一种全自动的三维肺实质分割算法

精确的肺实质三维分割是对肺部病变进行计算机辅助检测或诊断的必要步骤,但复杂的胸部组织结构使得肺实质的精确分割变得较为困难。提出了一种结合阈值分割、区域增长、改进波阵面法等多种方法的全自动的三维肺实质分割方法。该方法使用计算机视觉及图像分析小组/国际肺癌早期行动计划（Computer Vision and Image Analysis Group/International Early Lung Cancer Action Program,VIA/I-ELCAP）和肺部图像数据库联盟（Lung Image Database Consortium,LIDC）提供的数据进行实验,结果证明这个方法能快速、精确地得到肺实质。     

基于三维限制区域生长的SD-OCT中浆NRD病变区域分割

中浆(CSC)病变区域的大小对于病变的诊断及研究有着关键的作用,而视网膜神经上皮层脱离(NRD)形态在中浆病变中最为普遍且病变程度最为严重,因此快速准确地分割出NRD病变区域十分重要。给出一种全自动的频域光学相干断层(SD-OCT)中浆NRD病变分割方法。首次在三维空间进行NRD病变分割,将二维图像上的病变区域分割问题转化为三维空间的体分割问题,充分利用了数据的三维结构信息,提高了分割精度。18组中浆NRD病变的SD-OCT图像的实验结果表明:该算法能够准确分割出中浆NRD病变,且平均覆盖率高达89.5%。与其他4种分割方法相比,所提方法精度最高且耗时最短,在临床应用与研究中具有极大的优势。     

基于最大类间方差与形态学的淋巴结图像分割

淋巴结是人体内产生免疫应答的重要器官。淋巴结的病理变化 是检测 恶性肿瘤(肺癌、直肠癌、乳腺癌、肝癌、宫颈癌等)和判断肿瘤转移 的一个重要依据。一种基于最大类间方差法与数学形态学的分割方法用于淋巴结的分割。最大类间方差法用于对原图进行二值化增强处理,而数学形态学方法用于修正二值图像的边界,通过腐蚀操作与膨胀操作解决二值化后出现的目标区域与多余组织相连的问题,以更好地提取有用的淋巴结组织。实验结果表明,上述算法对与周围组织有粘连但目标与背景的灰度级相差较大的淋巴结图像的分割效果较好。     

基于深度学习的计算机辅助肺癌诊断方法

癌症,是21世纪死亡率较高的疾病之一,而肺癌在所有癌症发病率及死亡率中均占首位.近年来,随着大数据与人工智能的兴起,基于深度学习的肺癌辅助诊断逐渐成为热门的研究课题.计算机辅助肺癌诊断技术主要是对医学仪器成像得到的肺部影像数据进行处理分析的过程,文中将这类过程总结为4个步骤:医学影像数据预处理、肺实质分割、肺结节检测与分割,以及病变诊断.由于深度学习技术对于训练数据的数量需求较高,而目前领域内公开较多的数据主要是肺部CT图像的结节数据,因此深度学习上对于肺癌辅助诊断的工作主要是肺内实质部分分割、肺结节检测分割以及病变分析的工作.文中对于面向肺癌辅助诊断的传统医学影像处理方法进行了简单介绍,并对前沿的深度学习医学影像处理方法进行了综述.     

基于CT图像的肺部肿瘤自动定位系统

系统自动检测出CT图像中的肺癌区域，并精确地勾画出肺癌的轮廓。应用核心的分割算法分割肺区，针对检测肺癌这个特定的临床任务所做的肺区轮廓修补操作也是必需的。根据周长，面积，直径，形状参数，平均CT值等特征，构造分类器来判别提取出的结节的性质，将最终定性为肺癌的区域的轮廓精确地勾画出来作为系统的输出结果。     

一种自动分割人脸的方法 *

基于图切分理论 ,提出了一种自动分割人脸的方法。对于一幅人脸图像 ,首先通过人脸检测算法 ,确定人脸图像的大致前景和背景区域 ;然后利用高斯混合模型建立其前景和背景区域的颜色模型 ;最后迭代地运用图切分算法准确地分割出人脸目标。该方法创新之处在于实现了人脸图像前景目标的全自动分割。实验结果说明了该方法的有效性。     

精神分裂症脑区磁共振图像分割方法研究

研究精神分裂症人脑皮层脑区图像病变区域的准确分割问题。精神分裂症患者的人脑皮层脑区灰质密度与正常区域存在差异,但病变区域与正常区域血管粘连在一起,病变组织会发出更强烈的信号,在生成的图像中像素亮度极高,高亮度造成二者像素灰度差异过小。传统的基于边沿像素灰度差的图像分割方法,无法避免由于血管粘连造成的像素灰度差异过小的缺陷,分割准确度不高。提出了一种利用像素差值约束算法的人脑皮层脑区磁共振图像分割算法。通过约束病变区域分割的衡量区域标准,从而实现人脑皮层脑区磁共振图像的准确分割。实验证明,改进算法避免了血管粘连造成的像素灰度差异过小的缺陷,提高了图像分割的准确率,为精神分裂症脑区检测提供了依据。     

肺部CT图像中的解剖结构分割方法综述

目的 高分辨率多层螺旋CT是临床医生研究肺部解剖结构功能、评估生理状态、检测和诊断病变的主要影像学工具。鉴于肺部各解剖结构间特殊的关联关系和图像成像缺陷、组织病变等干扰因素对分割效果的影响,学术界已在经典图像处理方法基础上针对CT图像中的肺部解剖结构分割进行了大量研究。方法 通过对相关领域有代表性或前沿性文献的归纳总结,系统性地梳理了现有肺组织、肺气管、肺血管、肺裂纹、肺叶或肺段等解剖结构CT图像分割方法的主要流程、方法理论、关键技术和优缺点,讨论了各解剖结构分割的参考数据获取、实验设计方法和结果评价指标。结果 分析了现有研究在结果精度和鲁棒性方面所面临的挑战性问题,以及基于分割结果在定位病变、定量测量、提取其他结构等方面展开的热点应用,特别详述了当前被重点关注的深度学习方法在本领域的工作进展,同时展望了本领域在分割理论方法和后续处理等步骤的发展趋势,并探索了如何在实践中根据分割结果发现新的临床生物标志。结论 快速精确地从CT图像中分割肺部各解剖结构可以获取清晰直观的3维可视化结构影像,展开解剖结构内部的定量参数测量或结构之间的关联关系分析能提供客观、有效的肺部组织疾病辅助诊断依据信息,可以大大减轻临床医生的阅片负担、提高工作效率,具有重要的理论研究意义和临床应用价值。     

基于向量流场节点的图像分割算法

人工干预使蛇模型只能用于半自动的图像分割,该文在梯度向量流（GVF）蛇模型的基础上提出一种基于流场节点与最小路径方法的全自动图像分割算法。在图像的GVF场上检测出流场节点,以节点为种子,采用多标记快速扫描法获得一个初始分割,采用区域合并得到最终分割结果。实验结果证明了该算法的鲁棒性和有效性。     

基于多尺度匹配滤波和集成学习的眼底图像微脉瘤检测

针对微脉瘤的灰度分布特性,提出一种新的微脉瘤检测算法。首先通过多尺度匹配滤波筛选出候选微脉瘤病变点,并作为种子点利用区域生长技术分割出病变区域;然后提取病变区域特征向量;最终采用Adaboost神经网络集成分类器检测真实的微脉瘤病变。在公开的ROC数据集测试表明,所提方法检测的平均正确率达到40.92%,优于以往的双环滤波和形态学方法。     

U-Net支气管超声弹性图像纵膈淋巴结分割

目的 超声弹性成像技术已逐步应用于支气管淋巴结良恶性的诊断,帮助确定肺癌分期。在支气管超声弹性图像中,淋巴结区域的精确定位对诊断准确度具有重要影响,但通常依赖专业医师的手动分割,费时费力。为此,本文设计了一种注意力上下文编码器网络（attention context encoder network,ACE-Net）。方法 本文网络模型包括编码器、上下文提取器和解码器3部分。使用在ImageNet数据集上预训练且去掉平均池化层和全连接层的34层残差网络ResNet-34作为编码器提取特征,上下文提取器从编码器的输出中进一步提取高级语义信息,同时保留尽可能多的空间信息,基于AG （attention gate）的解码器可以抑制输入图像中的不相关区域,同时突出对当前任务更关键的特征。结果 实验在本文收集的包含支气管超声弹性图像及对应分割标签的数据集上进行,与6种典型的U-Net结构深度网络模型的分割性能进行对比,数据集中的每幅图像中的淋巴结都由专业医师手动分割标注。基础U-Net网络得到淋巴结分割结果的Dice系数、敏感度和特异度分别为0.820 7、85.08%和96.82%,其他改进网络的分割性能在此基础上均有一定提高,本文方法的Dice系数、敏感度和特异度分别为0.845 1、87.92%和97.04%,Dice系数和敏感度在所有方法中取得了最优值,特异度取得了次优值。结论 以U-Net为代表的深度学习模型在支气管超声弹性图像淋巴结分割问题中具有很大潜力,将上下文提取器和注意力机制融入U-Net网络可以一定程度提升分割精度。本文收集的数据集将有助于推动支气管超声弹性图像淋巴结分割问题的研究。     

基于注意力机制的两阶段纵膈淋巴结自动分割算法

判断淋巴结分区是否存在淋巴结转移以及准确分割恶性淋巴结对于肺癌诊断以及治疗意义重大。针对纵膈淋巴结尺寸差异大、正负样本不平衡、与周边软组织和肺肿瘤特征相似等问题,提出了一个新颖的用于纵膈淋巴结分割的基于注意力机制的级联算法。首先,根据医学先验设计了两阶段分割算法剔除纵膈干扰组织后对疑似淋巴结进行分割,减少负样本的影响和训练难度,同时增强对纵膈淋巴结的分割能力;然后,引入全局聚合模块和双注意力模块以提升网络对多尺度目标和背景的分类能力。实验结果表明,提出的算法在纵膈淋巴结数据集上的准确率达到0.707 9,召回率达到0.726 9,Dice score达到 0.701 1,在准确率和Dice score上均明显优于当前其他纵膈淋巴结分割算法,能较好地解决淋巴结尺寸差异大、样本不平衡、特征易混淆等问题。     

基于自适应感受野机制的颈部淋巴结自动识别算法

针对目前应用于医学影像目标检测的深度学习网络模型仅拥有固定的感受野,无法针对形态尺度差异明显的颈部淋巴结进行有效检测的问题,提出了一种新的基于自适应感受野机制的识别算法,将深度学习首次应用于完全三维医学图像的颈部淋巴结自动识别中。首先,采用半随机采样方法对医学序列图像进行裁剪,生成基于网格的局部图像块及对应真值标签;然后,通过局部图像块及标签构建并训练基于自适应感受野机制的DeepNode网络;最后,利用预训练的DeepNode网络模型进行预测,通过输入整体序列图像,可以端到端且快速地获得整体序列对应的颈部淋巴结识别结果。在颈部淋巴结数据集中,采用DeepNode网络识别颈部淋巴结的召回率可达98.13%,精确率可达97.38%,每次扫描的假阳性数量仅为29,同时耗时相对较短。实验结果分析表明,与当前表现优良的二维与三维卷积神经网络相结合的算法、三维通用目标检测算法、基于弱监督定位的识别算法等相比,所提算法可以实现颈部淋巴结的自动识别,并取得最优的识别效果。该算法端到端,简单高效,易于扩展到其他医学图像的三维目标检测任务中,可应用于临床的诊断和治疗。     

基于级联全卷积神经网络的颈部淋巴结自动识别算法

针对现有算法自动识别颈部淋巴结效率不高、存在大量假阳性且整体假阳性去除效果不理想的问题，提出一种基于级联全卷积神经网络（FCN）的颈部淋巴结识别算法。首先，结合医生的先验知识采用级联FCN进行初步识别，即第一个FCN从头颈部计算机断层扫描图像（CT）中提取淋巴结医学分区；然后，第二个FCN从分区内提取候选样本并在三维层面合并这些样本以生成三维图像块；最后，将提出的特征块平均池化引入到三维分类网络中，对输入的不同尺度三维图像块进行二分类以去除假阳性。在颈部淋巴结数据集中，采用级联FCN识别颈部淋巴结的召回率可达97.23%；引入特征块平均池化的三维分类网络的分类准确率可达到98.7%。在去除假阳性之后的准确率可达93.26%。实验结果分析表明，所提算法能有效实现颈部淋巴结的自动识别并取得较高的召回率和准确率，优于目前相关文献报道的算法；且算法简单高效，易于扩展到其他三维医学图像的目标检测任务中。     

A remote sensing ship recognition method based on dynamic probability generative model

Aiming at detecting sea targets reliably and timely, a novel ship recognition method using optical remote sensing data based on dynamic probability generative model is presented. First, with the visual saliency detection method, prior shape information of target objects in put images which is used to describe the initial curve adaptively is extracted, and an improved Chan–Vese (CV) model based on entropy and local neighborhood information is utilized for image segmentation. Second, based on rough set theory, the common discernibility degree is used to compute the significance weight of each candidate feature and select valid recognition features automatically. Finally, for each node, its neighbor nodes are sorted by their ε-neighborhood distances to the node. Using the classes of the selected nodes from top of sorted neighbor nodes list, a dynamic probability generative model is built to recognize ships in data from optical remote sensing system. Experimental results on real data show that the proposed approach can get better classification rates at a higher speed than the k-nearest neighbor (KNN), support vector machines (SVM) and traditional hierarchical discriminant regression (HDR) method.     

Salient object detection using color spatial distribution and minimum spanning tree weight

Salient object detection is very useful in many computer vision applications such as image segmentation, content-based image editing and object recognition. In this paper, we present a salient object detection algorithm by using color spatial distribution (CSD) and minimum spanning tree weight (MSTW). We first use a segmentation algorithm to decompose an image into superpixel-level elements, then use these elements as nodes to construct a minimum spanning tree (MST), each connected edge weight is the mean color difference between two nodes. CSD of each element can be computed by integrating color, spatial distance and MSTW. Note that if the color of one element is the most widely distributed over the entire image, it should have the biggest CSD value, we regard this element as a background node (BG Node). Then we use the MSTW between other element and BG node to generate a MSTW map. The superpixel-level saliency map can be obtained by combining the CSD map and MSTW map. Finally, we use a guided filter to get the pixel-level saliency map. Experimental results on two databases demonstrate that our proposed method outperforms other previous state-of-the-art approaches.     

基于MC13213的无线多跳信报箱告知系统设计

为了实现对多层住宅信报箱报件到达的自动检测,提出了一种基于MC13213的无线多跳信报箱告知系统,并完成系统的软硬件设计。该系统的硬件部分主要包括报箱内的检测节点和用户住宅的用户节点,二者直接或以多跳方式通信。软件部分采用ColdWarrior进行编程,分别完成对报件到达检测并发送无线信号、接收报件到达数据或为上层楼层转发数据。设计实现了多层住宅信报箱报件到达检测与告知,避免了报件和信息延误。     

基于节点相似性和网络嵌入的复杂网络社区发现算法

社区发现算法对分析复杂网络的拓扑和层次结构、预测复杂网络的演化趋势等具有十分重要的意义.传统的社区发现算法划分精度不高,忽略了网络嵌入的重要性.针对这样的问题,提出了基于节点相似性和网络嵌入Node2Vec方法的无参数社区发现算法.首先,使用网络嵌入Node2Vec方法将网络节点映射成欧氏空间中低维向量表示的数据点,计...     

WSN中故障诊断性能与平均节点度研究

在基于无线传感器网络的结构健康监测中,故障节点产生并传输的错误数据将消耗节点的能量和带宽,同时会形成结构健康监测的错误决策。针对该问题,提出一种节点故障诊断算法,利用节点感知传感数据的空间相似性,通过对邻节点所感知的传感数据进行比较,确定检测节点的状态,将测试状态向网络中其他相邻节点进行扩散,实现网络中全部节点的故障检测。同时介绍在不同平均节点度下改善故障诊断率的方法。实验结果表明,该算法能够获得较好的性能。     

Sketch‐Based Editing Tools for Tumour Segmentation in 3D Medical Images

In the past years sophisticated automatic segmentation algorithms for various medical image segmentation problems have been developed. However, there are always cases where automatic algorithms fail to provide an acceptable segmentation. In these cases the user needs efficient segmentation editing tools, a problem which has not received much attention in research. We give a comprehensive overview on segmentation editing for three‐dimensional (3D) medical images. For segmentation editing in two‐dimensional (2D) images, we discuss a sketch‐based approach where the user modifies the segmentation in the contour domain. Based on this 2D interface, we present an image‐based as well as an image‐independent method for intuitive and efficient segmentation editing in 3D in the context of tumour segmentation in computed tomography (CT). Our editing tools have been evaluated on a database containing 1226 representative liver metastases, lung nodules and lymph nodes of different shape, size and image quality. In addition, we have performed a qualitative evaluation with radiologists and technical experts, proving the efficiency of our tools.