基于Mask R-CNN的肝脏CT影像自动分割算法研究

精准医疗正日益成为诊断、分析、治疗和评估不可或缺的一部分,尤其是对于肝部病变的患者,精确的分析肝部影像,可以使肝病患者得到精确的诊断,并缩短治疗时间.本文提出了一种基于Mask R-CNN算法的CT图像肝脏区域自动分割方法,对肝脏区域检测起到了重要的自动识别作用;对于肝脏海量图像样本计算,本文算法框架采用PyTorch...     

基于协同热扩散模型的协同图像分割算法

针对传统的图像分割算法由于缺乏先验知识得不到 理想的分割结果,或需要大量的人工交互问题,本文提出 了一种基于协同热扩散模型的协同图像分割算法。算法通过建立图像集合中的扩散模型, 利用传导边将图像连接成一 个统一的扩散网络,从而将图像集合的协同分割问题转化为3D 扩散模型最大增益的求解问 题,最终根据子模优化理论 对其进行求解。在协同分割数据集上的大量对比实验,验证了本文协同分割算法的优异性能 。     

基于注意力U-Net网络的彩色眼底图像视网膜血管分割

彩色眼底图像的视网膜血管分析可以帮助医生诊断许多眼科和全身性疾病,具有十分重要的临床意义。为进一步提高视网膜血管的分割效果,文章提出一个基于注意力U-Net网络的视网膜血管分割方法,该方法使用U-Net结合通道注意力机制以提高分割准确率,在公开数据集DRIVE的灵敏度、特异性和准确率分别为0.772 6,0.984 7和0.966 0,优于现有的许多方法。     

基于空洞U-Net网络的乳腺细胞图像分割算法

乳腺细胞的准确分割是乳腺组织切片图像病理分析的关键环节,对乳腺癌的诊治具有重要价值.针对乳腺细胞图像分割中细胞边界不清晰、分割准确率低的问题,提出一种基于空洞U-Net网络的乳腺细胞图像分割算法.在U-Net网络中引入空洞卷积增大卷积层感受野,获得包含更多乳腺细胞边缘信息的特征图,在卷积层和池化层间增加实例归一化层,提...     

基于U-Net和胶囊网络的合成孔径雷达图像语义分割

图像语义分割作为一种像素级分类技术,已应用于合成孔径雷达(SAR)图像的解译领域中.U-Net是一种端到端的图像语义分割网络,具有典型的编码-解码结构.其中,编码部分主要由卷积层和池化层组成,可以有效提取图像中的目标特征,但难以获取目标的位置和方向等信息.胶囊网络是一种能够获取目标姿态(位置、大小、方向)等信息的神经网络,因此,提出了一种基于U-Net和胶囊网络的SAR图像语义分割方法.此外,考虑到SAR图像数据集较小的特点,将U-Net的编码部分设计成视觉几何组(VGG16)结构,将预训练的VGG16模型直接迁移至编码部分.为了验证本方法的有效性,在两个极化SAR图像数据集上开展了建筑物目标的分割实验.结果 表明,相比U-Net,本方法的精确率、召回率、F1分数和交并比更高,且能减少网络模型的训练时间.     

基于改进的3D U-Net骨盆CT影像多类分割

骨盆CT影像精确分割是骨盆骨疾病的临床诊断和手术规划中非常重要的环节。针对目前2D骨盆分割方法对三维医学影像进行切片处理时损失空间信息的问题,提出了改进3D U-Net网络实现对骨盆CT影像3D自动分割。实验数据为公开数据集CTPelvic1K共1 184名患者骨盆CT影像,其中包含骶骨、左髋骨、右髋骨和腰椎四个部位标签。以3D U-Net骨干网络为基础,结合自注意力机制提出3D多类分割模型3D Trans U-Net,并使用迁移学习训练3D U-Net、V-Net、Attention U-Net作为对照实验。实验结果表明：3D Trans U-Net在测试集上整个骨盆区域、骶骨、左髋骨、右髋骨、腰椎Dice系数分别达到97.99%,96.70%,97.96%,97.95%,96.89%;Dice系数、豪斯多夫距离等评价指标均优于现有经典网络3D U-Net、V-Net、Attention U-Net。因此,改进的3D Trans U-Net对骨盆不同部位具有较好的分割效果,为精准医治骨盆骨疾病提供了一条有效的技术途径。     

一种基于TransUnet的臂丛神经超声图像分割网络

在医疗图像分割领域中，以臂丛神经(Brachial Plexus, BP)超声图像为例的部分超声图像中存在对比度低、边缘模糊和噪声多等问题，使得对目标区域的准确分割十分困难。为此，基于TransUnet网络框架将Transformer模块引入U-Net网络编码端，利用其自注意力机制更好地捕捉图像中的全局特征，提高模型的特征提取能力；同时将空洞卷积应用到网络的跳跃连接来增大感受野，降低特征图中的噪声影响，为解码端提供更显著的特征。实验表明，与传统的U-Net、SegNet以及基于Transformer的MedT(Medical Transformer)相比，设计的网络模型具有更高的Dice系数和IoU值，Dice系数较前三者最高提升了13.2%。     

基于多尺度一致性与注意力机制的视网膜血管分割网络

针对现有的视网膜血管分割方法存在对微血管和毛细血管的分割能力不足,导致血管断连和末端血管漏分,造成视网膜血管分割性能不佳的问题,本文提出一种基于多尺度一致性与注意力机制的视网膜血管分割网络(multi-scale consistency and attention mechanism U-Net, MCAU-Net)。首先,该网络在瓶颈特征层嵌入注意力细化模块(attention refinement module, ARM),能有效细化瓶颈层冗余的特征,抑制背景等无关像素的权值。其次,将上下文特征融合模块(context fusion module, CFM)与传统的跳跃连接相结合,以此补充在特征提取过程中逐渐丢失的信息,加强网络对微血管和毛细血管的构建能力。最后,基于网络的多尺度输出设计了一种多尺度一致性的训练方式,以增强网络对不同尺度特征的敏感性。在DRIVE和CHASE＿DB1公开数据集上进行的对比实验表明本文网络具有良好的分割性能。     

有人机/无人机协同概念及相关技术

针对有人机/无人机协同作战概念和若干技术问题展开研究。首先从协同对象、协同层次、协同阶段、任务类型等四个方面分析了有人机/无人机协同概念,然后对协同控制系统研制涉及的通用开放式架构、机间智能通信网络、有人机/无人机协同控制、多传感器协同信息处理等技术进行了探讨,最后提出了发展建议,期望为后续研究提供一定的参考。     

传感器网络环境下人机协同系统研究

针对人与服务机器人协同远程健康监控系统,分析了系统总体结构设计、传感器网络、微型无线生物信号处理模块等关键设备的设计与实现等方面典型问题.实验室应用证明,所设计硬件、软件及算法的有效性.     

基于改进U-Net网络的甲状腺结节超声图像分割方法

针对甲状腺结节尺寸多变、超声图像中甲状腺结节边缘模糊导致难以分割的问题,该文提出一种基于改进U-net网络的甲状腺结节超声图像分割方法。该方法首先将图片经过有残差结构和多尺度卷积结构的编码器路径进行降尺度特征提取;然后,利用带有注意力模块的跳跃长连接部分对特征张量进行边缘轮廓保持操作;最后,使用带有残差结构和多尺度卷积结构的解码器路径得到分割结果。实验结果表明,该文所提方法的平均分割Dice值达到0.7822,较传统U-Net方法具有更优的分割性能。     

基于改进U-Net的视网膜血管分割

针对传统算法在眼底视网膜血管分割过程中存在特征提取困难、细节区域分割不精确的问题,本文在U-Net网络的基础上进行改进,提出了一种能更好进行血管分割的算法CSD-UNet。首先,在编码和解码阶段使用了卷积注意力模块,通过引入注意力机制对血管的细微结构进行通道和空间增强;其次,采用了SoftPool的池化方法,保证在下采样阶段保留更多原始信息,增加感受野;最后,选择密集上采样卷积作为本算法的上采样方法,产生像素级预测且捕获更多细节信息。在公开数据集DRIVE、CHASE＿DB1上验证该算法,结果表明,该算法较现有的先进算法在分割效果上有一定的提升。     

一种改进级联U-Net网络的结肠息肉分割算法

结肠镜图像中息肉的精确分割是诊断结肠癌的关键环节,针对目前结肠息肉分割算法存在孔洞、分割粗糙以及分割不完全的问题,提出了一种改进级联U-Net结构的结肠息肉分割算法。运用特征融合思想,设计了多尺度语义嵌入模块和残差模块,充分利用深、浅层特征的语义信息。引入注意力机制,在模型的级联处构建了改进空洞卷积模块,扩大卷积感受野并增强特征捕获能力。改进了卷积层模块和分割损失函数,提升模型的泛化性和鲁棒性。在Kvasir-SEG数据集上进行实验分析,相似系数、平均交并比、召回率和准确率分别达到了90.39%、88.34%、83.62%和95.12%。实验结果表明,该文所提算法改善了分割图像内部孔洞、边缘粗糙及分割不完全的问题,优于其他息肉分割算法。     

基于U-Net网络改进算法的视网膜血管分割研究北大核心CSCD

针对视网膜图像血管细小,细节特征丢失、梯度下降、爆炸而导致分割效果差的问题,本文提出了一种引入残差块、循环卷积模块和空间通道挤压激励模块的U-Net视网膜血管图像分割模型。首先通过使用一系列随机增强来扩展训练集并对数据集进行预处理,然后在U-Net模型中引入残差块,避免随着网络深度增加,分割准确率达到饱和然后迅速退化以及优化计算成本;并将U-Net网络的底部替换为循环卷积模块,提取图像低层次的特征,并不断的进行特征积累,增强上下文之间的语义信息,获得更有效的分割模型;最后在卷积层之间嵌入空间通道挤压激励模块,通过找到特征较好的通道,强调这一通道,压缩不相关的通道使得网络模型能够加强关键语义特征信息的学习,通过训练过程学习到有效的特征信息,同时增强抗干扰能力。通过在DRIVE数据集上的验证结果可得,本文所提模型的准确率为98.42%,灵敏度达到了82.36%,特异值达到了98.86%。通过和其他网络分割方法比较,本文所提分割方法具有更优的分割效果。     

基于深度学习的CTA影像冠状动脉分割

冠心病作为高发病率的重大冠状动脉疾病,让影像科医生承担了繁重的工作强度.利用人工智能识别冠状动脉中的斑块,实现对冠心病血管狭窄程度的判断,可以减轻CT影像医生的工作强度.应用增加了注意力机制的U-Net网络对冠状动脉进行识别分割,可以大大减少大夫的诊断时间.应用增加了注意力机制的U-Net网络进行训练,最终使损失函数、...     

基于阶梯结构的U-Net结肠息肉分割算法

结肠息肉的精确分割对结直肠癌的诊断和治疗具有重要意义,目前的分割方法普遍存在有伪影、分割精度低等问题。该文提出一种基于阶梯结构的U-Net结肠息肉分割算法(SU-Net),使用U-Net的U型结构,利用Kronecker乘积来扩展标准空洞卷积核,构成Kronecker空洞卷积下采样有效扩大感受野,弥补传统空洞卷积容易丢失的细节特征;应用具有阶梯结构的融合模块,遵循扩展和堆叠原则形成阶梯状的分层结构,有效捕获上下文信息并从多个尺度聚合特征;在解码器引入卷积重构上采样模块生成密集的像素级预测图,捕获双线性插值上采样中缺少的精细信息。在Kvasir-SEG数据集和CVC-EndoSceneStill数据集上对模型进行了测试,相似系数(Dice)指标和交并比(IoU)指标分别达到了87.51%, 88.75%和82.30%, 85.64%。实验结果表明,该文所提方法改善了因过度曝光、低对比度引起的分割精度低的问题,同时消除了边界外部的图像伪影和图像内部不连贯的现象,优于其他息肉分割方法。