基于级联Vnet-S网络的CT影像单一器官自动分割算法

为了快速准确地对计算机断层扫描（CT）影像中的器官进行分割，提出基于级联Vnet-S网络的单一器官自动分割算法。首先，使用第一个Vnet-S网络对CT影像中的器官进行粗分割；然后，选择分割结果中的最大连接通量做两次膨胀，根据膨胀后的最大连接通量确定器官边界并提取器官区域；最后，使用第二个Vnet-S网络对器官进行细分割。为了验证算法的性能，采用MICCAI 2017 Liver Tumor Segmentation Challenge （LiTS）数据集进行肝脏分割实验，采用ISBI LUng Nodule Analysis 2016（LUNA16）数据集进行肺分割实验。级联Vnet-S算法在LiTS的70例线上测试数据上的Dice系数为0.9600，在LUNA16的288例测试数据上的Dice系数为0.9810，均高于Vnet-S网络和Vnet网络。实验结果表明，基于级联Vnet-S网络的单一器官分割算法可以准确地对器官进行分割，而且级联Vnet-S算法的计算量小于Unet网络和Vnet网络。     

应用化肝脏病灶分割的预测方案

准确的肝脏病灶分割是计算机辅助医生进行肝癌诊断和制定相应治疗计划的重要前提，针对高精度分割算法普遍存在的过程复杂、分割需多步完成的问题，提出了一种同时预测肝脏区域和病灶区域的端到端U-net分割算法。改进基础U-net模型，加入特征复用思想以提高网络模型对于特征的利用效率；对损失函数进行改进，采用交叉熵和Dice系数相结合，同时加入欠分割惩罚因子微调，提高模型预测能力及病灶的检出比例；加入[[-200,200]]的阈值化预处理和提取肝脏最大联通域、删除病灶扁平预测结果的后处理来优化结果。在MICCAI_2017_LiTS数据集的实验表明，端到端网络依然可以达到复杂网络、多步分割网络的算法精度。     

基于深度监督残差网络的肝脏及肝肿瘤分割

针对医生手动对肝脏肿瘤 CT 图像分割耗时、耗力,且易受主观判断影响的问题,该研究提 出一种深度监督残差网络(Deeply Supervised Residual Unet,DS-ResUnet)算法,以实现对腹部增强 CT 图像中肝脏及肝脏肿瘤区域进行全自动分割的目的。首先,利用公开发布的 MICCAI2017 肝脏肿瘤分 割(LiTS)挑战赛数据集,并使用 python 及 TensorFlow 开源框架进行数据分析;然后,构建深度监督 残差网络对肝脏及肝肿瘤图像进行自动分割;最后,通过平均 Dice 系数、全局 Dice 系数、Jaccard 系 数、平均对称表面距离(ASSD)、95% 豪斯多夫距离(HD95)、准确率和召回率七个评价指标对所提出 算法与 Unet 模型的性能进行比较分析。结果显示,所提出的 DS-ResUnet 算法在肝脏分割上的七个评 价指标结果依次为 96.06%、95.08%、92.54%、1.98 mm、12.87 mm、96.11%、96.06%,优于 Unet 模 型的结果(95.71%、94.52%、91.91%、2.41 mm、14.21 mm、95.48%、96.01%);在肝肿瘤分割上的 七个评价指标结果依次为 67.51%、76.65%、54.21%、6.65 mm、25.34 mm、80.39%、64.27%,也优 于 Unet 模型的结果(60.67%、73.47%、47.39%、9.43 mm、39.38 mm、79.61%、58.01%)。这表明所 提出的算法有效地提高了分割效果,实现了从 3D 腹部增强 CT 图像中全自动分割肝脏和肝肿瘤区域 的目的。     

利用U型网络的遥感影像建筑物规则化提取

针对全卷积神经网络双线性插值及转置卷积算法在高分遥感影像建筑物提取任务中无法准确还原分割对象轮廓的问题，基于Unet网络建立改进的ResNeXt＿SPP＿Unet全卷积神经网络，并提出改进Douglas Peucker图像后处理算法完成建筑物提取规则化。ResNeXt＿SPP＿Unet网络重点优化两个方面，一是将Unet中的标准卷积替换为ResNeXt Block，在减少模型运算数量的同时提高网络的分割精度；二是在Encoder末尾阶段引入SPP金字塔池化层，以多尺度特征融合的方式提升对象边缘的分割准确度。经实验对比分析，结果表明在高分遥感影像建筑物提取任务中，改进ResNeXt＿SPP＿Unet优于Unet等经典分割网络及ResUnet++等前沿分割网络，平均交并比达到了0.853 8，平均像素准确率达到了0.935 9。最后，将改进的Douglas Peucker算法衔接于ResNeXt＿SPP＿Unet模型之后，通过增加对建筑物轮廓边缘的旋转及连接等处理操作改进该算法，进一步拟合建筑物真实轮廓，对建筑物的边界进行规则化校正，效果良好。     

一种结合注意力残差的肝脏及肝肿瘤分割算法

长时间的肝脏医学图像人工诊断容易使医生产生疲劳,导致误诊和漏诊情况发生。针对以上现象提出一种改进的Unet网络用于肝脏和肝肿瘤自动分割。改进Unet模型,引入注意力残差结构和特征复用结构,提高输入图像中特征信息的利用效率;对损失函数进行改进,在Dice系数中加入欠分割和过分割惩罚因子,提高模型的预测能力。在公开数据集上的实验结果表明：该算法对肝脏和肝肿瘤的分割相似系数分别达到了0.962和0.713,优于现有的分割模型且具有较强的鲁棒性。     

基于RV-FCN的CT肝脏影像自动分割算法

由于肝脏的大小、形状因人而异,且CT影像中肝脏与其毗邻器官的灰度对比值较低,难以精准地判断肝脏影像的边界信息。为此,提出一种基于全卷积神经网络(FCN)的改进算法,在FCN的基础上引入残差和VGG-16网络,得到肝脏影像的初始分割结果。引入批归一化和PReLU激活函数,提高网络的泛化能力和收敛速度。采用条件随机场方法,进一步优化分割结果,提高分割准确率。通过VTK和ITK系统对二维肝脏影像进行三维重建。在3DIRCADb数据集上的实验结果验证了该算法的有效性和高效性。     

基于改进Unet网络的CT图像肺实质自动分割算法

肺实质分割是计算机辅助诊断肺癌中的重要步骤。针对Unet分割精度不足和收敛速度慢的问题,提出一种基于改进Unet的肺实质分割算法。采用K-means聚类和凸包扫描算法进行预分割,完成肺实质的定位和修正。以Unet结构为基础,引入Sobel卷积层强化边缘区域的高通滤波,并在特征融合中加入随机失活模块,进一步提升分割精度。将传统图像处理方法与深度学习相结合,获得了优化改进的分割模型。实验表明,该算法可以准确高效地分割肺实质,平均Dice相似系数达到0.983 4,收敛速度和分割性能均优于其他几种较新的分割算法。     

融合Xception特征提取和坐标注意力机制的血细胞分割

人体血细胞的检测与分割可以辅助医生快速对人体当前健康情况做出简单判断,对诊断疾病具有重要意义.为了解决传统图像分割算法在血细胞分割任务中出现错误分割目标、无法完全分割目标等问题,提出了一种融合Xception特征提取和坐标注意力机制的血细胞分割算法XCA-Unet++.该算法在Unet++网络结构的基础上,在编码器部分引入Xception特征提取网络以更好地提取低层特征信息.设计了一种以坐标注意力机制为基础的注意力细胞检测模块,增强了网络对血细胞模糊边缘和不完整细胞的特征提取能力.采用DiceLoss作为损失函数以优化数据集正负样本不均衡问题和提高网络的收敛能力.在公开血细胞数据集上的实验对比表明, XCA-Unet++网络在IoU、Acc和F1评估指标下分别取得94.44%、96.78%和97.12%的结果,分割性能优于其他分割网络,满足血细胞分割任务的精度要求.     

基于改进粒子群算法的图像闭值分割方法

针对图像提取问题,最优阈值选取是否合理对图像分割效果至关重要。在处理不同种类图像区域时,粒子群算法(PSO)由于早熟现象难以准确计算最优分割阈值,因此导致图像分割准确率低。为了提高图像分割准确率且准确地提取出图像目标,提出一种基于混沌粒子群算法(CPSO)的图像阈值分割方法。受益于混沌运行的遍历性、对初始条件的敏感性等优点,CPSO很好地解决了PSO的粒子群过早聚集和陷入局部最优等难题,加快了全局搜索最优解的能力。采用具体图像对CPSO算法图像分割性能进行仿真实验,结果表明,相比于其它图像分割算法,CPSO不仅加快了运算速度,提高了图像分割效率,而且提高了图像分割准确率,非常适合于图像实时分割处理。     

基于反卷积特征学习的图像语义分割算法

随着深度学习的发展,语义分割任务中许多复杂的问题得以解决,为图像理解奠定了坚实的基础.本文算法突出表现在两个方面,其一是利用反卷积网络,对卷积网络中不同深度的卷积层提取到的多尺度特征进行融合,之后再次通过反卷积操作对融合后的特征图进行上采样,将其放大到原图像的大小,最后对每个像素进行语义类别的预测.其二为了提升本文网络结构的性能,提出一种新的数据处理方式,批次中心化算法.经过实验验证,本文算法在SIFT-Flow数据集上语义分割的平均准确率达到45.2%,几何分割的准确率达到96.8%,在PASCAL VOC2012数据集上语义分割的平均准确率达到73.5%.     

基于条件能量对抗网络的肝脏和肝肿瘤分割

从图像中分割出肝脏和肝肿瘤是肝部疾病诊断重要手段之一,现有基于卷积神经网络（Convolutional Neural Network,CNN）方法通过为输入图像中每个像素分配类别标签来实现肝脏和肝肿瘤分割。CNN在对每个像素分类过程中没有使用邻域内其他像素类别信息,容易出现小目标漏检和目标边界分割模糊问题。针对这些问题,提出了条件能量对抗网络用于肝脏和肝肿瘤分割。该方法基于能量生成对抗网络（Energy-Based Generative Adversarial Network,EBGAN）和条件生成对抗网络（Conditional Generative Adversarial Network,CGAN）,使用一个基于CNN的分割网络作为生成器与一个自编码器作为判别器,通过将判别器作为一种损失函数来度量并提升分割结果与真实标注之间的相似度。在对抗训练过程中,判别器将生成器输出的分割结果作为输入并将原始图像作为条件约束,通过学习像素类别之间的高阶一致性提高分割精度,使用能量函数作为判别器避免了对抗网络训练中容易出现的梯度消失或梯度爆炸,更易于训练。在MICCAI 2017肝肿瘤分割（LiTS）挑战赛的数据集和3DIRCADb数据集上对提出的方法进行验证,实验结果表明,该方法不仅实现了肝脏与肝肿瘤的自动分割,还利用像素类别之间的高阶一致性提升了肿瘤和肝脏边界的分割精度,减少了小体积肿瘤的漏检。     

生成对抗网络在肝脏肿瘤图像分割中的应用综述

由于肝脏肿瘤图像复杂多样且肝脏肿瘤图像数据集获取困难等问题,快速准确地诊断肝脏肿瘤疾病面临着诸多挑战,尤其是肝脏肿瘤的分割是其中的关键研究内容。生成对抗网络在半监督学习领域具有强大的优越性,因此其在医学图像处理中得到广泛应用。为了分析肝脏肿瘤图像在分割领域的现状以及未来发展,针对应用GAN的肝脏肿瘤图像分割方法进行研究,介绍GAN模型的网络结构与衍生模型,重点总结并分析生成对抗网络在肝脏肿瘤图像分割中的应用,包括基于网络结构改进的GAN方法、基于生成器或判别器改进的GAN方法和基于GAN的其他改进方法。最后在已有的研究进展和基础之上,对GAN在肝脏肿瘤图像分割中的应用进行总结,讨论GAN在肝脏肿瘤图像分割上所面临的挑战,并对其未来发展进行展望。     

肝脏及肿瘤图像分割方法综述

肝脏肿瘤是一种发病率高且恶化概率高的疾病,为了快速地诊断肝脏疾病,需要从计算机断层扫描(CT)中准确地分割出肝脏及肿瘤。为了分析肝脏及肿瘤图像分割领域的现状及发展趋势,针对肝脏及肿瘤图像的分割方法进行了研究,总结了近些年肝脏及肿瘤图像的分割方法。肝脏及肿瘤图像分割方法包括传统方法以及深度学习方法。传统方法需要较多的人工参与,不能实现完全自动化。深度学习方法从分割网络的维度可分为2D、2.5D以及3D方法,这些方法分割精度高,硬件需求高。在考虑深度学习与传统方法优缺点的同时,它们的结合也被不断探索,图割法和条件随机场等传统方法经常被用于细化深度学习方法的分割结果。     

改进DeepLabV3+网络的遥感影像农作物分割方法

针对于当前遥感影像农作物提取存在的识别精度较低、边缘识别效果较差、提取速度慢等问题,提出了一种改进DeepLabV3+网络的遥感影像农作物分割方法。将特征提取网络改为更轻量级的MobileNetV2网络,空洞空间金字塔池化模块中的普通卷积改为深度可分离卷积,大幅减少模型计算量,提高模型计算速度;在特征提取模块以及空洞空间金字塔池化模块加入双注意力机制,进一步优化模型边缘识别效果,提升模型分割精度。此外针对农作物数据集类别不平衡问题,引入加权损失函数,给予玉米、薏米与背景类不同的权重,提高模型对农作物区域分割精度。以2019年某地区的无人机遥感影像为研究对象,对玉米、薏米两种农作物进行分割。实验结果表明,改进DeepLabV3+算法像素准确率可达到93.9%,平均召回率可达到90.7%,平均交并比可达到83.3%,优于传统DeepLabV3+、Unet、Segnet等常用于农作物提取的分割方法,对农作物具有更好的分割效果。     

基于全局注意力机制的肝脏血管分割

肝癌仍然是世界癌症死亡的主要原因,如今血管介入治疗是其主要的治疗方式,同时肝脏血管影像在该过程中有着关键作用,能够为专业的医生提供重要的参考价值.但是通过人工来标注血管是复杂且耗时的任务,因此实现自动肝脏血管分割对相关工作有着重大意义.本文提出了注意力门控单元,用于提高网络信息提取能力,并将该单元与UNetR网络相结合,提出一种新的网络结构——UNetR-AGM.在对腹部CT的预处理上使用了均衡过滤策略,不仅提高血管和周围组织的对比度,而且能够对血管完成粗分割.为了验证所提出方法有效性,本文将UNetR-AGM与其他人员的研究方法在MSD (medical segmentation decathlon)数据集上进行对比,并分析算法的准确性.实验结果表明,本文采用的方法与其他模型相比具有更好的效果.     

基于最大内切圆的肝影像自动分割方法

针对肝脏区域提取中的手动选择种子点以及提取时的准确性和完整性问题，提出了一种基于最大内切圆的肝影像自动分割算法。采用最大区域面积测量法锁定二值化后的肝脏区域，通过寻找锁定肝脏区域的最大内切圆的圆心来自动获取种子点位置；采用改进的区域生长算法进行图像分割。实验结果表明，该方法有效地解决了区域生长的种子点手动选取问题，并且能够精确、完整地分割出肝脏组织，避免了受主观因素影响而将种子点选取在边缘或噪声等错误位置。     

基于特征选择与残差融合的肝肿瘤分割模型

目的 高效的肝肿瘤计算机断层扫描(computed tomography, CT)图像自动分割方法是临床实践的迫切需求,但由于肝肿瘤边界不清晰、体积相对较小且位置无规律,要求分割模型能够细致准确地发掘类间差异。对此,本文提出一种基于特征选择与残差融合的2D肝肿瘤分割模型,提高了2D模型在肝肿瘤分割任务中的表现。方法该模型通过注意力机制对U-Net瓶颈特征及跳跃链接进行优化,为符合肝肿瘤分割任务特点优化传统注意力模块进,提出以全局特征压缩操作(global feature squeeze, GFS)为基础的瓶颈特征选择模块,即全局特征选择模块(feature selection module, FS)和邻近特征选择模块(neighbor feature selection module, NFS)。跳跃链接先通过空间注意力模块(spatial attention module, SAM)进行特征重标定,再通过空间特征残差融合(spatial feature residual fusion module, SFRF)模块解决前后空间特征的语义不匹配问题,在保持低复杂度的同时使特征高效表达。...