基于卷积和可变形注意力的脑胶质瘤图像分割

对于脑胶质瘤图像分割这类密集预测的医学影像分割任务,局部和全局依赖关系都是不可或缺的,针对卷积神经网络缺乏建立全局依赖关系的能力,且自注意力机制在局部细节上捕捉能力不足等问题,提出了基于卷积和可变形注意力的脑胶质瘤图像分割方法。设计了卷积和可变形注意力Transformer的串行组合模块,其中卷积用于提取局部特征,紧随其后的可变形注意力Transformer用于捕捉全局依赖关系,建立不同分辨率下局部和全局依赖关系。作为一种CNN-Transformer混合架构,所提方法不需要任何预训练即可实现精准的脑胶质瘤图像分割。实验结果表明：所提方法在BraTS2020脑胶质图像分割数据集上平均Dice系数和平均95%豪斯多夫距离分别为83.56%和11.30 mm,达到了与其他脑胶质瘤图像分割方法相当的分割精度,同时降低了至少50%的计算开销,有效提升了脑胶质瘤图像分割的效率。     

基于多级残差多尺度的医学图像分割网络

针对目前多数U型网络存在编码阶段卷积核尺度单一难以提取变化较大特征以及深层网络难以训练优化的情况,提出一种新的基于多级残差和多尺度的神经网络,利用多级残差使神经网络更易学习,提高网络的深度,使它在模型不退化的情况下拥有更丰富的特征表达能力,提出了了多尺度交叉融合模块,通过不同的感受尺度去提取特征,交叉融合也使得特征信息更加充分的交流和融合。网络在CHASE＿DB1数据集上进行测试,并进行数据对比,性能表现优良,特别是ACC达到了0.9744,SP达到了0.9876。提出的网络在增加深度的同时并不影响它的学习过程和表现效果。     

基于Transformer和MLP的眼底血管分割算法

为了解决眼底血管分割中存在的分割效果不佳、数据过拟合和正负样本不均衡等问题,提出了一种转换器(Transformer)和多层感知机(MLP)结合的眼底血管分割算法。首先,为预防数据过拟合问题,训练图像在输入模型前会执行多种数据增强操作;其次,设计一个融合了卷积模块的Transformer组成多尺度编码器对图像进行特征提取,以此获得鲁棒的多级特征信息;最后,使用MLP结构的解码器对特征图完成像素级的分类。为解决正负样本不均衡的问题,引入了Tversky损失和二进制交叉熵损失的组合损失函数。所提算法在多个数据集上都取得了良好的实验结果,优于现有的其他网络模型算法。     

基于多尺度特征融合注意力CNN的遥感图像语义分割方法

针对遥感图像目标尺度变化较大、分割不够准确的问题,提出了一种融合多尺度特征注意力卷积神经网络(CNN)的图像分割方法。该方法基于卷积块注意力模块提出了改进的有效注意力模块(ECBAM)。在通道注意力模块中加入空洞卷积以降低池化操作造成的特征损失,并在通道注意力模块后添加卷积层对通道注意力特征映射进行特征融合。然后,基于ECBAM设计了一种编码解码架构的卷积神经网络模型ECBAM-CNN,其中编码器主要由卷积层、ECBAM和空洞空间金字塔池化模块组成,解码器主要由卷积层和ECBAM组成,并且采用跳跃连接将编码阶段的多尺度信息融合到解码器。实验表明,提出的方法无需预训练和后处理,与SegNet等前沿方法相比取得了更好或相近的分割准确度,在DLRSD和WHDLD测试集上的mIoU分别为67.3%和62.0%。     

基于C-V模型的医学图像血管钙化分割算法

为了准确分割出医学图像中血管的钙化点,设计并实现了一种基于C-V模型的水平集图像分割方法。首先进行去噪和对比度增强预处理,接下来分割出图像中感兴趣的血管和钙化点区域,然后利用C-V模型水平集分割方法分割血管壁上的钙化点目标,最后采用形态学方法消除分割结果中孤立的噪声和孔洞。针对大量的临床血管钙化图像进行了算法的测试,实验结果表明:能有效分割出血管中的钙化灶,准确检测出血管中钙化的位置、大小、形态等。将C-V模型分割方法与OTSU阈值分割、登山法分割方法进行比较,结果表明C-V模型分割方法对于钙化点的分割更准确,边缘更平滑,更清晰,方便对钙化点进行进一步的测量和诊断。     

基于RAPNet的脑肿瘤MRI图像三维分割

传统深度卷积神经网络方法在全自动脑肿瘤磁共振成像(MRI)图像分割中存在多尺度病变处理能力较弱的问题。对此，使用改进的三维递归残差卷积单元构建特征学习的主干网络，提高了特征学习的空间相关性并缓解因网络模型过于复杂造成的网络退化和梯度弥散。同时，采用具有不同膨胀率的三维空洞卷积和跨模型注意力机制构建分层特征金字塔，结合上下文特征，提高了整体模型对不同大小肿瘤的识别能力。结合多层特征图对肿瘤图像进行辅助预测，获得了最终图像的分割结果。在BraTS 2019数据集上进行实验的结果表明，用残差-空洞金字塔网络(RAPNet)的方法在分割浮肿区域、坏疽区域、增强肿瘤区域的平均Dice相似性系数分别为0.897,0.852和0.823。与现有高效脑肿瘤图像分割方法相比，新方法在学习病变的多尺度特征方面具有更好的效果。     

基于神经网络与遗传算法的纹理图像分割

运用两维自动回归模型、分形维数、均值和方差从每一小区域的数据中抽取纹理特征，把纹理特征作为自组织特征映射神经网络的输入层进行训练确定最优的纹理区域分割数，最后运用遗传算法优化图像分割。实验结果证明神经网络和遗传算法相结合能有效地分割纹理图像。     

多尺度注意力交互式图像去噪网络

图像去噪中,针对去噪网络提取图像细节信息不全面和特征利用率低的问题,提出一种基于深度学习的多尺度注意力交互式图像去噪网络（MAINet）。首先,对于浅层像素级特征采用多尺度特征提取块获取丰富的上下文信息和图像纹理特征,以保证图像信息的完整性;然后,引入双路通道注意力机制指导网络获取更具判别性的特征信息,抑制不期望的噪声,从而进一步优化特征信息;最后,利用分类密集残差块的密集连接和成对卷积操作增强模型的交互性,对全局多层次特征进行联合学习,提取更高质量的语义级特征,以提升去噪网络的性能。实验结果表明,在定量和定性评估方面,所提出的去噪网络在合成噪声和真实噪声两种数据集上的去噪效果都有所提升。     

基于图像的道路语义分割检测方法

针对现有语义分割网络模型在道路语义分割方面检测精度低、计算量大等问题,基于BiSeNet V2网络模型进行优化改进,引入一种高效的通道注意力(efficient channel attention, ECA)模块,在BiSeNet V2的语义分支和细节分支的每个阶段末端分别加入ECA,得到ECA-Semantic-BiSeNet V2网络。使用实车采集道路图像数据进行标注并构建自采数据集,在Cityscapes数据集、KITTI数据集及自采数据集上分别对改进前后的网络模型进行试验验证。试验结果表明,与BiSeNet V2模型方法相比,本研究方法在Cityscapes数据集上M_IoU提高14.01%,在KITTI数据集上M_IoU提高1.86%,同时在BiSeNet V2的语义分支加入ECA后运算量增加0.02 GFlops的条件下,模型推理速度提高了7.82帧/s。     

基于双路径残差网络的虹膜图像超分辨率重建

低分辨率虹膜图像所含有效信息较少,实际应用到虹膜识别中会影响识别精度,而图像超分辨率重建技术能够有效解决这一问题。针对虹膜图像的结构和纹理差异,提出了适用于虹膜图像超分辨率的双路径网络结构,设计了双支路残差密集块提取深层虹膜特征,并采用后置放大策略重建图像。针对CASIA-IrisV4虹膜图像库进行了实验,并与主流重建算法进行了比较,发现重建的图像结构清晰,纹理细节丰富。虹膜匹配实验结果表明,该算法的等错误率均为最优,重建图像具有良好的识别效果。     

TCS-Net：一种核电安全壳细小裂缝分割网络

针对核电安全壳表面裂缝视觉检查任务面临的裂缝细小且占像素少、裂缝与背景对比度低、相似纹理干扰多、光照影响等问题,作者提出了一种细小裂缝分割模型TCS-Net(Segmentation network of tiny cracks)。该模型是编码——解码的网络结构,在下采样过程使用Soft Pooling减少编码过程池化导致的信息损失以保留图像边缘细节及位置信息;解码端在下采样过程中通过加入兼顾通道注意力和空间注意力的语义补偿模块(ResCRAM)以融合编码端的各层特征,可增强裂缝的多尺度细节信息;结合Bce(Binary Cross-Entropy)损失和Dice损失作为目标损失函数,以解决单一损失关注度倾向带来的训练不稳定的问题,也可优化Acc(Accuracy)、IOU(Intersection over Union)、Recall等性能指标。为了验证模型的有效性,在真实的安全壳图像对所提裂缝分割模型进行了测试。实验结果表明,与现有的主流语义分割模型相比,TCS-Net裂缝分割模型的IOU指标可提高5%-9%,Recall指标可提高9%-13%,由此说明该模型具有检测率和检测精度更高,能有效适用于目标与背景严重不平衡、背景复杂且干扰较多情况下的细小裂缝分割任务。     

基于改进EMA单元的传统服饰图像语义分割

针对传统服饰图像分割中标签易混淆和小目标易丢失带来的目标边缘细节难以保留等问题,提出了一种基于卷积注意力特征的残差期望最大化注意力语义分割网络模型。该模型首先以ResNeXt-50作为共享特征的主干网络,并通过在特征提取阶段引入一组平行的卷积注意力模块,可以有效地抑制无效特征,使目标区域的特征更加显著。然后利用残差思想对期望最大化注意力（EMA）单元进行优化,以解决迭代过程中梯度爆炸或者消失的问题,从而更好地建立特征图中位置间的关联,最终实现基于显著性融合学习的语义分割模型。最后在传统民族服饰数据集上通过定性与定量的实验验证了所提模型的有效性,其中平均交并比分割指标达到83.91%,取得了同类算法中最优效果。     

基于图像块分割融合算法在医学图像中的应用

提出一种基于图像块分割融合算法,分别对CT和MRI医学图像进行块分割,融合规则是根据分割后对应块的区域特征确定融合图像,采用区域特征为区域方差.     

基于递归层聚合结构的全景分割网络

现有全景分割算法大都存在计算量开销大、精度不足的问题,EfficientPS(Efficient Panoptic Segmentation)网络提供了一种解决方案,但性能依旧有提升的空间。本文在此基础上提出了基于递归层聚合结构的全景分割网络(Recursive Layer Aggregation Panoptic Segmentation, RLAPS)以提升全景分割效果。主干网络的结构改用递归层聚合结构的残差网络,在不增加冗余的情况下更好地重用浅层网络提取的特征,具有更好的学习图像中结构信息的能力;同时,主干网络中双向特征金字塔网络(Feature Pyramid Networks, FPN)结构后增加了通道多样化模块,弥补了卷积网络随着层数加深关注点集中在少数主要通道特征的问题,增强了主干网络提取特征的能力。语义分割头部分增加了跳跃连接和全局注意力模块组合的分支,以使提取到的特征能够关联全局信息。实验表明,该网络相较于EfficientPS的全景分割质量提升了0.9%。同时,前景实例目标和背景填充区域的分割精度分别提升了0.5%和1.3%。     

基于改进U2-Net网络的多裂肌MRI图像分割算法

针对腰间盘突出患者MRI图像多裂肌病变部位分割精度较低的问题,提出一种改进的U2-Net网络的新模型,目标是使得编码和解码的子网络通过一系列嵌套的跳跃路径来相互连接.重新设计U2-Net模型中RSU-7、RSU-6、RSU-5、RSU-4中间的跳跃连接,RSU-4F部分不变,用来降低编码解码子网络中特征图的语义缺失.为了提取到高质量的多裂肌特征,加入通道注意力模块,通过学习每个通道的权重,使网络能够更好地关注对任务有贡献的通道,从而提升模型的性能.为验证模型的有效性,在多裂肌MRI图像数据集上进行实验,发现相较于U-Net、U2-Net、U-Net++网络结构,骰子系数(Dice)、豪斯多夫距离(HD)以及均交并比(MIoU)3个指标均有优化.实验结果表明,本文提出的算法对于多裂肌的MRI图像分割有较好的效果,能够辅助医生对病情做出判断.     

LaneAr：基于编解码实例分割的车道线检测方法

车道线检测在自动驾驶中有着重要的作用。在对道路图像进行检测时,一般的编解码网络在进行图像分割的精度不高。构建一种LaneAr编解码体系结构的车道线检测算法,在编码器部分采用深层的残差结构与不同尺度的空洞卷积结合扩大感知域,同时利用批归一化BN(Batch Normalization)捕获到图像中的车道线语义信息,在获取到编码特征图时利用提出通道注意力机制增强语义特征提取效果,最后再通过多次上采样进行解码恢复到与输入图像相同的像素。实验表明,LaneAr模型在tusimple数据集进行车道线检测的实验其准确率能达到97.82%,同时对复杂场景下的道路环境的车道线检测效果也比较显著。该方法在进行车道线检测时的精度上优于现阶段的其他编解码方法。     

基于相位一致性的眼底图像血管分割算法

眼底图像的血管分割对糖尿病的分析和诊断至关重要.为了准确地分割出眼底图像中的血管,本文提出了一种基于相位一致性的眼底图像血管分割算法.本算法首先采用对比度受限的自适应直方图均衡化和各向异性耦合扩散方程对图像进行预处理,然后利用相位一致性算法来提取眼底图像中的血管,最后用数学形态学对其进行优化.利用本文提出的算法对国际上公开的Hoover眼底图像库进行测试,本算法的准确度可达到94.36%,实验结果证明了本算法的有效性.     

基于图像分解的视网膜图像分割新方法

视网膜血管的分布特征可用于个人身份鉴别、安全防护等领域,也是分析和诊断高血压、糖尿病等疾病的重要指标。在对原图像的绿色通道采用变分方法进行分解的基础上,提出了一种将模糊聚类与形态学滤波相结合的血管提取方法。该方法在对图像进行预处理及聚类的同时,通过构造一组不同尺度和方向的类直线形结构元素对聚类结果进行形态学滤波实现图像分割。实验结果表明,该方法可有效地自动提取视网膜血管主干和主要分支。