基于深度学习的医学图像特征提取方法研究

早期筛查病因和诊断病情已被证明可以显著提升癌症患者的存活率,因此准确解读医学图像成为早期癌症筛查的关键。基于内容的医学图像检索系统(Content-based Medical Image Retrieval, CBMIR)能够对输入医学图像进行特征提取得到对应图像的特征表示,最后通过相似性度量的方法找出相似病例的诊断资料反馈给医生,可以大大减少误诊率。文章主要介绍了基于深度学习医学图像特征提取方法,并对医学图像特征提取方向做了总结与展望。     

一种基于反转融合框架的图像曝光校正方法

针对单幅图像中存在非正常曝光的问题,在去雾模型能够有效解决图像曝光校正问题的理论指导下,对去雾模型中的透射率进行改进,提出了一种基于反转融合框架的图像曝光校正方法。首先,对过度曝光的局部高亮光源进行雾度建模,采用改进去雾模型完成过度曝光校正任务;针对曝光不足校正问题,通过反转操作得到伪雾图像。然后联合去雾模型及视网膜大脑皮层（Retinex）理论和去雾方法间的对偶性得到曝光不足区域校正的结果图像。最后,借助多尺度图像融合技术生成新的金字塔权重图,利用拉普拉斯金字塔重建图像得到最终的校正结果。将所提方法与四种主流图像校正方法进行对比,结果表明,该方法能够有效解决单幅图像中的非正常曝光问题,并且最大限度减少图像失真、光晕伪影等因素的干扰。     

动态场景下深度自监督多曝光图像融合方法

近年来,面向动态场景的多曝光图像融合技术取得重大进展.其中,基于深度学习的方法在视觉效果和运算效率上都远超传统算法,成为高动态范围成像技术的主流.然而,现有基于深度学习的融合方法都以有监督学习的方式实现,过度依赖真值图像,难以被广泛应用于实际场景中.本文提出了一个基于深度自监督学习的动态多曝光图像融合网络,主要贡献包括：设计自监督的动态多曝光融合网络框架,探索高动态范围图像与低动态范围图像序列的内在关联;提出基于注意力机制的全局去伪影模块,使用全局文本模块减少动态融合产生的运动伪影,增强图像细节;提出融合重建模块,通过残差和稠密连接实现多层次特征之间的信息流动;设计运动掩膜引导的自监督损失函数,用于网络的高效训练.实验表明,与现有方法相比,本文提出的方法在高动态范围图像重建的主观和客观质量上均表现较好,运算效率显著提升.     

深度学习偏振图像融合研究现状

偏振图像融合旨在通过光谱信息和偏振信息的结合改善图像整体质量,在图像增强、空间遥感、目标识别和军事国防等领域具有广泛应用。本文在回顾基于多尺度变换、稀疏表示和伪彩色等传统融合方法基础上,重点介绍基于深度学习的偏振图像融合方法研究现状。首先阐述基于卷积神经网络和生成对抗网络的偏振图像融合研究进展,然后给出在目标检测、语义分割、图像去雾和三维重建领域的相关应用,同时整理公开的高质量偏振图像数据集,最后对未来研究进行展望。     

一种基于可信度估计单元的图像分类噪声抑制深度学习策略

近年来，深度学习越来越关注噪声抑制的研究.本文提出了一种噪声抑制深度学习策略，该策略通过构建噪声无感网络（Noise Unaware Network，NUN）和可信度估计单元（Reliability Estimation Gate，REG）来处理训练数据含有噪声的情况.通过对每个样本的可信度进行评估，调节其在训练时的权重，从而降低标签噪声对网络训练的影响.随着模型的迭代更新，标签可信数据的权重将会逐渐变大，而噪声数据的权重将会被抑制.本文通过在多个标注数据集上的实验验证了所提出的噪声抑制深度学习策略的有效性.     

基于双注意力机制的医学超声图像降噪模型

医学超声图像中会不可避免地产生斑点噪声。为有效去除医学超声图像中的噪声,本研究团队提出了一种基于双注意力机制的医学超声图像降噪模型。首先,针对医学超声图像数量有限的问题,对伯克利分割数据集中的400张图像进行旋转和缩放,获得23700张自然图像,再通过斑点噪声模型对其添加斑点噪声来模拟超声图像;接着,在构建降噪模型过程中,针对传统卷积神经网络在特征提取时存在的一些不足,分别引入位置注意力机制、通道注意力机制和全卷积网络对现有模型进行改进,构建更优的超声图像降噪模型;最后,在模型训练过程中,为防止梯度消失引入了批量归一化操作。实验结果表明：从视觉观察效果和客观评价指标来看,所提模型对11张模拟超声图像和2张真实超声图像（物理体膜超声图像和肝脏超声图像）的去噪效果均优于对比模型。所提模型是一种有效的医学超声图像降噪模型,不仅有效降低了斑点噪声,还较好地保留了图像的细节信息。     

基于深度学习的医学图像分割方法研究进展

医学图像处理技术随着深度学习的兴起而飞速发展。基于深度学习的医学图像分割技术成为了分割领域的主流方法，弥补了传统分割方法分割精度不足的缺点，已被应用到一些病理图像的分割任务中。文中对近年来出现的基于深度学习的分割方法进行了介绍和对比，重点综述了U-Net及其改进模型在分割领域的贡献，归纳了常见的医学图像模态、分割算法的评价指标和常用分割数据集，并对医学图像分割技术的未来发展进行了展望。     

一种基于深度学习的多源异构数据融合方法

在大数据背景下,结合深度学习,讨论了多源异构影像数据融合问题,在数据融合的基本架构基础上,构思了一种泛化性强的多源异构影像数据融合的深度学习模型,将深度学习技术运用到多源异构数据信息提取与挖掘。     

基于深度学习的医学图像超分辨率重建分析

针对现阶段高分辨率的医学图像受到硬件设施以及成像技术的限制,提出基于深度学习的医学图像超分辨率重建方式,发挥医学成像在我国医学的疾病诊断方面具有重要的作用。首先,阐述基于深度学习进行医学图像超分辨率重建的必要性;其次,对深度学习下的图像超分辨率重建措施进行了详细说明,通过卷积神经网络、SRCNN、ESPCN、SRGAN等方式的应用,完善图像超分辨率的重建方法;再次,对深度学习医学图像超分辨率重建的提升空间进行了分析,并提出了三项具体的提升措施;最后,将医学图像超分辨率的优化措施做了说明。     

基于残差编解码器的通道自适应超声图像去噪方法

超声图像去噪对提高超声图像的视觉质量和完成其他相关的计算机视觉任务都至关重要。超声图像中的特征信息与斑点噪声信号较为相似,用已有的去噪方法对超声图像去噪,容易造成超声图像纹理特征丢失,这会对临床诊断的准确性产生严重的干扰。因此,在去除斑点噪声的过程中,需尽量保留图像的边缘纹理信息才能更好地完成超声图像去噪任务。该文提出一种基于残差编解码器的通道自适应去噪模型(RED-SENet),能有效去除超声图像中的斑点噪声。在去噪模型的解码器部分引入注意力反卷积残差块,使本模型可以学习并利用全局信息,从而选择性地强调关键通道的内容特征,抑制无用特征,能提高模型去噪的性能。在2个私有数据集和2个公开数据集上对该模型进行定性评估和定量分析,与一些先进的方法相比,该模型的去噪性能有显著提升,并在噪声抑制以及结构保持方面具有良好的效果。     

基于自适应窗口的SAR图像相干斑抑制

研究了一种新颖的斑点噪声抑制自适应窗口算法，解决了局域统计自适应滤波器的窗口大小问题。在这种算法中，窗口大小根据区域特征自动调整，在保持细节的同时尽最大可能地抑制斑点噪声。在均匀区域，随着窗口大小的增大，斑点噪声抑制变得更强；在细节区域，不断减小窗口大小，从而保持了边缘和纹理。通过应用于实测SAR图像，该自适应算法与固定窗口滤波方案相比有良好的性能。     

基于病理图像集成深度学习的胃癌预后预测方法

病理图像分析对胃癌的诊断和预后具有重要意义,但在临床应用上仍然面临着目视阅片一致性低、多分辨率图像差异大等挑战。为此,该文提出一种基于病理图像集成深度学习的胃癌预后预测方法。首先,对患者不同分辨率下的病理图像进行切分、筛选等预处理;然后,采用ResNet, MobileNetV3, EfficientNetV2深度学习方法分别对不同分辨率下的切片(Tile)进行深度特征提取和融合,以此获得患者层面(Patient-level)的单分辨率子分类器预测结果;最终,采用双重集成策略对不同分辨率下异质子分类器预测结果进行融合以获得患者层面的预后预测结果。实验中收集了250例胃癌患者的组织病理图像,并以远处转移预测为例进行验证,实验结果表明,所提方法在测试集上的预测准确率为89.10%,敏感度为89.57%,特异度为88.61%,马修斯相关系数为78.19%,相比于单模型预测结果获得了显著提升,可为胃癌患者的治疗和预后提供重要参考。     

基于深度引导与自学习的高动态成像算法

多曝光图像融合是将同一场景不同曝光度的图像进行融合,是当前高动态场景成像的主流方法。为了获得更自然的融合效果,该文提出基于深度引导与自学习的多曝光图像融合网络(MEF-Net)。该网络是以端到端的方式融合任意数量的不同曝光度图像,无监督地输出最优的融合结果。在损失函数方面,通过引入强度保真约束项和加权的多曝光图像融合结构相似度(MEF-SSIM),提升融合效果。此外,针对两幅极度曝光情况下的图像融合,该文采用自学习的方式,基于预训练的模型进行参数微调与优化,减弱光晕现象。基于大量测试数据,实验结果表明,该文所提算法在定量指标和视觉融合效果方面均优于现有主流算法。     

基于量子衍生参数估计的医学超声图像去斑算法

 本文提出了一种基于量子衍生参数估计的医学超声图像去斑方法.通过对对数变换的超声图像小波系数建模,提出了一种带自适应参数的概率分布函数.该方法充分考虑了小波系数的尺度间相关性,利用父-子代小波系数的归一化乘积,首次在高频子带中引入量子衍生信号与噪声出现概率.并利用贝叶斯估计理论,提出了一种基于量子衍生参数估计的自适应收缩函数.实验结果表明本方法较相关算法具有更好图像细节保持能力,去斑效果显著.     

基于局部熵的量子衍生医学超声图像去斑

针对现有医学超声图像去斑方法的不足,该文提出一种基于局部熵的量子衍生医学超声图像去斑新方法。首先,将对数变换后的图像进行双树复小波变换(DTCWT),并对信号与噪声分别建模;然后,提取复小波中子代与父代小波系数的实部,计算其局部熵并进行归一化乘积,结合量子衍生理论得到用来调整信号与噪声出现概率的可调参数;最后,利用改进的双变量收缩函数获得去斑后的图像。通过实验,结果表明该方法与已有方法相比能够更有效地滤除医学超声图像中的斑点噪声并保留细节信息。     

一种基于深度度量学习的视频分类方法

针对视频分类中普遍面临的类内离散度和类间相似性较大而制约分类性能的问题,该文提出一种基于深度度量学习的视频分类方法。该方法设计了一种深度网络,网络包含特征学习、基于深度度量学习的相似性度量,以及分类3个部分。其中相似性度量的工作原理为：首先,计算特征间的欧式距离作为样本之间的语义距离;其次,设计一个间隔分配函数,根据语义距离动态分配语义间隔;最后,根据样本语义间隔计算误差并反向传播,使网络能够学习到样本间语义距离的差异,自动聚焦于难分样本,以充分学习难分样本的特征。该网络在训练过程中采用多任务学习的方法,同时学习相似性度量和分类任务,以达到整体最优。在UCF101和HMDB51上的实验结果表明,与已有方法相比,提出的方法能有效提高视频分类精度。     

基于深度学习的医疗图像分割综述

自2006年深度学习这一概念提出以来,各研究领域对于深度学习技术的研究热度一直高居不下.深度学习的出现,对计算机视觉领域的发展起到了重要推动作用.计算机视觉的主要研究任务是对图像、视频等进行目标的检测、识别以及分割等,目前已经广泛应用于医疗、金融和工业领域中.其中最常见的应用场景是医学图像处理.图像分割是医学图像处理任...     

可见光与红外图像自适应加权平均融合方法

针对传统可见光图像与红外图像融合存在显著性信息保留不完整的问题,本文提出了一种新的自适应加权平均融合算法.首先,该方法通过非下采样轮廓波变换将源图像分解为不同尺度、不同方向的高低频分量.然后,针对低频分量的特点提出了一种基于显著性的自适应加权平均融合规则,用于保留源图像中的重要信息.对于高频分量,本文采用绝对值取大的融合策略.最后,根据融合后的高低频分量重构出最终的融合图像.实验结果表明,本文算法与传统融合算法相比,在主观视觉和客观指标上都具有优势.     

基于深度学习的水下图像目标检测综述

水下图像目标检测是水下智能化探测的核心技术之一,广泛应用于工业及军事领域。深度学习相关技术的突破为水下图像目标检测的发展带来了新的机遇,但是目前该领域的综述较为陈旧,并且缺乏一定的系统性和全面性。该文对基于深度学习的水下可见光图像和声呐图像目标检测研究工作进行了详细总结与分析。首先,对基于深度学习的通用目标检测算法框架进行了梳理,包含骨干网络、颈部模块、检测头部、训练算法、推理策略、数据集6项要素,并系统性地总结了每个要素存在的问题及最新研究工作;然后,调研了水下可见光图像目标检测最新进展,分别从数据集发展、模型设计、训练算法进行总结;同时,归纳并分析了水下声呐图像目标检测相关工作,包含前视、侧扫、合成孔径3种声呐。最后,结合深度学习最新研究探讨了该领域的研究趋势。