基于CNN和UNet神经网络的胃癌诊断与病灶分割系统

文章提出了一种基于神经网络的癌症诊断方法,先采用卷积神经网络（ConvolutionalNeuralNetwork,CNN）将输入系统的细胞切片图像进行二分类,判断其是否出现癌变情况。如果确定患癌,那么采用UNet神经网络分割切片图像,并检测癌症发生的病灶范围。结果表明,在57000余张图像组成的测试集上,图像分类的准确率可以达到98%以上,在700余张图片组成的测试集上,病灶分割的准确率可以达到93%以上,基本达到了辅助医生诊断的相关要求。     

基于CNN与Transformer的医学图像分割

医学图像对疾病的诊断、治疗和评估均有所帮助,准确分割医学图像中的器官对于辅助医生的诊断具有重要的实际意义.由于医学图像中各器官部位与周围组织的图像对比度低,不同器官的边缘和形状也会存在很大差异,从而增加了分割的难度.针对这些问题,本文提出了一种基于卷积神经网络和Transformer的医学图像语义分割网络,有效提高了医学图像语义分割的精度.特征提取部分使用ResNet-50网络结构,在特征提取后使用Transformer模块来扩大感受野.在上采样过程中加入多个跳跃连接层,充分利用各阶段的特征提取信息,来恢复至与输入图像相近的分辨率.在胃肠道医学图像分割数据集上的实验结果证明本文的方法可以有效分割医学图像中的器官组织,提升分割准确率.     

分级特征融合的图像语义分割

在图像语义分割中,利用卷积神经网络对图像信息进行特征提取时,针对卷积神经网络没有有效利用各层级间的特征信息而导致图像语义分割精度受损的问题,提出分级特征融合的图像语义分割方法.该方法利用卷积结构分级提取含有像素级的浅层低级特征和含有图像级的深层语义特征,进一步挖掘不同层级间的特征信息,充分获取浅层低级特征和深层语义特征...     

改进双向LSTM的肺结节分割方法

基于深度学习网络在医学图像分割方面取得了很多成果。由于类圆形的肺结节不同于血管和大部分肺部结构呈扁平状,因此通过对U-Net进行扩展,提出一种带有多视图密集卷积的双向LSTM U-Net网络来消除血管和肺内组织结构以检测结节。与U-Net在跳跃连接中进行级联不同,改进双向LSTM网络将编码路径中提取特征图与解码卷积层进行非线性结合。为了加强特征传播和鼓励特征复用,在编码路径的最后一个卷积层采用密集卷积,最后使用批处理规范化（BN）来加速网络的收敛速度。实验结果表明该模型有效地提高了肺结节分割的准确率,对LUNA16和阿里巴巴天池竞赛数据集中每个候选样本提取轴位、冠状和矢状视图后训练的MIoU达到了90.1%。     

结合序列学习和U型网络的海马体分割方法

针对普通二维语义分割网络难以精确分割海马体磁共振图像的问题,提出结合序列学习和U型网络的海马体分割方法.该方法中,U型网络由编码器和解码器2部分组成,编码器提取并编码图像特征,解码器组合特征并输出分割掩码;序列学习使用双向卷积长短期记忆网络引入相邻切片间的依赖信息以提升分割精度.在ADNI数据集上的实验结果表明,文中方法的分割性能较通常的U型网络更优,且网络的可视化结果表现出可解释性,与专家知识相符合.     

基于卷积神经网络改进的图像自动分割方法

针对图像序列三维重建中多视角目标分割需要人工参与任务繁重的问题,提出一种基于卷积神经网络改进的图像自动分割方法。首先将序列图像去噪处理、归一化并进行语义标注后制作数据集,然后对改进的融合多尺度特征和残差连接的卷积神经网络进行训练,得到优化后的卷积神经网络分割模型,最后将预分割图像加载到优化的分割模型中得到归一化的掩码图,再利用三次样条插值法将其恢复分辨率后与原图做自定义的掩码操作得到高清分割结果。本文以主流分割软件PhotoShop分割结果为参考标准进行对比,实验结果证明,该方法的准确率与参考标准接近,而且可实现批量自动分割,较好的解决三维重建中目标分割任务繁重的问题。     

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。     

融合上下文和多尺度特征的胸部多器官分割

目的 肿瘤周围高危器官的准确分割是图像引导放射治疗中的关键步骤,也是对抗肺癌和食道癌,规划有效治疗策略的重要组成部分。为了解决不同患者之间器官形状和位置的复杂变化情况以及计算机断层扫描（computed tomography,CT）图像中相邻器官之间软组织对比度低等问题,本文提出了一种深度学习算法对胸部CT图像中的高危器官进行细分。方法 以U-Net神经网络结构为基础,将冠状面下的3个连续切片序列即2.5D （2.5 dimention）数据作为网络输入来获取切片联系,同时利用高效全局上下文实现不降维的跨通道交互、捕获单视图下切片序列间的长距离依赖关系、加强通道联系和融合空间全局上下文信息。在编码部分使用金字塔卷积和密集连接的集成提取多尺度信息,扩大卷积层的感受野,并将解码器与编码器每层进行连接来充分利用多尺度特征,增强特征图的辨识度。考虑到CT图像中多器官形状不规则且紧密相连问题,加入深度监督来学习不同层的特征表示,从而精准定位器官和细化器官边界。结果 在ISBI （International Symposium on Biomedical Imaging）2019 SegTHOR （segmentation of thoracic organs at risk in CT images）挑战赛中,对40个胸部多器官训练样本进行分割,以Dice系数和HD （Hausdorff distance）距离作为主要评判标准,该方法在测试样本中食道、心脏、气管和主动脉的Dice系数分别达到0.855 1、0.945 7、0.923 0和0.938 3,HD距离分别为0.302 3、0.180 5、0.212 2和0.191 8。结论 融合全局上下文和多尺度特征的算法在胸部多器官分割效果上更具竞争力,有助于临床医师实现高效的诊断与治疗。     

注意力机制下密集空洞卷积的肺部图像分割

目的 卷积神经网络（convolutional neural network,CNN）在计算机辅助诊断（computer-aided diagnosis,CAD）肺部疾病方面具有广泛的应用,其主要工作在于肺部实质的分割、肺结节检测以及病变分析,而肺实质的精确分割是肺结节检出和肺部疾病诊断的关键。因此,为了更好地适应计算机辅助诊断系统要求,提出一种融合注意力机制和密集空洞卷积的具有编码—解码模式的卷积神经网络,进行肺部分割。方法 将注意力机制引入网络的解码部分,通过增大关键信息权重以突出目标区域抑制背景像素干扰。为了获取更广更深的语义信息,将密集空洞卷积模块部署在网络中间,该模块集合了Inception、残差结构以及多尺度空洞卷积的优点,在不引起梯度爆炸和梯度消失的情况下,获得了更深层次的特征信息。针对分割网络常见的特征丢失等问题,对网络中的上/下采样模块进行改进,利用多个不同尺度的卷积核级联加宽网络,有效避免了特征丢失。结果 在LUNA （lung nodule analysis）数据集上与现有5种主流分割网络进行比较实验和消融实验,结果表明,本文模型得到的预测图更接近于标签图像。Dice相似系数、交并比（intersection over union,IoU）、准确度（accuracy,ACC）以及敏感度（sensitivity,SE）等评价指标均优于对比方法,相比于性能第2的模型,分别提高了0.443%,0.272%,0.512%以及0.374%。结论 本文提出了一种融合注意力机制与密集空洞卷积的肺部分割网络,相对于其他分割网络取得了更好的分割效果。     

基于改进U- Net深度网络的超声正中神经图像分割

超声成像作为常见的医学成像技术,在诊断和治疗疾病方面发挥着重要作用。人工判读超声图像依赖于医生主观经验知识,其结果存在观察者间和观察者内的差异,并且过程耗时耗力,难以满足快速、批量的临床诊断需求。随着人工智能的快速发展,基于深度学习的图像分割模型被广泛地应用于医学图像分割领域,并取得了不俗成果。基于U-Net深度神经网络,对其结构进行优化改进,构建适用于超声图像正中神经分割的卷积神经网络模型。在网络中添加了规范层和丢弃层,下采样的最大池化层替换成卷积层;同时,采用指数线性单元激活函数,使用循环学习率,以增加网络模型的鲁棒性。测试结果表明,改进的U-Net模型在超声正中神经图像的自动分割方面表现良好,横切面、纵切面的Dice系数分别达到了78%与89%。该方法有望用于临床超声神经图像的辅助分析。