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。     

一种改进级联U-Net网络的结肠息肉分割算法

结肠镜图像中息肉的精确分割是诊断结肠癌的关键环节,针对目前结肠息肉分割算法存在孔洞、分割粗糙以及分割不完全的问题,提出了一种改进级联U-Net结构的结肠息肉分割算法。运用特征融合思想,设计了多尺度语义嵌入模块和残差模块,充分利用深、浅层特征的语义信息。引入注意力机制,在模型的级联处构建了改进空洞卷积模块,扩大卷积感受野并增强特征捕获能力。改进了卷积层模块和分割损失函数,提升模型的泛化性和鲁棒性。在Kvasir-SEG数据集上进行实验分析,相似系数、平均交并比、召回率和准确率分别达到了90.39%、88.34%、83.62%和95.12%。实验结果表明,该文所提算法改善了分割图像内部孔洞、边缘粗糙及分割不完全的问题,优于其他息肉分割算法。     

基于空洞U-Net网络的乳腺细胞图像分割算法

乳腺细胞的准确分割是乳腺组织切片图像病理分析的关键环节,对乳腺癌的诊治具有重要价值.针对乳腺细胞图像分割中细胞边界不清晰、分割准确率低的问题,提出一种基于空洞U-Net网络的乳腺细胞图像分割算法.在U-Net网络中引入空洞卷积增大卷积层感受野,获得包含更多乳腺细胞边缘信息的特征图,在卷积层和池化层间增加实例归一化层,提...     

基于阶梯结构的U-Net结肠息肉分割算法

结肠息肉的精确分割对结直肠癌的诊断和治疗具有重要意义,目前的分割方法普遍存在有伪影、分割精度低等问题。该文提出一种基于阶梯结构的U-Net结肠息肉分割算法(SU-Net),使用U-Net的U型结构,利用Kronecker乘积来扩展标准空洞卷积核,构成Kronecker空洞卷积下采样有效扩大感受野,弥补传统空洞卷积容易丢失的细节特征;应用具有阶梯结构的融合模块,遵循扩展和堆叠原则形成阶梯状的分层结构,有效捕获上下文信息并从多个尺度聚合特征;在解码器引入卷积重构上采样模块生成密集的像素级预测图,捕获双线性插值上采样中缺少的精细信息。在Kvasir-SEG数据集和CVC-EndoSceneStill数据集上对模型进行了测试,相似系数(Dice)指标和交并比(IoU)指标分别达到了87.51%, 88.75%和82.30%, 85.64%。实验结果表明,该文所提方法改善了因过度曝光、低对比度引起的分割精度低的问题,同时消除了边界外部的图像伪影和图像内部不连贯的现象,优于其他息肉分割方法。     

基于多尺度特征融合和注意力机制的医学图像分割网络

针对传统编解码结构的医学图像分割网络存在特征信息利用率低、泛化能力不足等问题,该文提出了一种结合编解码模式的多尺度语义感知注意力网络(multi-scale semantic perceptual attention network,MSPA-Net) 。首先,该网络在解码路径加入双路径多信息域注意力模块(dual-channel multi-information domain attention module,DMDA) ,提高特征信息的提取能力;其次,网络在级联处加入空洞卷积模块(dense atrous convolution module,DAC) ,扩大卷积感受野;最后,借鉴特征融合思想,设计了可调节多尺度特征融合模块 (adjustable multi-scale feature fusion,AMFF) 和双路自学习循环连接模块(dual self-learning recycle connection module,DCM) ,提升网络的泛化性和鲁棒性。为验证网络的有效性,在CVC-ClinicDB、ETIS-LaribPolypDB、COVID-19 CHEST X-RAY、Kaggle_3m、ISIC2017和Fluorescent Neuronal Cells等数据 集上进行验证,实验结果表明,相似系数分别达到了94.96%、92.40%、99.02%、90.55%、92.32%和75.32%。因此,新的分割网络展现了良好的泛化能力,总体性能优于现有网络,能够较好实现通用医学图像的有效分割。     

基于改进U-Net网络的甲状腺结节超声图像分割方法

针对甲状腺结节尺寸多变、超声图像中甲状腺结节边缘模糊导致难以分割的问题,该文提出一种基于改进U-net网络的甲状腺结节超声图像分割方法。该方法首先将图片经过有残差结构和多尺度卷积结构的编码器路径进行降尺度特征提取;然后,利用带有注意力模块的跳跃长连接部分对特征张量进行边缘轮廓保持操作;最后,使用带有残差结构和多尺度卷积结构的解码器路径得到分割结果。实验结果表明,该文所提方法的平均分割Dice值达到0.7822,较传统U-Net方法具有更优的分割性能。     

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。     

一种改进的I-Unet网络的皮肤病图像分割算法

黑色素瘤是常见的皮肤癌,皮肤病图像分割在皮肤癌诊断过程中起到至关重要的作用。为了利用I-Unet深度神经网络强大的编码解码功能来自动分割出皮肤病病灶区域,文中提出一种改进的I-Unet网络的皮肤病图像分割算法。该方法采用空洞卷积扩大卷积感受野,利用类Inception和循环神经网络(RCNN)分别提取图像不同尺度的特征,并进行多尺度特征融合,运用全连接条件随机场(CRF)进行图像后处理。结果表明,所提算法在皮肤病图像分割中取得了良好的效果,算法的Jaccard系数达到了0.780,Dice系数稳定在0.871;与同类最佳研究结果相比,Jaccard系数及Dice系数分别提高了1.5%,2.2%,表明该方法有效提升了网络图像分割的性能。     

C2 Transformer U-Net:面向跨模态和上下文语义的医学图像分割模型

跨模态的医学图像可以在同一病灶处提供更多的语义信息,针对U-Net网络主要使用单模态图像用于分割,未充分考虑跨模态、上下文语义相关性的问题,该文提出面向跨模态和上下文语义的医学图像分割C2 Transformer U-Net模型。该模型的主要思想是:首先,在编码器部分提出主干、辅助U-Net网络结构,来提取不同模态的语义信息;然后,设计了多模态上下文语义感知处理器(MCAP),有效地提取同一病灶跨模态的语义信息,跳跃连接中使用主网络的两种模态图像相加后传入Transformer解码器,增强模型对病灶的表达能力;其次,在编-解码器中采用预激活残差单元和Transformer架构,一方面提取病灶的上下文特征信息,另一方面使网络在充分利用低层和高层特征时更加关注病灶的位置信息;最后,使用临床多模态肺部医学图像数据集验证算法的有效性,对比实验结果表明所提模型对于肺部病灶分割的Acc, Pre, Recall, Dice, Voe与Rvd分别为:97.95%, 94.94%, 94.31%, 96.98%, 92.57%与93.35%。对于形状复杂肺部病灶的分割,具有较高的精度和相对较低的冗余度,总体上优于现有的先进方法。     

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。     

适用于面诊图像分割的轻量级网络

目前，面诊图像脏腑分布区域的分割大多采取传统分割方法或重量级分割网络，存在鲁棒性不强或实时性差的不足。针对上述问题，提出一种结合空洞卷积、通道重排、通道分割和非对称卷积的瓶颈结构，并基于此结构构建一种轻量级面诊图像实时语义分割网络。首先，通过通道分割方法分割通道，分别对分离得到的通道进行非对称卷积和空洞非对称卷积，以实现减少参数量的同时密集提取特征；其次，采用通道重排技术对处理后分离的通道进行重排，以实现通道之间的信息交互；然后，利用残差与输入特征进行连接，丰富特征信息。此外，针对中医面部五脏反射区域存在模糊边界而导致分割效果不佳的问题，提出一种加权边界感知损失函数，在模型训练的过程中给区域边界的像素赋予更大的权重。在单个GTX 1080 GPU上对面诊图像数据集进行实验，总体像素准确率、平均交并比和F1分数分别达到98.34%,86.76%和92.81%，推理速度达到57 f/s，取得整体对比最佳的分割性能。实验结果表明，所提方法能够在保证分割精度的同时实现实时分割。     

基于深度学习的医学图像分割方法研究进展

医学图像处理技术随着深度学习的兴起而飞速发展。基于深度学习的医学图像分割技术成为了分割领域的主流方法，弥补了传统分割方法分割精度不足的缺点，已被应用到一些病理图像的分割任务中。文中对近年来出现的基于深度学习的分割方法进行了介绍和对比，重点综述了U-Net及其改进模型在分割领域的贡献，归纳了常见的医学图像模态、分割算法的评价指标和常用分割数据集，并对医学图像分割技术的未来发展进行了展望。     

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...     

医学图像分割技术

医学图像分割作为图像处理技术的关键步骤,为医生临床诊断、手术方案制定、病灶的定位提供重要依据。与普通图像不同,医学图像具有模糊、不均匀的特点,这使分割的难度大大增加。目前,医学图像分割技术繁多,总的来说可以分为基于区域、基于边缘、与特定理论相结合的方法。我们今后研究的重点是制定评价算法优劣的定量准则。     

关于医学图像分割的综述

医学图像分割是医学图像处理中最基本和最重要的技术,其目的是把图像空间分割成一些有意义的区域.医学图像分割技术的发展决定着医学图像处理中其它相关技术的发展.本文在大量阅读国内外近期文献的基础上,对近年来医学图像分割技术的发展进行了分类综述.