好的结果,使得SR后的图像更平滑自然。     

基于残差字典学习的图像超分辨率重建方法

为了提高图像重建质量,在保留图像空间结构信息的同时恢复更多图像高频信息,提出一种基于二维可分离字典和残差字典的图像超分辨率重建方法.不同于传统的基于一维字典的超分辨重建方法,二维字典直接利用图像的二维矩阵表示,因此,可以保持图像的空间结构信息,减少字典参数的数量,节省存储空间.为了更好地恢复图像高频信息,在二维可分离字典重建图像基础上,引入残差字典,重建边缘等高频信息,两类字典各有侧重,二者结合可得到更高质量的超分辨率重建图像.在典型的公共图像集上的实验证明了提出的结合二维可分离字典和残差字典的图像超分辨重建方法的有效性和优越性.     

岩心三维CT图像超分辨率重建

为了提高岩心三维图像分辨率,将调整的锚点邻域回归算法（A+）扩展为三维图像超分辨率重建,提出三维高频修正A+算法.该算法利用已有的高分辨率（HR）岩心三维CT图像和高频修正信息训练高低分辨率字典、高频修正字典、映射矩阵和高频修正映射矩阵.重建时,对每个输入的三维低分辨率（LR）特征块搜索匹配的字典原子以及相应的映射矩阵和高频修正矩阵,通过LR特征向量分别与映射矩阵和高频映射矩阵相乘,直接将三维LR特征映射到HR空间.针对多组岩心三维CT图像进行实验,与其他三维超分辨率算法进行比较.实验结果表明,该算法具有较高的峰值信噪比和结构相似度.     

超分辨率人脸图像重构识别

为了解决单幅低分辨率人脸图像重构问题,提出了基于线性物体类理论重构超分辨率人脸图像的新方法。首先利用ICA和PCA提取不同分辨率人脸的特征子空间,然后利用通过训练得到的分辨率转换矩阵重构其相对应的超分辨率人脸图像,实验表明该算法与传统的算法相比重构出的人脸图像质量和识别率都有了很大的提高。     

机器学习算法诊断PET/CT纵膈淋巴结性能评估

评估4种主流典型的机器学习方法（随机森林、支持向量机、AdaBoost、反向传播人工神经网络）对（¹⁸F-FDG） PET/CT影像中非小细胞肺癌纵膈淋巴结良恶性进行诊断分类的性能.先从168例病人的PET/CT影像中分割出1 397个淋巴结,对每个淋巴结提取出13种图像特征（D_short、area、volume、HU_mean（2D or 3D）、HU_contrast（2D or 3D）、SUV_mean（2D or 3D）、SUV_max（2D or 3D）、SUV_std（2D or 3D））;将提取出的13种图像特征进行组合,得到4种组合变量（“All features”、“High AUC features”、“Doctor's features”、“3D features”）;在4种组合变量下,分别从敏感性、特异性以及ROC曲线下的区域面积（AUC_ROC）3个方面对随机森林、支持向量机、AdaBoost、反向传播人工神经网络定量地进行诊断性能评估.评估结果显示,4种分类器分割结果的敏感性为77%~84%,特异性为81%~84%,AUC_ROC为0.86~0.90.在显著性（p<0.001）条件下对比发现,虽然机器学习方法的特异性略低于人类专家,但是敏感性显著优于人类专家.研究结果表明,三维图像特征及PET/CT影像组合特征可以显著提高AUC_ROC.基于上述研究结果可以得出结论,虽然4种机器学习方法在（¹⁸F-FDG） PET/CT影像的非小细胞肺癌纵膈淋巴结的良恶性诊断中展现了不错的敏感性,但它们的特异性有待进一步提高,在未来需要尝试多种分类方法进行联合实验,使用更高级的机器学习方法如深度学习进行进一步的研究.     

基于3D scSE-UNet的肝脏CT图像半监督学习分割方法

针对分割神经网络需要大量的高质量标签但较难获取的问题,提出基于3D scSE-UNet的半监督学习分割方法. 该方法使用自训练的半监督学习框架,将包含改进的并行空间/特征通道压缩和激励模块（scSE-block+）的3D scSE-UNet作为分割网络. scSE-block+可以从图像空间和特征通道2个方面自动学习图像的有效特征,抑制无用冗余特征,更好地保留图像边缘信息. 在自训练过程中加入全连接条件随机场,对分割网络产生的伪标签进行边缘细化,提升伪标签的精确度. 在LiTS17 Challenge和SLIVER07数据集上验证所提出方法的有效性. 当有标签图像占训练集总图像的30%时,所提方法的Dice相似系数(dice score)为0.941. 结果表明,所提出的半监督学习分割方法可以在仅使用少量标注数据的情况下,取得与全监督分割方法相当的分割效果,有效减轻肝脏CT图像分割对专家标注数据的依赖.     

三维窄带水平集算法在内耳分割中的应用

为减少从颞骨螺旋CT（computed tomography）图像中分割内耳的手动交互量，阐述了基于区域竞争的窄带水平集算法的基本原理及其特点，构造了合适的速度函数来控制水平集函数的演化，并将该算法应用于颞骨螺旋CT图像中内耳的分割.通过建立三维模型表面上的点与3个正交截面的对应关系，可以快速确定弱边界所在的位置，然后在正交截面上手动编辑以去除多余的组织，得到完整的内耳.对3个病人的5例颞骨图像进行内耳分割实验，实现了4例内耳的完整分割、1例严重畸形内耳的不完整分割.分割1例内耳约需10 min.该方法具有分割速度快、手动交互少、结果表面均匀的优点.     

基于阈值区间的水平集算法在耳蜗分割中的应

为了获取独立的三维耳蜗模型，提出了一种交互式、半自动、由粗到细、结合三维显示反馈的耳蜗分割方法.浏览二维切片,调节图像强度区间并选取感兴趣区域,从颞骨螺旋CT(computed tomography)图像中对耳蜗进行粗分割;采用基于阈值区间的三维水平集（level set）分割算法对耳蜗进行细分割.应用可视化技术,对分割结果进行实时显示,显示结果作为用户进行参数调节的参考依据,经过多次人机交互,直至获得满意的分割结果.利用临床颞骨螺旋CT图像进行耳蜗分割实验,结果表明该方法适合于分割结构复杂且表面光滑的目标.