基于全U网络的混凝土路面裂缝检测算法

针对现有的混凝土裂缝检测算法在各种复杂环境中检测精度不够、鲁棒性不强的问题,根据深度学习理论和U-net模型,提出一种全U型网络的裂缝检测算法。首先,依照原U-net模型路线构建网络;然后,在每个池化层后都进行一次上采样,恢复其在池化层之前的特征图规格,并将其与池化之前的卷积层进行融合,将融合之后的特征图作为新的融合层与原U-net网络上采样之后的网络层进行融合;最后,为了验证算法的有效性,在测试集中进行实验。结果表明,所提算法的平均精确率可达到83.48%,召回率为85.08%,F1为84.11%,相较于原U-net分别提升了1.48%,4.68%和3.29%,在复杂环境中也能提取完整裂缝,保证了裂缝检测的鲁棒性。     

基于改进U-net和CNN的绝缘子自爆检测方法研究

针对绝缘子自爆故障人工检测效率低,成本高的问题,基于改进U-net和卷积神经网络（CNN）模型,提出一种可有效识别绝缘子自爆故障的双阶段目标检测算法。首先,在语义分割阶段使用改进U-net模型,通过翻倍提高图像分辨率的方法有效提高图像分割精度。其次,在图像分类阶段提出更适合所提问题且有效提高分类准确度的新型CNN模型。最后,使用无人机拍摄的绝缘子图片为实验数据进行实验。实验结果表明所提算法识别精度较高。     

基于WorldView-2影像和语义分割模型的小麦分类提取

为使用高分辨率遥感影像和深度学习语义分割模型实现快速准确的小麦种植空间信息提取,以WorldView-2遥感影像为数据源,制作尺度分别为128×128、256×256、512×512的样本数据集,对U-net和DeepLab3+语义分割模型的参数进行训练,建立小麦遥感分类模型;通过与极大似然和随机森林方法比较,检验深度学习分类效果。结果显示：①不同尺度样本训练得到的模型总体精度、Kappa系数分别在94%和0.82以上,模型精度稳定,样本尺度大小对小麦分类提取模型影响较小;②深度学习方法的小麦分类总精度和Kappa系数分别在94%和0.89以上,极大似然和随机森林则在92%和0.85以下,表明该研究建立的小麦遥感分类模型优于传统分类方法。研究结果可为高分辨率遥感影像作物种植信息的深度学习方法提取提供参考。     

基于U-net的海马体分割算法应用

为促进阿尔兹海默症的诊断及治疗,实现对海马体的精确分割,针对海马体MRI图像,提出一种基于U-net模型改进的分割算法。使用CLAHE等对原始图像进行预处理,经处理后的图像有效提高了分割效果;将残差模块加入实现分割算法的卷积网络,增强网络性能,避免网络性能退化。对原始数据集进行扩充,将扩充后的样本数据用以训练网络,解决数据量的问题。实验结果表明,该算法在脑部MRI图像中对海马体实现了良好的分割效果,能较好辅助医生诊断。     

利用多模态U形网络的CT图像前列腺分割

计算机断层扫描（computed tomography,CT）可应用于前列腺癌的检查诊断,但是它对软组织结构对比度不高,因此很难从中分割病变;而核磁共振成像（nuclear magnetic resonance imaging,MRI）具有较高的对比度,能为病变提供丰富的影像信息。为了提升CT图像的前列腺分割精度,本文提出一种新的基于深度学习的多模态U形网络图像分割模型MM-unet,充分运用MRI图像与CT图像间信息互补的特点。具体地,首先运用迁移学习思想分别训练MRI与CT图像的初始分割模型,然后通过设计一种新型的多模态损失函数MM-Loss,建立不同模态分割模型之间的联系,联合训练基于MRI与CT图像的MM-unet。为验证所提模型MM-unet的有效性,我们在某合作医院提供的Prostate数据集上进行了实验,实验结果表明,与U-net方法相比,MM-unet能够获得高出3个百分点Dice的CT图像分割精度。     

基于增强预处理的改进U-Net眼底视网膜血管分割研究

视网膜血管分割是眼底图像研究的基础,也是医学分析和诊断中一项重要而具有挑战性的任务。一方面,眼底图像在采集过程中光照不足或者曝光过度,往往导致视网膜血管的边界不清晰。另一方面,位于血管分支末端的微小血管,有时肉眼也无法分辨。针对这些问题,首先使用加权平均值法对眼底图像进行灰度化预处理,替代传统的提取绿色通道方式,使其保留更多有用信息;其次,通过自适应直方图均衡化对眼底图像进行增强处理,突出血管目标,并对眼底图像数据集进行翻转、旋转和平移等实现数据增广;再次,将处理后的图像输入到训练好的改进U-Net模型中进行分割;最后,对分割结果进行增强处理,提高对比度,提高图片可读性。实验结果表明:本方法在DRIVE数据集上平均Dice系数、准确性、灵敏度和特异性分别达到0.824 7、98.72%、85.38%和98.54%。     

基于U-net的水位线检测

提出一种基于U-net水位线自动分割的新方法,并通过多种场景进行验证。首先标记出原始图像中的水和背景并对其灰度化;然后利用处理后的图像和原始图像制作出数据集,把数据集作为输入利用U-net对图像进行分割;最后将所有分割出来的图像进行边缘提取得到水位线。实验结果表明:U-net水位自动分割可以精确地标记出水位线,同时解决了在水位测量过程中图像背景所带来的影响,分割效果明显优于其它分割方法,识别率达到96%以上。     

基于深度学习的OCT图像视网膜积液自动分割

糖尿病性黄斑水肿(DME)是视网膜破损导致液体积聚的一种眼底疾病,是老年人视力丧失的主要原因之一。利用眼底光学相干断层扫描(OCT)图像检测黄斑区积液在选择DME治疗方案和评估治疗效果方面发挥着重要的作用。为此,提出了一种改进的U-net网络Res-SE Unet实现在OCT图像上自动分割视网膜内积液(IRF)和视网膜下积液(SRF)。该网络使用Res-SE Block替代标准卷积层,增强网络对有效特征的提取。利用Kermany数据集训练和评估Res-SE Unet模型,通过Dice系数和IoU评价模型分割效果。IRF的平均Dice系数和平均IoU分别为0.84和0.72,SRF的平均Dice系数和平均IoU分别为0.86和0.74,结果表明Res-SE Unet网络可以有效分割IRF和SRF。     

BDCN和U-net边缘生成两阶段修复算法

为了对图像中大面积不规则缺失区域进行合理的结构修复和精细的纹理重构,提出了一种基于双向级联边缘检测网络（BDCN）和U-net残缺边缘生成的两阶段网络图像修复算法.第一阶段首先基于BDCN网络提取边缘,然后基于U-net架构的边缘生成网络用下采样对缺失图像边缘提取特征,再结合上采样的输入信息和下采样各层信息还原图像边缘纹理细节;第二阶段使用空洞卷积进行下采样和上采样,经过残差网络重建细节丰富的缺失图像.在公开数据集上将所提算法与现有经典算法进行对比,实验结果表明,所提算法能得到合理的结构和精细的纹理细节,优于对比算法.     

基于多模态融合的2D MR脑肿瘤图像分割算法研究

针对不同模态MR脑肿瘤图像呈现的肿瘤状态差异以及卷积神经网络(convolutional neural networks, CNNs)提取特征局限性的问题,提出了一种基于多模态融合的MR脑肿瘤图像分割方法。分割模型以U-net网络为原型,创新一种多模态图像融合方式以加强特征提取能力,同时引入通道交叉注意力机制(channel cross transformer, CCT)代替U-net中的跳跃连接结构,进一步弥补深浅层次的特征差距与空间依赖性,有效融合多尺度特征,加强对肿瘤的分割能力。实验在BraTS数据集上进行了多目标分割结果验证,通过定量分析对比前沿网络分割结果,表明该方法确有良好的分割性能,其分割出三种肿瘤区域的Dice系数分别达到80%、74%、71%。