基于改进U-Net网络的液滴分割方法

液滴图像的精确分割是高精度接触角测量的重要环节,针对在液滴分割过程中存在的目标不准确、轮廓不完整以及固-液-汽3项交点和边界细节效果不佳的问题,文中提出了一种适用于液滴分割的神经网络模型.该模型以U-Net网络为基础,在其输入处加入1×1卷积层汇总图像特征,避免从初始图像中丢失信息;并采用Resnet18结构作为U-N...     

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.     

空洞卷积的多尺度语义分割网络

计算机硬件的发展极大程度地促进了计算机视觉的发展,卷积神经网络在语义分割中取得了令人瞩目的成就,但多卷积层叠加难免造成图像中目标边界信息的丢失。为了尽可能保留边界信息,提高图像分割精度,提出一种多尺度空洞卷积神经网络模型。该模型利用多尺度池化适应图像中不同尺度目标,并利用空洞卷积学习目标特征,在更加准确识别目标的同时,提高目标边界的识别精度,在ISPRS Vaihingen数据集上的实验结果表明,提出的多尺度空洞卷积神经网络对于目标边界的拟合结果较为理想。     

基于卷积胶囊编码器和多尺度局部特征共现的图像分割网络

U-Net在图像分割领域取得了巨大成功,然而卷积和下采样操作导致部分位置信息丢失,全局和长距离的语义交互信息难以被学习,并且缺乏整合全局和局部信息的能力。为了提取丰富的局部细节和全局上下文信息,提出了一个基于卷积胶囊编码器和局部共现的医学图像分割网络MLFCNet (network based on convolution capsule encoder and multi-scale local feature co-occurrence)。在U-Net基础上引入胶囊网络模块,学习目标位置信息、局部与全局的关系。同时利用提出的注意力机制保留网络池化层丢弃的信息,并且设计了新的多尺度特征融合方法,从而捕捉全局信息并抑制背景噪声。此外,提出了一种新的多尺度局部特征共现算法,局部特征之间的关系能够被更好地学习。在两个公共数据集上与九种方法进行了比较,相比于性能第二的模型,该方法的mIoU在肝脏医学图像中提升了4.7%,Dice系数提升了1.7%。在肝脏医学图像和人像数据集上的实验结果表明,在相同的实验条件下,提出的网络优于U-Net和其他主流的图像分割网络。     

基于能量驱动的分水岭算法在MRI海马图像分割中的应用

传统的分水岭算法虽然灵活性强,但在分割过程中较少用到边界特征的信息,使得图像的过分割问题比较突出．提出利用能量驱动的分水岭算法来实现人脑MRI中的海马分割．利用分水岭算法模型计算水流从种子点出发,沿代价最小的路径流经每一个像素的代价,将该像素的代价作为像素的能量．在整个图像能量最小化驱动下修改初始分水线处像素的归属类别,使分割结果与目标物体轮廓重合．该算法将内部特征与边缘条件相结合,可以很好地限制分水岭算法过分割的问题．多套MRI海马的分割结果表明,该算法可应用于海马等复杂结构的分割．     

结合卷积神经网络和超像素聚类的细胞图像分割方法

针对细胞图像尺寸大、细胞形状各异,导致从图像中分割出精准的细胞十分困难的问题,以卷积神经网络为基础,结合染色校正方法和简单线性迭代的超像素聚类算法,提出了一种新的结构来进行细胞图像分割。首先,利用染色校正方法对细胞图像进行预处理,提高图像的颜色对比度;然后利用卷积神经网络获得初步分割结果;最后再将简单线性迭代聚类获得的超像素边界信息反馈到初分割图像上进行改进提升。提出的算法可以有效地减少图像局部信息的冗余,更准确地获得目标区域的边界位置。实验表明,本文提出的算法细胞分割准确率达到了92.72%,与经典卷积神经网络、阈值分割等其他细胞分割算法相比,具有更好的分割效果。     

基于分水岭变换的多尺度遥感图像分割算法

分水岭变换是一种适用于图像分割的强有力的形态工具,能够自动生成一系列封闭分割区域。分水岭变换的不足之处在于它的过分割结果。为了克服分水岭变换固有的过度分割现象,利用非线性滤波和改进的快速区域合并算法优化分水岭变换得出的初始分割结果,并针对高分辨遥感图像所体现出来的地物的多种信息特征,结合多种特征进行了区域合并。实验结果与MeanShift算法得到的结果进行了比较,证明该算法不仅能充分利用高分辨率遥感图像中地物的信息特征获得良好的分割效果,而且大大减少了计算时间。     

基于梯度修正和区域融合的分水岭分割算法

针对传统分水岭算法中存在的过分割现象,提出了一种基于梯度修正和层次区域融合的分水岭分割方法。该算法首先利用开闭双重建操作以及非线性变换对梯度图像进行修正;然后求取浮点活动图像并作为分水岭算法的输入;最后在区域灰度相似性准则的基础上,结合对比度和边界强度准则对分水岭变换结果进行小区域的合并,得到最终的分割结果。实验结果表明,该算法能有效地解决过分割问题,具有良好的鲁棒性和适应性。     

基于3D深度残差网络与级联U-Net的缺血性脑卒中病灶分割算法

为了解决人工勾画缺血性脑卒中病灶费时费力且易引入主观差异的问题,提出了一种基于三维（3D）深度残差网络与级联U-Net的自动分割算法。首先,为了有效利用图像的3D上下文信息并改善类不平衡现象,将脑卒中核磁共振图像（MRI）采样成图像块作为网络输入;然后,利用基于3D深度残差网络与级联U-Net的分割模型对图像块进行特征提取,获得粗分割结果;最后,对粗分割结果进行精分割处理。在ISLES数据集上的实验结果表明,该算法的Dice系数可达到0.81,精确度可达到0.81,灵敏度可达到0.81,平均对称表面距离（ASSD）距离系数为1.32,HD为22.67。所提算法与3D U-Net算法、基于水平集算法、基于模糊C均值（FCM）算法和基于卷积神经网络（CNN）算法相比分割性能更好。     

基于EM路由算法的医学图像分割UCaps网络

传统的医学图像分割网络存在分割精度低、图像信息易丢失、分割轮廓不清晰等问题。为提高医学图像分割准确率,提出一种结合胶囊网络与U-Net的多标签图像分割网络UCaps。以U-Net网络为架构,基于胶囊网络原理设计适用于胶囊网络的上采样算法,通过结合高斯混合模型作为聚类算法的EM路由算法聚合底层特征对高层特征的推导过程,使高层特征包含底层特征信息,同时底层特征间的位置、姿态等信息具有统一性。实验结果表明,相比U-Net、SegCaps、MaVec-Caps网络,UCaps网络的平均分割准确率为93.21%,其中左肺分割准确率达到98.24%,具有较高的图像分割准确率和较快的收敛速度。