基于三维全卷积网络的肝脏和肝癌分割算法研究

为了解决计算机断层扫描(computed tomography,CT)影像中肝脏和肝癌的准确分割问题,提出了基于三维全卷积网络的肝脏分割算法和肝癌分割算法。肝脏分割算法和肝癌分割算法都采用Vnet网络进行分割。在肝脏分割算法中,采用了形态学方法进行后处理,提高了肝脏分割准确率。在肝癌分割算法中,采用了组合损失函数训练Vnet网络,使得Vnet网络更好地收敛,并加入后处理提高了肝癌分割准确率。为了验证算法的性能,采用MICCAI 2017 Liver Tumor Segmentation Challenge(LiTS)数据集进行了肝脏分割和肝癌分割的5折交叉验证实验。肝脏分割算法在测试集的平均分割准确率为0.9510,高于Unet网络和3D Unet网络;肝癌分割算法的平均分割准确率为0.712。实验结果表明,肝脏分割算法可以准确地对肝脏进行分割,肝癌分割算法也达到了较高的准确率。     

三维卷积网络在脑海马体分割中的应用

为了提高海马体分割的精确性和鲁棒性,提出一种新型的三维卷积网络Dilated-3DUnet。该网络中卷积层的通道数采用"金字塔"分布的方式,有效缩小了参数的规模。此外,使用三维空洞卷积作为级联卷积操作,不仅有效地结合了脑磁共振成像(MRI)的深层特征和浅层特征,而且在不改变参数个数的情况下,扩大了卷积层的感受野,获取了多尺度信息,能够更好地捕捉MRI图像的浅层特征,从而提高了分割精度。在ADNI数据集上进行实验,以相似性系数、灵敏度、阳性预测率为评价指标,准确率分别达到了89.32%、88.72%和90.05%。实验表明,Dilated-3DUnet充分利用了脑MRI图像的三维空间信息,具有更强的泛化能力和更好的特征表达能力,从而大大提升了分割精度。     

采用密集多尺度卷积网络的胰腺分割方法

胰腺是人体内重要的消化器官,受个体年龄、健康状况等因素的影响,它的形状、尺寸和位置可能会发生较大变化.胰腺自动分割一直以来是医学图像分析和计算机辅助诊断领域一个具有挑战性的问题.近年来,深度学习在医学图像分割领域上得到了广泛的应用,本文提出了一种密集多尺度卷积网络(Dense multi-scale convolutional networks, DMC-net)以用于进行胰腺的自动分割.本文将多层图像作为网络输入,采用密集卷积和密集多尺度卷积连接代替了U-net的常规卷积和长跳跃连接,此外在训练过程中本文还采用了边界损失函数对胰腺的形状进行约束.在NIH胰腺公开数据集上的结果表明,文中方法的分割结果Dice系数可以达到86.19%,证明了本文提出的胰腺分割方法的有效性.     

二维和三维矢量场的可视化

矢量场可视化用来帮助人们直观理解二维和三维矢量场。由于目前的矢量场可视化方法只能展示二维矢量场的方向而不能展示强度,并且对于三维矢量场可视化的效果不太令人满意,因此本文提出了用线积分卷积来实现二维平面矢量场可视化,以及三维空间矢量场可视化的方法。对于线积分卷积中的流线跟踪,利用扩展的Bresenham画线算法的思想,实现了二维平面和三维空间流线的跟踪,并且通过建立一个二维表和三维表来分别存储二维平面矢量场和三维空间矢量场中每个点在流线中的上一个点和下一点的位置,来避免传统流线跟踪方法的冗余计算,提高了效率。对于二维平面矢量场,把线积分卷积的结果和矢量的强度进行加权平均,从而利用输出图像的纹理和颜色,共同来表现矢量场的方向和强度。对于三维空间矢量场,利用体线积分卷积（Volume Line Integral Convolution, Volume LIC）的方法来得到输出体纹理,并且用光线投射的体渲染方法来展示三维空间矢量场。结果显示出本文的方法能够清晰直观的看到二维平面矢量场和三维空间矢量场。     

一种改进的求算二维卷积整数的方法

提出了一种求算二维卷积整数的改进方法,适用于中心点和非中心点评估二维郑积整数以及多遍二维联合卷积整数的推求,理论推导表明：二维卷积整数可由2套一维卷积整数按正交组合原则直接生成。结果与相关文献所得一致,但算法简捷。     

一种基于自监督学习的矢量球面卷积网络

在三维视觉任务中, 三维目标的未知旋转会给任务带来挑战, 现有的部分神经网络框架对经过未知旋转后的三维目标进行识别或分割较为困难. 针对上述问题, 提出一种基于自监督学习方式的矢量型球面卷积网络, 用于学习三维目标的旋转信息, 以此来提升分类和分割任务的表现. 首先, 对三维点云信号进行球面采样, 映射到单位球上; 然后, 使用矢量球面卷积网络提取旋转特征, 同时将随机旋转后的三维点云信号输入相同结构的矢量球面卷积网络提取旋转特征, 利用自监督网络训练学习旋转信息; 最后, 对随机旋转的三维目标进行目标分类实验和部分分割实验. 实验表明, 所设计的网络在测试数据随机旋转的情况下, 在ModelNet40数据集上分类准确率提升75.75%, 在ShapeNet数据集上分割效果显著, 交并比(Intersection over union, IoU)提升51.48%.     

面向舌体分割的两阶段卷积神经网络设计

目的 由于舌体与周围组织颜色相似,轮廓模糊,传统的分割方法难以精准分割舌体,为此提出一种基于两阶段卷积神经网络的舌体分割方法。方法 首先,在粗分割阶段,将卷积层和全连接层相结合构建网络Rsnet,采用区域建议策略得到舌体候选框,从候选框中进一步确定舌体,从而实现对舌体的定位,去除大量的干扰信息;然后,在精分割阶段,将卷积层与反卷积层相结合构建网络Fsnet,对粗分割舌象中的每一个像素点进行分类进而实现精分割;最后,采用形态学相关算法对精分割后的舌体图像进行后续处理,进一步消除噪点和边缘粗糙点。结果 本文构建了包含2 764张舌象的数据集,在该数据集上进行五折交叉实验。实验结果表明,本文算法能够取得较为理想的分割结果且具有较快的处理速度。选取了精确度、召回率及F值作为评价标准,与3种常用的传统分割方法相比,在综合指标F值上分别提高了0.58、0.34、0.12,效率上至少提高6倍,与同样基于深度学习思想的MNC（multi-task network cascades）算法相比,在F值上提高0.17,效率上提高1.9倍。结论 将基于深度学习的方法应用到舌体分割中,有利于实现舌象的准确、鲁棒、快速分割。在分割之前,先对舌体进行定位,有助于进一步减少分割中的错分与漏分。实验结果表明,本文算法有效提升了舌体分割的准确性,能够为后续的舌象自动识别和分析奠定坚实的基础。     

一种新的离散二维卷积矩阵形式算法

辞书式排列法是传统的离散二维卷积的矩阵形式算法，但其计算结果不直观，需要人为分割后才能得到最终结果。在辞书式排列法的启发下本文提出了一种新的矩阵形式算法，经过计算后可直接得到最终结果。经过验证其计算正确，比辞书式排列法的计算方法更直观，与辞书式排列法具有互补性，并且更适于用来描述离散二维卷积计算。     

基于全卷积网络的肝脏CT语义分割

肝脏CT(计算机断层扫描)图像分割为临床肝脏医疗分析提供了可靠依据.文中探索了完全卷积网络(FCN)用于肝脏CT图像中的检测和分割.FCN已被证明是用于语义分段的非常强大的工具,它能接受任意大小的的输入并通过有效地推理与学习产生相应大小的输出.该文将分类网络VGG调整为完全卷积网络,并通过迁移学习将其转移到分割任务,展...     

基于全卷积网络的图像语义分割方法综述

自全卷积网络(Fully Convolutional Network,FCN)提出以后,应用深度学习技术在图像语义分割领域受到了许多计算机视觉和机器学习研究者的关注,现在这一方向已经成为人工智能方向的研究热点.FCN的核心思想是搭建一个全卷积网络,输入任意尺寸的图像,经过模型的有效学习和推理得到相同尺寸的输出.FCN的...     

基于深度学习的人体动作识别综述

人体动作识别是视频理解领域的重要课题之一,在视频监控、人机交互、运动分析、视频信息检索等方面有着广泛的应用.根据骨干网络的特点,从2D卷积神经网络、3D卷积神经网络、时空分解网络三个角度介绍了动作识别领域的最新研究成果,并对三类方法的优缺点进行了定性的分析和比较.然后,从场景相关和时间相关两方面,全面归纳了常用的动作视...     

图卷积神经网络在点云语义分割中的研究综述

点云数据蕴含丰富的空间信息,可以通过激光雷达、3D传感器等设备大量采集,被广泛应用于自动驾驶、虚拟现实、城市规划和3D重建等领域。点云语义分割作为3D场景理解、识别和各种应用的基础而受到广泛关注。但不规则的点云数据无法直接作为传统卷积神经网络的输入,而图卷积神经网络可以利用图卷积算子直接对点云数据进行特征提取,使得图卷积神经网络已逐步成为点云语义分割领域的一个重要研究方向。基于此,对图卷积神经网络在3D点云语义分割应用中的研究进展进行综述,根据图卷积的类型对基于图卷积神经网络的点云语义分割方法进行分类,按照不同类别对比分析主流方法的模型架构及其特点,描述几个相关点云语义分割领域常用的公共数据集和评价指标,对点云语义分割方法进行总结和展望。     

基于注意力机制的两阶段纵膈淋巴结自动分割算法

判断淋巴结分区是否存在淋巴结转移以及准确分割恶性淋巴结对于肺癌诊断以及治疗意义重大.针对纵膈淋巴结尺寸差异大、正负样本不平衡、与周边软组织和肺肿瘤特征相似等问题,提出了一个新颖的用于纵膈淋巴结分割的基于注意力机制的级联算法.首先,根据医学先验设计了两阶段分割算法剔除纵膈干扰组织后对疑似淋巴结进行分割,减少负样本的影响和...     

结合注意力的3D卷积网络脑胶质瘤分割算法

为了提升脑胶质瘤分割精度，提出一种结合注意力机制的3D卷积神经网络算法。输入3个不同尺度的图像块，经过9个卷积层和1个分类层后得到3个不同的分类结果，将分类结果与注意力学习到的权重相乘并逐体素相加得到输出。此外该算法采用了一种混合Dice损失函数与Focal损失函数的超参数损失函数。实验表明，该算法的Dice系数在整体区域、核心区域以及增强区域分别达到了95.31%、80.12%、82.25%。与已有的一种脑胶质瘤分割算法deepmedic相比，整体区域、核心区域以及增强区域的Dice系数分别提升了3%、2%、6%。在脑胶质瘤分割方面，具有重要的临床意义。     

多级层次三维卷积神经网络的牙颌模型分割与识别技术

牙齿分割是计算机辅助口腔正畸治疗的重要技术.针对传统牙齿分割方法因交互操作复杂、手工干预程度高导致分割效率和精度较低的问题,提出一种基于多级层次三维卷积神经网络的牙颌模型自动分割与识别方法.首先利用基于哈希表的八叉树稀疏表达模型对牙颌模型进行标签化预处理;然后采用构建的Level-1网络和Level-2网络,分别实现普通牙齿间类别和高相似度牙齿间类别的区分;最后采用基于深度卷积特征的多级层次分割网络实现牙齿与牙龈以及牙齿间的分割,并利用条件随机场模型对龈缘区及齿间接触区的局部细节特征进行建模与优化.实验结果表明,在自行采集的牙齿数据集上的牙齿识别准确率均维持在0.858以上,单颗牙齿的分割准确率为0.898,与同类分割方法对比,验证了层次特征学习方法具有较高的准确率和鲁棒性,适用于各种不同程度畸形牙患者的牙齿分割,在计算机辅助口腔治疗诊断中具有巨大的应用潜力.     

基于3D路径聚合高分辨率网络的胰腺分割

目的 胰腺的准确分割是胰腺癌识别和分析的重要前提。现有基于深度学习的主流胰腺分割网络大多是编码—解码结构,对特征图采用先降低再增加分辨率的方式,严重丢失了胰腺位置和细节信息,导致分割效果不佳。针对上述问题,提出了基于3D路径聚合高分辨率网络的胰腺分割方法。方法 首先,为了捕获更多3D特征上下文信息,将高分辨率网络中的2D运算拓展为3D运算;其次,提出全分辨特征路径聚合模块,利用连续非线性变换缩小全分辨率输入图像与分割头网络输出特征语义差异的同时,减少茎网络下采样丢失的位置和细节信息对分割结果的影响;最后,提出多尺度特征路径聚合模块,利用渐进自适应特征压缩融合方式,避免低分辨率特征通道过度压缩导致的信息内容损失。结果 在公开胰腺数据集上,提出方法在Dice系数（Dice similarity coefficient,DSC）、Jaccard系数（Jaccard index,JI）、精确率（precision）和召回率（recall）上相比3D高分辨率网络（3D high-resolution net,3DHRNet）分别提升了1.41%、2.09%、2.35%和0.49%,相比具有代表性编码—解码结构的胰腺分割方法,取得了更高的分割精度。结论 本文提出的3D路径聚合高分辨率网络（3D pathaggregation high-resolution network,3DPAHRNet）具有更强的特征位置和细节信息的保留能力,能够显著改善在腹部CT（computed tomography）图像中所占比例较小的胰腺器官的分割结果。开源代码可在https：//github.com/qiuchengjian/PAHRNet3D获得。     

基于区域特征的中心点追踪的颈动脉分割

颈动脉狭窄可能会引起缺血性脑卒中,早期识别颈动脉血管形态对于评估脑卒中发生风险具有重要意义。通过对颈动脉三维重建的研究,可以还原颈动脉的结构,对于研究脑血管疾病的成因及临床诊断与治疗有很大的帮助。本文针对CTA图像的特点,在管状结构CT值筛选和多尺度滤波图像增强的基础上,采用一种基于区域特征的中心点追踪的分割方法,并在2套CTA图像上进行了实验。初步结果表明,算法对于颈动脉血管大部分二维图像能够较好地分割。     

基于改进卷积神经网络的腹部动脉血管分割

腹部动脉血管分割对于胃癌淋巴结的转移和肝动脉变异类型的判断至关重要。针对腹部动脉血管分割精度低、易断裂等问题,提出一种改进卷积网络架构的腹部动脉分割方法。卷积网络的编码部分使用带有卷积注意的预训练模块(resnet34),避免了梯度消失且可更好地获取图像的特征信息。为了扩大感受野和聚集多尺度特征信息,提出了一种新的多尺度特征融合模块。此外,动脉血管的边缘结构信息的学习至关重要,引入注意力导向滤波作为信息扩展路径,使输出特征更加结构化,提升血管分割的精度。所提方法在腹部动脉血管分割的实验结果表明,与基础网络U-Net相比,所提方法在灵敏度和交并比上分别提升了2.84%和1.19%。与CE-Net网络相比,在灵敏度和交并比上分别提升了1.34%和161%。