基于卷积神经网络的左心室超声图像特征点定位

针对传统级联卷积神经网络（CNN）在左心室超声图像中定位准确度较低的问题，提出一种融合更快速区域卷积神经网络（Faster-RCNN）模型提取区域的级联卷积神经网络，实现对超声图像中左心室心内膜和心外膜轮廓特征点的定位。首先，采用两级级联的方式改进传统级联卷积神经网络的网络结构，第一级网络利用一个改进的卷积网络粗略定位左心室心内膜和心外膜联合的特征点，第二级网络使用四个改进的卷积网络分别对心内膜特征点和心外膜特征点进行位置微调，之后定位输出左心室心内膜和心外膜联合的轮廓特征点位置；然后，将改进的级联卷积神经网络与目标区域提取融合，即利用Faster-RCNN模型提取包含左心室的目标区域并将目标区域送入改进的级联卷积神经网络；最后，由粗到细对左心室轮廓特征点进行定位。实验结果表明，与传统级联卷积神经网络相比，所提方法在左心室超声图像上的定位效果更好，更逼近真实值，在均方根误差的评价标准下，特征点定位准确度提升了32.6个百分点。     

局部聚类分析的FCN-CNN云图分割方法

空气中的尘埃、污染物及气溶胶粒子的存在严重影响了大气预测的有效性,毫米波雷达云图的有效分割成为了解决这一问题的关键.本文提出了一种基于超像素分析的全卷积神经网路FCN和深度卷积神经网络CNN（FCN-CNN）的云图分割方法.首先通过超像素分析对云图每个像素点的近邻域实现相应的聚类,同时将云图输入到不同步长的全卷积神经网络FCN32s和FCN8s中实现云图的预分割;FCN32s预测结果中的"非云"区域一定是云图中的部分"非云"区域,FCN8s预测结果中的"云"区域一定是云图中的部分"云"区域;剩下不确定的区域通过深度卷积神经网络CNN进行进一步分析.为提高效率,FCN-CNN选取了不确定区域中超像素的几个关键像素来代表超像素区域的特征,通过CNN网络来判断关键像素是"云"或者是"非云".实验结果表明,FCN-CNN的精度与MR-CNN、SP-CNN相当,但是速度相比于MR-CNN提高了880倍,相比于SP-CNN提高了1.657倍.     

基于全卷积神经网络的多源高分辨率遥感道路提取

针对半自动道路提取方法人工参与较多、提取精度不高且较为耗时的问题提出一种基于全卷积神经网络（FCN）的多源高分辨率遥感道路提取方法。首先,对高分二号和World View图像进行分割,用卷积神经网络（CNN）分类出包含道路的图像;然后,用Canny算子提取道路的边缘特征信息;最后,结合RGB、Gray和标签图放入FCN中训练,将现有的FCN模型拓展为多卫星源输入及多特征源输入的FCN模型。选取西藏日喀则地区作为研究区域,实验结果显示,所提方法在对高分辨率遥感影像进行道路提取时能够达到99.2%的提取精度,并且有效地减少了提取所需的时间。     

基于卷积神经网络的图像识别方法

为了提高图像识别的全面性及准确性,研究了一种基于卷积神经网络（Convolutional Neural Network,CNN）的图像识别方法。该方法利用萤火虫算法获取分割阈值,实现图像目标和背景的分割;利用灰度共生矩阵和基于加速分割测试的特征（Features From Accelerated Segment Test,FAST）算法提取图像纹理和角点特征;以特征为输入,利用卷积神经网络实现目标类别识别。测试结果表明,设计的基于CNN的识别方法的F1分数为最大值,均在0.8以上,能够更全面、更准确地识别图像中的目标类型。     

基于深度学习的图像文字识别技术在数字化审计中的应用

通过整合的数字化审计平台获取所需审计信息，对所获信息中的图像展开小波变换分解，滤除审计图像噪声的同时提升其质量。结合基于Canny算子的边缘检测与区域分割技术分割完成预处理的审计图像，将完成分割的审计图像输入卷积神经网络，通过卷积层卷积处理审计图像提取审计图像文字特征。经下采样层累积卷积结果得出审计图像文字特征映射图，通过全连接网络判定所提取审计图像文字特征，输出识别结果后通过基于Relief算法的多特征融合方法改进卷积神经网络识别结果。实验结果表明，该方法具有较好的噪声滤除与分割效果，能够精准、清晰识别审计图像中的文字信息。     

深层聚合残差密集网络的超声图像左心室分割

目的 超声图像是临床医学中应用最广泛的医学图像之一,但左心室超声图像一般具有强噪声、弱边缘和组织结构复杂等问题,其图像分割难度较大。临床上需要一种效率高、质量好的超声图像左心室分割算法。本文提出一种基于深层聚合残差密集网络（deep layer aggregation for residual dense network,DLA-RDNet）的超声图像左心室分割算法。方法 对获取的超声图像进行形态学操作,定位目标区域,得到目标图像。构建残差密集网络（residual dense network,RDNet）用于提取图像特征,并将RDNet得到的层次信息通过深层聚合（deep layer aggregation,DLA）的方式紧密融合到一起,得到分割网络DLA-RDNet,用于实现对超声图像左心室的精确分割。通过深监督（deep supervision,DS）方式为网络剪枝,简化网络结构,提升网络运行速度。结果 数据测试集的实验结果表明,所提算法平均准确率为95.68%,平均交并比为97.13%,平均相似性系数为97.15%,平均垂直距离为0.31 mm,分割轮廓合格率为99.32%。与6种分割算法相比,所提算法的分割精度更高。在测试阶段,每幅图像仅需不到1 s的时间即可完成分割,远远超出了专业医生的分割速度。结论 提出了一种深层聚合残差密集神经网络对超声图像左心室进行分割,通过主、客观对比实验表明本文算法的有效性,能够较对比方法更实时准确地对超声图像左心室进行分割,符合临床医学中超声图像左心室分割的需求。     

基于深度Q学习和可变形卷积U-Net的肝脏肿瘤分割方法

针对传统卷积神经网络U-Net对早期肝脏肿瘤的分割精度低的问题,在U-Net的基础上提出了基于深度Q学习和可变形卷积U-Net的肝脏肿瘤分割方法.首先使用深度Q学习对图像进行肿瘤目标定位,然后对目标肿瘤区域使用可变形卷积的U-Net进行分割,最后实现了粗剪裁到细分割的两段式学习框架.实验结果表明,利用该方法在肝脏肿瘤数据集上测试,其分割结果的Dice系数能够达到68％,较传统的卷积神经网络U-Net精度提升了6.89个百分点.     

基于深度学习的颈部淋巴结超声图像分割方法

提出一种基于掩膜区域卷积神经网络(Mask R-CNN)结构的方法,实现对颈部淋巴结超声图像的分割.采用迁移学习方法训练网络,获取颈部淋巴结图像的分割结果.实验结果表明,该方法的Dice系数达到了0.9124,相较U-Net网络提高了13.74％,显著提高了颈部淋巴结超声图像的精确度.     

一种改进FCN 的肝脏肿瘤CT 图像分割方法

精准的医学图像分割是辅助疾病诊断和手术规划的必要步骤。由于腹部器官边界 模糊、对比度不高,肝脏肿瘤的自动分割一直是一个难题。针对传统全卷积神经网络(FCN)实 现端到端分割精度不佳等问题,提出了一种卷积型多尺度融合FCN 的CT 图像肝脏肿瘤分割方 法。首先,通过提高对比度、增强和去噪的方式对原始的CT 图像数据集进行预处理;然后使 用处理后的数据集对所设计好的FCN 网络进行训练;最终得出能够精确分割肝脏肿瘤的网络模 型。实验效果采用多种评价指标进行分割结果的评估,并且与多种常见的分割网络进行对比。 实验结果表明本文方法可以精准分割CT 图像中各种形状和大小的肝脏肿瘤,分割效果良好, 能够为临床的诊断提供可靠的依据。     

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。     

全卷积深度迁移网络的联合分割

近年来,随着超声空化在医疗上的应用,超声空化治疗又重新回到了人们的视野,因其在处理血管阻塞方面的天然的优势,引起了广泛的讨论和研究。为实现准确的实时治疗,提出了一种基于全卷积网络（Fully Convolutional Networks,FCN）的超声血管分割方法。全卷积深度迁移分割网络（Full Convolutional deep Aggregation Migration Network,AMFCN）通过对全卷积网络使用对称网络连接,深度聚合模式以深度提取图像特征,并优化数据增强方式,添加迁移学习模型等方法,有效地利用已有数据进行数据拓展,缓解医学图像数据过少的影响。实验结果表明,该研究方法在超声血管图像上取得了较好的分割性能,能准确地分割出血管区域。     

A deep supervised approach for ischemic lesion segmentation from multimodal MRI using Fully Convolutional Network

The principle restorative step in the treatment of ischemic stroke depends on how fast the lesion is delineated from the Magnetic Resonance Imaging (MRI) images. This will serve as a vital aid to estimate the extent of damage caused to the brain cells. However, manual delineation of the lesion is time-consuming and it is subjected to intra-observer and inter-observer variability. Most of the existing methods for ischemic lesion segmentation rely on extracting handcrafted features followed by application of a machine learning algorithm. Identifying such features demand multi-domain expertise in Neuro-radiology as well as Image processing. This can be accomplished by learning the features automatically using Convolutional Neural Network (CNN). To perform segmentation, the spatial arrangement of pixel needs to be preserved in addition to learning local features of an image. Hence, a deep supervised Fully Convolutional Network (FCN) is presented in this work to segment the ischemic lesion. The highlight of this research is the application of Leaky Rectified Linear Unit activation in the last two layers of the network for a precise reconstruction of the ischemic lesion. By doing so, the network was able to learn additional features which are not considered in the existing U-Net architecture. Also, an extensive analysis was conducted in this research to select optimal hyper-parameters for training the FCN. A mean segmentation accuracy of 0.70 has been achieved from the experiments conducted on ISLES 2015 dataset. Experimental observations show that our proposed FCN method is 10% better than the existing works in terms of Dice Coefficient.     

基于深度生成式对抗网络的蓝藻语义分割

针对传统图像分割算法分割蓝藻图像准确率不足的问题,提出了一种基于深度神经网络（DNN）和生成式对抗网络（GAN）思想的网络结构,称为深度生成式对抗网络（DGAN）。首先,在传统全卷积神经网络（FCN）的基础上构建了一个12层的FCN作为生成网络（G）,用于学习分布规律,生成蓝藻图像的分割结果（Fake）;然后,设计了一个5层的卷积神经网络（CNN）作为判别网络（D）,用于区分生成网络生成的分割结果（Fake）和手工标注的真实分割结果（Label）,G试图生成Fake并蒙骗D,D试图找出Fake并惩罚G;最后,通过两个网络的对抗式训练,G生成的Fake可以蒙骗D,从而获得了更好的分割结果。在3075张蓝藻图像集上的训练和测试结果表明,DGAN在精确率、召回率及F₁分数等指标上均大幅领先基于迭代的阈值分割算法;相比FCNNet （SHELHAMER E,LONG J,DARRELL T.Fully convolutional networks for semantic segmentation.IEEE Transactions on Pattern Analysis and Machine Intelligence,2017,39（4）：640-651）、Deeplab （CHEN L C,PAPANDREOU G,KOKKINOS I,et al.Semantic image segmentation with deep convolutional nets and fully connected CRFs.Computer Science,2014（4）：357-361）等其他基于DNN的方法也提升了超过4个百分点,取得了更精准的分割结果。分割速度上,DGAN的0.63 s略慢于FCNNet的0.46 s,但远快于Deeplab的1.31 s。DGAN均衡的分割准确率和分割速度为基于图像的蓝藻语义分割提供了可行的技术方案。     

基于HC-CFCN模型的肝脏CT图像分割

在计算机断层扫描(CT)图像中肝脏与相邻器官灰度值近似,且不同患者的肝脏轮廓存在差异性,导致肝脏CT图像的精确分割成为医学图像处理中的难题之一。为实现肝脏CT图像的自动分割,构建一种层间上下文级联式的全卷积神经网络模型HC-CFCN。利用第1级网络实现肝脏轮廓的粗略分割,并将其分割结果与原始CT图像、肝脏能量图共同作为第2级网络的输入,优化分割结果。在LiTS数据集上的实验结果表明,与U-Net、FCN+3DCRF和V-Net模型相比,HC-CFCN模型的分割精度较高。     

基于U-net模型的全自动鼻咽肿瘤MR图像分割

鼻咽肿瘤生长方向不确定，解剖结构复杂，当前主要依靠医生手动分割，该方法耗时久同时严重依赖于医生的经验。针对这一问题，基于深度学习理论，提出一种基于U-net模型的全自动鼻咽肿瘤MR图像分割算法，利用卷积操作替换原始U-net模型中的最大池化操作以减少特征信息的损失。首先，从所有患者的肿瘤切片中提取大小为128×128的区域作为数据样本；然后，将患者样本分为训练样本集和测试样本集，并对训练样本集进行数据扩充；最后，选择训练样本集中所有数据用于训练网络模型。为了验证所提模型的有效性，选取测试样本集中患者的所有肿瘤切片进行分割，最终平均分割精度可达到：DSC（Dice Similarity Coefficient）为80.05%，PM系数为85.7%，CR系数为71.26%，ASSD（Average Symmetric Surface Distance）指标为1.1568。与基于图像块的卷积神经网络（CNN）相比，所提算法DSC，PM（Prevent Match）、CR（Correspondence Ratio）系数分别提高了9.86个百分点、19.61个百分点、16.02个百分点，ASSD指标下降了0.4364；与全卷积神经网络（FCN）模型及基于最大池化的U-net网络相比，所提算法的DSC、CR系数均取得了最优结果，PM系数较两种对比模型中的最大值低2.55个百分点，ASSD指标较两种对比模型中的最小值略高出0.0046。实验结果表明，所提算法针对鼻咽肿瘤图像可以实现较好的自动化分割效果以辅助医生进行诊断。     

基于生成对抗网络的自动细胞核分割半监督学习方法

为了减少对标注图像数量的依赖,提出一种新颖的半监督学习方法用于细胞核的自动分割。首先,通过新的卷积神经网络（CNN）从背景中自动提取细胞区域。其次,判别器网络通过应用全卷积网络来为输入的图像生成置信图;同时耦合对抗性损失和标准交叉熵损失,以改善分割网络的性能。最后,将标记图像和无标记图像与置信图结合来训练分割网络,使分割网络可以在提取的细胞区域中识别单个细胞核。对84张图像（训练集中的1/8图像带标注,其余图像无标注）的实验结果表明,提出的细胞核分割方法的分割准确率度量（SEG）得分可以达到77.9%,F1得分可以达到76.0%,这比该方法使用670张图像且训练集中的所有图像都带标注时的表现要好。     

基于生成对抗网络的自动细胞核分割半监督学习方法

为了减少对标注图像数量的依赖，提出一种新颖的半监督学习方法用于细胞核的自动分割。首先，通过新的卷积神经网络（CNN）从背景中自动提取细胞区域。其次，判别器网络通过应用全卷积网络来为输入的图像生成置信图；同时耦合对抗性损失和标准交叉熵损失，以改善分割网络的性能。最后，将标记图像和无标记图像与置信图结合来训练分割网络，使分割网络可以在提取的细胞区域中识别单个细胞核。对84张图像（训练集中的1/8图像带标注，其余图像无标注）的实验结果表明，提出的细胞核分割方法的分割准确率度量（SEG）得分可以达到77.9%，F1得分可以达到76.0%，这比该方法使用670张图像且训练集中的所有图像都带标注时的表现要好。     

结合全卷积网络和K均值聚类的球栅阵列焊球边缘气泡分割

针对在球栅阵列（BGA）气泡检测中,由于图像干扰因素的多样性导致焊球存在边缘气泡与背景之间灰度级接近,从而造成焊球气泡分割结果不精确的问题,提出了一种结合全卷积神经网络（FCN）和K均值（K-means）聚类分割的焊球气泡分割方法。首先根据所制作的BGA标签数据集搭建FCN,通过训练该网络得到合适的网络模型,再对待测BGA图像进行预测处理得到图像的粗分割结果;然后对焊球区域映射提取,通过同态滤波法提高气泡区域辨识度,再使用K-means聚类分割对图像进行细分割处理,得到最终分割结果图;最后对原图焊球及气泡区域进行标注识别。将所提出的算法与传统BGA气泡分割算法进行对比,实验结果表明,所提出的算法对复杂BGA焊球的边缘气泡分割精确,图像分割结果与其真实轮廓高度匹配,准确度更高。