基于改进3D U-Net的多模态脑肿瘤分割算法

针对脑部肿瘤分割任务中存在的多模态信息利用率不高,训练样本数据少导致分割结构精度不高的问题,提出了一种以3D U-Net模型为基础,融合变分自编码器（VAE）和注意力模型的分割模型VAE U-Net,实现多模态脑肿瘤MRI图像的自动分割。所提方法在Brats2020数据集上进行实验,在测试集上的整体肿瘤、核心肿瘤以及增强核心区的分割Dice系数分别为81.44、90.82和89.43,相较于原始的3DU-Net提高了2.03、1.05和2.38个百分点。     

结合空洞可分离卷积的多尺度医学影像分割算法

传统U-Net语义分割模型在医学影像领域具有广泛的应用,但该模型的准确率受限于单一尺度的预测模式以及上下采样引起的信息丢失。针对上述问题,本文基于U-Net编码—解码架构以及空洞可分离卷积提出了一种高低层级信息丰富的多尺度医学影像语义分割算法,该算法由特征提取网络以及多尺度语义分割预测网络两部分构成。特征提取网络使用空洞可分离卷积和类残差块分别替换原U-Net中上、下采样以及卷积块,在增加感受野的同时使信息得到最大化的保留;提出一个通道注意力机制,强化目标核心特征的表达以及无关背景区域的抑制;在多尺度上挖掘带有图像级全局上下文的卷积特征,进一步提高分割性能。本文在采集的胚胎以及DRIVE数据集上进行仿真实验,其结果表明,与U-Net及其衍生模型相比该方法具有更高的准确率和鲁棒性。     

一种应用在生物医学图像分割的融合模型

近年来,深度学习给医学图像分割带来了突破。U-Net和Residual U-Net是这方面最突出的深度网络,是医学影像界最流行的架构。尽管在多模态医学图像分割方面整体表现突出,但研究发现在原有网络的基础上还可以进行提升。因此,提出了一种融合的思想,并在U-Net和Residual U-Net对提出的思想进行了实验。为尽可能减少模型的参数量,研究采用了共享的策略,将参数量控制在合理的范围内。最后,比较了提出的融合模型与经典的U-Net和Residual U-Net在细胞边缘分割数据集和乳腺分割两个数据集上表现的效果。仿真结果表明融合后的模型比融合前的模型有了更好的表现。     

基于无标签数据的音源分离

音源分离目前大多采用有监督的深度学习方法,这种方法往往需要利用大量的标签数据进行建模。然而,实际中标签数据并不容易获取且价格昂贵。针对无标签数据的音源分离只能采用有意义的先验知识来弥补标签数据的不足,对此,提出一种基于先验知识的U-Net模型。它既不影响现有卷积体系结构的网络复杂性,也不影响其收敛行为,但能显著改善分离后的音频质量。实验结果表明,所提出的方法的分离效果比传统模型更好。     

基于UT-Former的结直肠息肉分割模型

结直肠息肉准确分割,可以辅助医生诊断肠胃疾病,有效降低结直肠癌的发病风险。为解决息肉准确分割的问题,在Transformer模型和U-Net模型相融合的基础上提出了UT-Former模型。首先,采用一系列预处理技术对原始图像进行处理。其次,借助结直肠的图像,基于UT-Former网络结构设计结直肠息肉分割模型。再次,对UT-Former模型进行训练得到最佳模型,并将U-Net模型作为对比实验。最后,通过Dice指数评价UT-Former模型的有效性,并与U-Net模型进行对比。实验结果表明,UT-Former模型可以准确地预测结直肠息肉,为患者提供早期预后信息。     

基于扩散模型的天气退化图像修复技术

在恶劣天气中拍摄的图片,由于雨雪霾等恶劣天气的影响会对视线有一定的阻挡,导致可见度下降严重,图片的背景失真严重,从而对图片识别、语义分割或者目标监测产生很大的误差。此前,大多数的天气退化图像的修复都是基于深度学习算法或是生成对抗网络为基本架构的,由于去噪扩散模型（DDPM）在计算机视觉上的优势比较大,所以采用以扩散模型为基本架构来进行雨类的天气退化图像的反向采样,经典扩散模型的噪声估计网络是基于U-Net的结构,现提出了一种改进的U-Net噪声估计网络结构,将通道自适应注意力机制与U-Net结合,在图像去雨方面有着较好的恢复表现。     

An improved U-Net for cell confluence estimation

Cell confluence is an important metric to determine the growth and the best harvest time of adherent cells. At present, the evaluation of cell confluence mainly relies on experienced labor, and thus it is not conducive to the automated cell culture. In this paper, we proposed an improved U-Net algorithm (called DU-Net) for the segmentation of adherent cells. First, the general convolution was replaced by the dilated convolution to expand the receptive fields for feature extraction. Then, the convolutional layers were combined with the batch normalization layers to reduce the dependence of the network on initialization. As a result, the segmentation accuracy and F1-score of the proposed DU-Net for adherent cells with low confluence (<50%) reached 96.94% and 93.87%, respectively, and for those with high confluence (≥50%), they reached 98.63% and 98.98%, respectively. Further, the paired t-test results showed that the proposed DU-Net was statistically superior to the traditional U-Net algorithm.     

基于MCL-UNet网络的激光熔覆层表面平整度识别

表面平整度是衡量多道搭接熔覆层表面质量的重要指标之一,为改进人工标注获取表面平整度耗时费力的问题,本文利用图像识别和语义分割神经网络方法提出了自动识别熔覆层表面平整度。针对搭接熔覆层特征,基于改进的U-Net与注意力机制(CBAM)提出一种用于熔覆层形貌的自动分割网络MCL-UNet,优化改进U-Net模型,依据CBAM模块从通道维度和空间维度调整特征图层的权重信息,将CBAM模块以优化输入和输出的原则部署在网络上。在搭接熔覆层数据集上对改进的网络进行评估对比,实验结果表明,本文提出的MCL-UNet网络模型,其熔覆层分割效果在验证集上的平均IoU准确率为93.76%,相比原始U-Net的IoU准确率提高了5.81%,在测试集上MCL-UNet模型输出的表面平整度的平均相对误差为3.2%,说明该模型可有效提高搭接熔覆层横截面形貌的分割精度,并能较准确输出表面平整度。     

基于改进生成对抗网络的红外图像增强算法

针对红外图像细节分辨率不高、目标边缘模糊等，提出一种基于改进生成对抗网络的红外图像增强算法。首先，基于编码解码网络U-Net构建生成器，优化U-Net跳跃连接方式，融合全局上下文模块，实现全局和局部特征的上下文建模；然后，基于胶囊网络构建鉴别器，结合Res2Net改进胶囊网络结构，并对胶囊网络全连接层进行反卷积重构，实现多尺度图像特征提取，减少模型参数冗余。实验表明，与当前主流算法相比，该算法能有效突出细节信息、抑制噪声，提高图像分辨率和视觉效果。     

多尺度特征融合U-Net的遥感影像黑臭水体智能检测

研究采用卫星遥感技术获取高分辨率遥感影像水体样本数据集,基于深度卷积神经网络从高分辨遥感影像中提取水体并进行黑臭水体智能监测,提出了一种改进U-Net的黑臭水体检测网络模型(IWDNet)。基于U-Net结构引入跳跃式多尺度特征融合,结合通道注意力机制、卷积注意力模块、通道与空间注意力机制生成不同多尺度特征融合注意力机制(MFFAM)模块进行对比,并引入空洞卷积扩大网络感受野,最终实现黑臭水体的识别检测。实验证明：基于跳跃式多尺度融合与CBAM注意力机制的黑臭水体检测网络(MFFCBAM-IWNet)模型有效提升了识别精度,在高分辨遥感影像水体样本数据集上表现最佳,总体精度达98.56%,Kappa系数达0.978 4。     

基于改进R2U-Net型网络的视网膜血管图像分割

眼底视网膜血管的分割能够更有效地帮助医生诊断病情,但人工诊断费时耗力,传统的眼底图像血管分割技术的准确率和精度又不能达到理想状态,因此提出了基于R2U-Net的多尺度特征融合注意力网络——R2MAFF-Net.为了解决U-Net深度不够、上下层之间特征连接不密切及信息获取不完全等问题,将循环残差空洞卷积结构作为模型的编...     

基于U-Net和胶囊网络的合成孔径雷达图像语义分割

图像语义分割作为一种像素级分类技术,已应用于合成孔径雷达(SAR)图像的解译领域中.U-Net是一种端到端的图像语义分割网络,具有典型的编码-解码结构.其中,编码部分主要由卷积层和池化层组成,可以有效提取图像中的目标特征,但难以获取目标的位置和方向等信息.胶囊网络是一种能够获取目标姿态(位置、大小、方向)等信息的神经网络,因此,提出了一种基于U-Net和胶囊网络的SAR图像语义分割方法.此外,考虑到SAR图像数据集较小的特点,将U-Net的编码部分设计成视觉几何组(VGG16)结构,将预训练的VGG16模型直接迁移至编码部分.为了验证本方法的有效性,在两个极化SAR图像数据集上开展了建筑物目标的分割实验.结果 表明,相比U-Net,本方法的精确率、召回率、F1分数和交并比更高,且能减少网络模型的训练时间.     

基于VSA-UNet的电气设备紫外图像分割

提高电气设备紫外图像分割精确度对设备放电程度的准确评估具有重要意义。由于存在噪声干扰与紫外光斑形状、大小不规则等问题,目标分割区域存在过分割和欠分割现象,因此提出一种基于多模块的VSA-UNet(VGG16Net, Improved SENet, and ASPP based U-Net)分割网络。为强化网络特征提取能力,减少过分割现象,使用VGG16Net的卷积层代替U-Net网络的编码部分;将编码部分末端卷积层替换成空洞空间金字塔池化(Atrous Spatial Pyramid Pooling, ASPP)模块,获取紫外图像的多尺度信息,解决大区域的欠分割问题;在跳跃连接部分加入改进SENet模块,加强有用信息的提取,补充细节损失,提升整体网络性能。基于自建紫外图像数据集的实验表明,改进网络在分割紫外图像时平均交并比(Mean Intersection over Union, MIoU)达到81.78%,平均精确率为95.97%。与U-Net网络相比,提出的VSA-UNet模型明显提升了紫外图像分割的准确性。     

DVUGAN:基于STDCT的DDSP集成变分U-Net的语音增强

本文提出基于生成对抗网络设计的DVUGAN模型,用于语音增强任务.该模型工作在变换域上,输入采用STDCT特征,该特征能隐式表达相位,可在实值网络中学习,避免了复频域复杂网络或处理,利用相位的同时降低模型复杂度;生成器采用变分U-Net编解码器,集成DDSP组件利用强归纳偏置显著提升自动编码器性能,变分概率瓶颈改善脉冲...     

基于改进的3D U-Net骨盆CT影像多类分割

骨盆CT影像精确分割是骨盆骨疾病的临床诊断和手术规划中非常重要的环节。针对目前2D骨盆分割方法对三维医学影像进行切片处理时损失空间信息的问题,提出了改进3D U-Net网络实现对骨盆CT影像3D自动分割。实验数据为公开数据集CTPelvic1K共1 184名患者骨盆CT影像,其中包含骶骨、左髋骨、右髋骨和腰椎四个部位标签。以3D U-Net骨干网络为基础,结合自注意力机制提出3D多类分割模型3D Trans U-Net,并使用迁移学习训练3D U-Net、V-Net、Attention U-Net作为对照实验。实验结果表明：3D Trans U-Net在测试集上整个骨盆区域、骶骨、左髋骨、右髋骨、腰椎Dice系数分别达到97.99%,96.70%,97.96%,97.95%,96.89%;Dice系数、豪斯多夫距离等评价指标均优于现有经典网络3D U-Net、V-Net、Attention U-Net。因此,改进的3D Trans U-Net对骨盆不同部位具有较好的分割效果,为精准医治骨盆骨疾病提供了一条有效的技术途径。     

一种针对膝关节CT图像分割的卷积神经网络

针对现有的膝关节CT图像分割方法耗时长、精度低的问题,文中提出一种改进U-Net的卷积神经网络。首先,该网络将添加批归一化层的残差模块作为U-Net编码过程的主要单元,以增加对图像特征的提取能力,克服网络训练过程中可能产生的梯度消失和梯度爆炸问题;其次,把Attention U-Net中的注意力门加入到U-Net解码过程的前3个阶段,在尽量减少网络复杂性的同时突出模型对图像重要特征的学习;最后,该网络结合Adam一阶优化算法和Focal Loss损失函数实现膝关节CT图像的精准分割。在膝关节CT图像数据集上,Dice系数、IOU系数精度分别达到96.5%,93.4%,豪斯多夫距离减小到（3.2±1.3）mm。相比U-Net和SegNet模型,文中算法在膝关节CT图像的分割方面精度更高,网络训练时间减少,平均预测每张图像的效率也有较大提高。     

基于改进U-Net的磁共振成像脑肿瘤图像分割

针对医学图像分割中网络深度过深和上下文信息欠缺导致的分割精度降低等问题,提出了一种基于改进U-Net的磁共振成像(MRI)脑肿瘤图像分割算法。该算法通过嵌套残差模块和密集跳跃连接组成一种深度监督网络模型。为了减小编码路径和解码路径特征图之间的语义差距,将U-Net中的跳跃连接改为多类型的密集跳跃连接;为了解决网络过深导致的退化问题,加入残差模块,以防止网络梯度消失。实验结果表明,本算法分割肿瘤整体、肿瘤核心、增强肿瘤的Dice系数分别为0.88、0.84、0.80,满足临床应用的需求。     

改进的U-Net算法在遥感图像典型农作物分类研究

针对传统算法提取遥感图像分类特征不全,及识别农作物分类准确率不高的问题,以无人机遥感图像为数据源,提出改进U-Net模型对研究区域薏仁米、玉米等农作物进行分类识别。实验中首先对遥感影像进行预处理,并进行数据集标注与增强;其次通过加深U-Net网络结构、引入SFAM模块和ASPP模块,多级多尺度特征聚合金字塔方法等对算进行法改进,构建改进的U-Net算法,最后进行模型训练与改进修正。实验结果表明:总体分类精度OA达到88.83%,均交并比MIoU达到0.52,较传统U-Net模型、FCN模型和SegNet模,在分类指标和精度上都有明显的提升。     

一种基于TransUnet的臂丛神经超声图像分割网络

在医疗图像分割领域中，以臂丛神经(Brachial Plexus, BP)超声图像为例的部分超声图像中存在对比度低、边缘模糊和噪声多等问题，使得对目标区域的准确分割十分困难。为此，基于TransUnet网络框架将Transformer模块引入U-Net网络编码端，利用其自注意力机制更好地捕捉图像中的全局特征，提高模型的特征提取能力；同时将空洞卷积应用到网络的跳跃连接来增大感受野，降低特征图中的噪声影响，为解码端提供更显著的特征。实验表明，与传统的U-Net、SegNet以及基于Transformer的MedT(Medical Transformer)相比，设计的网络模型具有更高的Dice系数和IoU值，Dice系数较前三者最高提升了13.2%。     

改进U-Net的光条纹分割算法

针对传统基于线结构光的视觉测量系统存在光条纹分割精度低的问题,提出了一种改进U-Net的光条纹分割算法。改进算法使用VGG16的卷积池化层代替U-Net编码块中的卷积池化层,在U-Net编-解码层间的跳连接中引入坐标注意力机制,在U-Net编码块末端接入金字塔池化模块,采用Dice函数和交叉熵函数的组合作为网络的损失函数,解决了光条纹占比失衡问题。基于线结构光测量原理,设计了工件尺寸测量系统。实验结果表明：改进U-Net算法的平均像素准确度（mpa）为95.61%,平均交并比（mIoU）为89.73%,均高于其他对比算法;工件测量尺寸的绝对误差小于0.1 mm,相对误差小于1%,重复精度小于0.2%,满足工件的检测要求。