基于多尺度残差路径的U型视网膜血管分割

针对视网膜血管形态结构复杂、特征信息多变的特点，提出一种结合残差网络和多尺度特征融合的U型视网膜分割算法。依次采用限制对比度直方图均衡化和局部自适应Gamma对原始视网膜图像进行预处理，得到血管增强、亮度提升的图像；将其输入至搭建的U型网络中进行端到端训练，该网络将U-Net原始卷积块替换为残差卷积块，实现对特征的复用，首尾的并行多分支结构和底部的金字塔池化结构扩大提取特征的感受野，在解码阶段加入带有注意力机制的跳跃连接改善视网膜血管的分割性能；通过sigmoid激活函数得到最终分割结果。在DRIVE数据集上进行实验，该算法准确率、敏感度和AUC分别为96.34%、84.61%和98.53%。     

RCAR-UNet：基于粗糙通道注意力机制的视网膜血管分割网络

眼底图像中视网膜血管的健康状况对早期诊断各种眼科疾病及糖尿病心脑血管疾病等具有重要意义，然而视网膜血管结构细微、边界模糊且分布不规则，对其进行准确分割存在较大的难度.针对视网膜血管的这些特征，提出一种粗糙通道注意力残差U型网——粗糙通道注意力残差U型网络（RCARUNet）.该网络首先引入粗糙集理论中上下近似概念设计粗糙神经元；接着基于粗糙神经元构建粗糙通道注意力模块，该模块在U-Net跳跃连接中采用全局最大池化和全局平均池化构造上下近似神经元，并进行神经元间的加权求和，对所建立的通道依赖关系进行合理的粗糙化，该依赖关系不仅包含全局信息，同时具有局部特性，可有效实现对所提取视网膜血管特征的准确重标定；然后添加残差连接，将特征直接从低层传递给高层，有助于解决网络性能退化问题，并有效提取更加丰富的视网膜血管特征；最后为了验证所提视网膜分割网络的有效性，在3个眼底视网膜公开图像数据集上与U-Net,Attention U-Net等传统网络模型进行对比实验，实验结果表明，所提视网膜分割网络在血管分割准确率、灵敏度和相似度等方面具有较高的优越性.     

融合多层空间注意的U型视网膜血管分割算法

针对现有算法因视网膜细小血管分割不足和抗噪声能力弱导致其分割精度低等问题,提出一种融合多层空间注意的U型视网膜血管分割算法.首先,在编码和解码部分采用特征增强残差模块,引入通道注意机制提高网络模型对血管特征的分割能力.其次,在U型网络的底部引入密集空洞卷积模块,增大感受野提取血管多尺度特征.最后,在跳跃连接阶段使用三端空间注意模块进行特征自适应细化,有效抑制特征图中的噪声.在DRIVE和STARE公开眼底图像数据集上验证本文算法,实验结果表明,所提算法准确率分别达到了0.9643和0.9683,灵敏度分别达到了0.8329和0.8224,AUC值分别达到了0.9861和0.9897.其性能指标整体优于现有先进算法.     

基于改进的U-Net网络在MRI膀胱肿瘤图像的分割

膀胱癌是泌尿系统最常见的恶性肿瘤,也是目前花费最高的癌症之一.肿瘤的分割在疾病的辅助诊断、治疗规划中具有重要意义.传统的肿瘤分割需要消耗大量的劳动力.随着技术的不断发展,具有预处理少,准确率高等优势的卷积神经网络作为一种图像处理高效的技术,已经在图像分割领域取得了不错的成绩.目前医学图像分割领域得到较好反响的是U-Net网络,但该网络训练深度低,准确率较低.论文提出了一种改进后的Res-U-Net网络模型,参考残差网络构造,与残差结构结合,相比于原始的U-Net模型,Dice系数平均提高了9％.     

基于Transformer的U型医学图像分割网络综述

目前,医学图像分割模型广泛采用基于全卷积网络（FCN）的U型网络（U-Net）作为骨干网,但卷积神经网络（CNN）在捕捉长距离依赖能力上的劣势限制了分割模型性能的进一步提升。针对上述问题,研究者们将Transformer应用到医学图像分割模型中以弥补CNN的不足,结合Transformer和U型结构的分割网络成为研究热点之一。在详细介绍U-Net和Transformer之后,按医学图像分割模型中Transformer模块所处的位置,包括仅在编码器或解码器、同时在编码器和解码器、作为过渡连接和其他位置进行分类,讨论各模型的基本内容、设计理念以及可改进的地方,并分析了Transformer处于不同位置的优缺点。根据分析结果可知,决定Transformer所在位置的最大因素是目标分割任务的特点,而且Transformer结合U-Net的分割模型能更好地利用CNN和Transformer各自的优势,提高模型的分割性能,具有较大的发展前景和研究价值。     

基于U-Net的多尺度特征增强视网膜血管分割算法

针对传统视网膜血管分割算法存在血管分割精度低和病灶区域误分割等缺点,提出一种基于U-Net的多尺度特征增强视网膜血管分割算法（MFEU-Net）。首先,为解决梯度消失问题,设计一种改进的特征信息增强残差模块（FIE-RM）替代U-Net的卷积块;其次,为扩大感受野并提高对血管信息特征的抽取能力,在U-Net的底部引入多尺度密集空洞卷积模块;最后,为减少编解码过程中的信息损失,在U-Net的跳跃连接处构建多尺度通道增强模块。在DRIVE(Digital Retinal Images for Vessel Extraction)和CHASE＿DB1数据集上的实验结果表明,与在视网膜血管分割方面表现次优的算法CS-Net(Channel and Spatial attention Network)相比,MFEU-Net的F1分数分别提高了0.35和1.55个百分点,曲线下面积（AUC）分别提高了0.34和1.50个百分点,这验证了MFEU-Net可以有效提高对视网膜血管分割的准确性和鲁棒性。     

基于编解码结构的多特征融合眼底图像分割

为解决现有眼底图像分割方法对于细微血管存在低分割精度和低准确率的问题,提出一种基于编解码结构的U-Net改进网络模型。首先对数据进行预处理与扩充,提取绿色通道图像,并将其通过对比度限制直方图均衡化和伽马变换以增强对比度;其次训练集被输入到用于分割的神经网络中,在编码过程加入残差模块,用短跳跃连接将高、低特征信息融合,并利用空洞卷积增加感受野,解码模块加入注意力机制增加对细微血管分割精度;最后利用训练完成的分割模型进行预测得出视网膜血管分割结果。在DRIVE和CHASE-DB1眼底图像数据集上进行对比实验,模型算法的平均准确率、特异性和灵敏度分别达到96.77%和97.22%、98.74%和98.40%、80.93%和81.12%。实验结果表明该算法能够改善微细血管分割准确率及效率不高的问题,对视网膜血管可以进行更准确的分割。     

基于条件生成对抗网络的咬翼片图像分割

现有基于U型网络(U-Net)的咬翼片图像分割方法将咬翼片X射线图像分割成龋齿、牙釉质、牙本质、牙髓、牙冠、修复体和牙根管7个部分,但分割准确率偏低。为此,提出一种改进的咬翼片图像分割方法,将条件生成对抗网络与U-Net相结合对咬翼片进行分割,使判别器与生成器相互优化,获得具有更多上下文信息的分割特征图。实验结果表明,改进方法的Dice系数相比U-Net方法提升了0.133,分割准确率更高。     

结合残差路径及密集连接的乳腺超声肿瘤分割

目的 乳腺癌是常见的高发病率肿瘤疾病,早期确诊是预防乳腺癌的关键。为获得肿瘤准确的边缘和形状信息,提高乳腺肿瘤诊断的准确性,本文提出了一种结合残差路径及密集连接的乳腺超声肿瘤分割方法。方法 基于经典的深度学习分割模型U-Net,添加残差路径,减少编码器和解码器特征映射之间的差异。在此基础上,在特征输入层到解码器最后一步之间引入密集块,通过密集块组成从输入特征映射到解码最后一层的新连接,减少输入特征图与解码特征图之间的差距,减少特征损失并保存更有效信息。结果 将本文模型与经典的U-Net模型、引入残差路径的U-Net （U-Net with Res paths）模型在上海新华医院崇明分院乳腺肿瘤超声数据集上进行10-fold交叉验证实验。本文模型的真阳率（true positive,TP）、杰卡德相似系数（Jaccard similarity,JS）和骰子系数（Dice coefficients,DC）分别为0.870 7、0.803 7和0.882 4,相比U-Net模型分别提高了1.08%、2.14%和2.01%;假阳率（false positive,FP）和豪斯多夫距离（Hausdorff distance,HD）分别为0.104 0和22.311 4,相比U-Net模型分别下降了1.68%和1.410 2。在54幅图像的测试集中,评价指标JS > 0.75的肿瘤图像数量的总平均数为42.1,最大值为46。对比实验结果表明,提出的算法有效改善了分割结果,提高了分割的准确性。结论 本文提出的基于U-Net结构并结合残差路径与新的连接的分割模型,改善了乳腺超声肿瘤图像分割的精确度。     

用于咽喉器官分割的空洞残差金字塔算法

对咽喉器官分割是喉镜图像分析以及计算机辅助诊疗的先决条件.为准确地分割器官部位,提出一种用于咽喉器官分割的空洞残差金字塔算法.首先提出空洞残差(dilatedresidual,DR)模块,使用多种空洞卷积提取图像不同感受野下的特征,结合残差策略提升特征多样性并加快网络训练速度;然后将DR模块与特征金字塔结合,融合多尺度特征并补充器官浅层特征,使得网络适应器官的多种形态;最后设计咽喉器官分割网络——DRP-Mask.在8 000幅喉镜图像数据集上的实验结果表明,与其他5种语义分割网络相比, DRP-Mask的平均交并比提升2%～4%,比基准网络平均精度提升1.6%,实现对器官准确定位的同时也对其进行完整的分割,分割结果更贴合医生标注结果.     

U-Net与自适应阈值脉冲耦合神经网络相结合的眼底血管分割方法

由于眼底血管结构复杂多变,且图像中血管与背景对比度低,眼底血管分割存在巨大困难,尤其是微小型血管难以分割。基于深层全卷积神经网络的U-Net能够有效提取血管图像全局及局部信息,但由于其输出为灰度图像,并采用硬阈值实现二值化,这会导致血管区域丢失、血管过细等问题。针对这些问题,提出一种结合U-Net与脉冲耦合神经网络（PCNN）各自优势的眼底血管分割方法。首先使用迭代式U-Net模型凸显血管,即将U-Net模型初次提取的特征与原图融合的结果再次输入改进的U-Net模型进行血管增强;然后,将U-Net输出结果视为灰度图像,利用自适应阈值PCNN对其进行精准血管分割;在U-Net模型中引入Batch Normalization和Dropout,提高训练速度,有效缓解过拟合问题。实验结果表明,所提方法的AUC在DRVIE、STARE和CHASE_DB1数据集上分别为0.979 6,0.980 9和0.982 7。该方法可以提取更多的血管细节,且具有较强的泛化能力和良好的应用前景。     

无线传感网络节点非视距定位方法的改进

在无线传感器网络定位中,节点精确定位面临的一个主要问题是信号的非视距传播,非视距误差是节点定位误差的主要来源。在分析基于位置残差检测的非视距误差抑制技术的基础上,提出了基于近似最大似然估计技术和残差检测技术的非视距定位算法。算法通过逐步减少视距信号个数的组合方式,在每一步选取残差最小的组合,利用改进的距离残差定位方法进行节点定位。通过理论分析与仿真比较,均表明改进算法的性能接近于PRT算法的性能,但能大大降低PRT算法的计算复杂度,验证了改进方法的优越性。     

椭球约束下减小三维定位中的非视距误差

采用精度较高的TOA测距方法对位于三维表面的节点进行定位时,非视距传播现象会造成测距值出现较大的正向误差。针对非视距误差提出一种判别算法,对参与定位的锚节点进行筛选,剔除掉非视距误差较大的锚节点,再用残差加权算法进行最终的位置估计。与最小二乘法和残差加权法相比,能够有效地减小非视距误差的影响,具有更高的定位精度。     

基于NRU网络的肺结节检测方法

肺癌的早期发现和早期诊断是提高肺癌患者生存率的关键。由于肺癌早期结节很小,目前已有的肺结节检测系统在检测这些结节时很容易漏诊。准确检测早期肺癌结节对于提高肺癌治愈率至关重要,为了降低检测系统对早期结节的漏诊率,需要优化候选结节的提取步骤。在U-Net网络中引入残差网络的捷径,有效解决了传统U-Net网络由于缺乏深度而导致结果较差的问题。在此改进的基础上提出了一种U型噪声残差网络NRU（Noisy Residual U-Net）,通过利用跳跃层连接的特性和向卷积层添加噪声来增强神经网络对小结节的灵敏度。使用Lung Nodule Analysis 2016和阿里巴巴天池肺癌检测竞赛数据集训练神经网络。U-Net和NRU之间的比较实验表明,该算法对直径为3~5 mm（97.1％）的小结节的灵敏度大于U-Net值（90.5％）。     

基于金字塔场景分析网络改进的语义分割算法

图像语义分割是图像识别中的一个经典难题,是机器视觉研究的一个热点。但在实际应用中,会出现语义标签预测不准确、所分割对象与背景之间边缘信息损失问题,这已逐渐成为了图像理解的瓶颈。据此,提出了一种基于金字塔场景分析网络（PSPNet）的网络改进结构,在特征学习模块中将输入图在原残差网络（ResNet）的基础上通过在网络内部增加卷积、池化操作,进一步学习各个层次特征,将所学习到的多个低层次特征图与高层次特征图相加,得到新的具有更多空间位置信息的特征图;为得到丰富的上下文信息,利用PSPNet的金字塔池化结构,将特征图中全局上下文信息与不同尺度局部上下文信息相结合,进行卷积和上采样,得到最终预测图。仿真实验结果表明,所改进的方法在PASCAL VOC 2012测试集中平均交并比（Mean Intersection over Union,MIoU）达到78.5%,较基准算法提升了1.7%。     

基于改进的R-FCN带纹理透明塑料裂痕检测

为了解决利用传统的机器学习方法来检测带纹理透明塑料裂痕的检测精度和识别率不高的问题,提出一种改进的基于区域的全卷积网络（Region-based Fully Convolutional Networks,R-FCN）检测方法,通过对R-FCN中的残差网络（Residual Network,ResNet）特征提取网络进行混合尺度感受野融合处理,弥补了原网络对微小裂痕敏感度不高的缺点。实验表明,改进后的R-FCN检测方法的裂痕检测精度比基于传统机器学习支持向量机（Support Vector Machine,SVM）检测方法的裂痕检测准确率高20%左右,比未改进的R-FCN检测方法的检测准确率高8%,证明了该方法的有效性。     

改进U-Net模型的眼底图像渗出液分割

医学图像分割在应用的时候对精度有着苛刻的要求,传统算法对于像素级别的图像分割任务来说效果不佳,针对视网膜眼底图像中渗出液的特征复杂程度高,提出了三种改进的U-Net模型来避免分割效率低、分割精度不足的问题。首先改进经典的U-Net模型,训练了一个基础模型作对比,同时为了防止过拟合、梯度弥散等问题,将残差网络与密集网络的卷积结构作为特征提取器引入U-Net模型中,新的ResU-Net和DenseU-Net模型结合了两者优势,提高了网络的泛化能力。实验在Kaggle数据集上进行交叉验证,发现ResU-Net模型的灵敏度(SE)最高,达到了85.0%,DenseU-Net模型的特异性(SP)、准确度(AC)最高,分别达到了99.5%、99.2%。本文所设计的三种改进U-Net模型在渗出液分割中,DenseU-Net模型综合了密集网络模型和U-Net模型各自的优点,取得了最好的分割效果,其AUC值为0.9905。     

改进卷积神经网络的COVID-19CT影像分类方法研究

针对2019年12月在中国武汉发现的新型冠状病毒,由于RT-PCR检测具有假阴性率过高且得出结果会花费大量时间等问题,研究证明计算机断层扫描（CT）已经成为了辅助诊断和治疗新型冠状病毒肺炎的重要手段之一。由于目前公开的COVID-19 CT数据集较少,提出利用条件生成对抗网络进行数据增强以获得更多样本的CT数据集,以此降低发生过拟合风险;另外提出一种基于BIN残差块的改进U-Net网络来进行图像分割,再结合多层感知器进行分类预测。通过与AlexNet、GoogleNet等网络模型进行比较,得出提出的BUF-Net网络模型性能最优,达到了93%的准确率。利用Grad-CAM技术对系统的输出进行可视化,能够更加直观地说明CT影像对于诊断COVID-19的重要作用。将深度学习技术应用到医学影像中有助于协助放射科医生获得更为有效的诊断。     

结合PCNN和自适应DGA算法的视网膜血管分割

为辅助诊断眼底疾病,提出一种眼底图像血管自动分割方法。首先利用对比度受限制的自适应直方图均衡化（CLAHE）技术与二维高斯匹配滤波器增强血管与背景对比度;然后利用自适应分布式遗传算法（ADGA）对PCNN参数设置自动寻优,将寻优得到的参数用于PCNN血管分割;最后采用面积滤波和区域连通性方法对分割结果进行后处理,得到优化后的血管检测结果。通过在国际上公认的彩色眼底图像库STARE中的实验结果表明,相比于利用传统的DGA算法对PCNN参数寻优,所提方法将分割的平均准确度从0.929?3提高到0.945?4,具有更高的鲁棒性、有效性和可靠性。     

基于节点剩余功率的多中继选择算法

提出一种基于节点剩余功率的多中继放大转发协同节点选择算法,根据节点信道状态信息(CSI)和剩余能量信息对网络生存时间进行优化,使用加权函数和信道容量增益门限进行多协同节点选择。仿真结果表明,对于动态和固定功率分配,该算法选择三四个中继可使协同通信系统性能达到最优;相对基于CSI的单中继选择算法,当中继数为4时,其在动态功率分配时的网络生存时间最高可延长82%。