基于深度迁移学习的肺结节分割方法

针对U-Net分割小体积肺结节效果较差的问题,提出一种基于深度迁移学习的分割方法,利用分块式叠加微调（BSFT）策略辅助分割肺结节。首先,利用卷积神经网络学习自然图像大数据集的特征信息;然后,将所学特征迁移到进行肺结节图像小数据集分割的网络,从该网络最后一个下采样层开始逐块释放、微调训练,直到网络完成最后一层的叠加;最后,定量分析Dice相似性系数,以确定最佳分割网络。实验结果表明,BSFT在LUNA16肺结节公开数据集上的Dice值达到0.917 9,该策略的性能明显优于主流肺结节分割算法。     

基于多尺度特征融合与注意力机制的脊柱CT图像分割

本文针对医学脊柱CT图像因骨密度不均匀、骨骼结构复杂或图像成像分辨率低等因素造成的分割精度较低的问题,提出一种基于卷积-反卷积神经网络的CT图像脊柱分割方法.通过引入多尺度残差模块及注意力机制改进U-Net网络,训练特征模型并进行测试.在真实数据集上的实验结果表明,该方法能有效提高CT图像中脊柱的分割精度及分割效率,Dice系数评估值为0.97,IOU系数评估值为0.94.     

基于深度学习高分辨率遥感影像语义分割

高分辨率遥感影像含有丰富的地理信息.目前基于传统神经网络的语义分割模型不能够对遥感影像中小物体进行更高维度的特征提取,导致分割错误率较高.本文提出一种基于编码与解码结构特征连接的方法,对DeconvNet网络模型进行改进.模型在编码时,通过记录池化索引的位置并应用于上池化中,能够保留空间结构信息;在解码时,利用编码与解码对应特征层连接的方式使模型有效地进行特征提取.在模型训练时,使用设计的预训练模型,可以有效地扩充数据,来解决模型的过拟合问题.实验结果表明,在对优化器、学习率和损失函数适当调整的基础上,使用扩充后的数据集进行训练,对遥感影像验证集的分割精确度达到95%左右,相对于DeconvNet和UNet网络模型分割精确度有显著提升.     

基于改进Res-Unet的脑肿瘤核磁图像分割算法

针对全卷积网络在脑肿瘤核磁图像分割中信息丢失严重,分割精度差等问题,提出一种基于改进Res-Unet模型的脑肿瘤核磁图像分割算法。通过将深度残差结构融入到U-Net网络得到具有104个卷积层的深层Res-Unet网络,并将dropout整合到网络中减少训练过拟合,提高了网络的深度,加强了网络对特征表达的准确度。最后引入注意力机制,充分利用脑肿瘤核磁图像的空间信息和上下文信息。该算法采用Dice系数等指标评价,肿瘤整体区域达到0.90分,肿瘤核心区域为0.83分,肿瘤增强区域为0.80分。相比传统网络分割模型,本算法具有更好的分割性能。     

CT影像肺结节分割研究进展

准确分割肺结节在临床上具有重要意义。计算机断层扫描（computer tomography,CT）技术以其成像速度快、图像分辨率高等优点广泛应用于肺结节分割及功能评价中。为了进一步对肺部CT影像中的肺结节分割方法进行探索,本文对基于CT影像的肺结节分割方法研究进行综述。1）对传统的肺结节分割方法及其优缺点进行了归纳比较;2）重点介绍了包括深度学习、深度学习与传统方法相结合在内的肺结节分割方法;3）简单介绍了肺结节分割方法的常用评价指标,并结合部分方法的指标表现展望了肺结节分割方法研究领域的未来发展趋势。传统的肺结节分割方法各有优缺点和其适用的结节类型,深度学习分割方法因普适性好等优点成为该领域的研究热点。研究者们致力于如何提高分割结果的准确度、模型的鲁棒性及方法的普适性,为了实现此目的本文总结了各类方法的优缺点。基于CT影像的肺结节分割方法研究已经取得了不小的成就,但肺结节形状各异、密度不均匀,且部分结节与血管、胸膜等解剖结构粘连,给结节分割增加了困难,结节分割效果仍有很大提升空间。精度高、速度快的深度学习分割方法将会是研究者密切关注的方法,但该类方法仍需解决数据需求量大和网络模型超参数的确定等问题。     

基于通道注意力机制和U-net的医学图像分割方法

随着人工智能和医学大数据的发展,基于深度学习的医学图像分割技术因具有重要的应用价值和前景,已经成为目前的研究热点.为了增强特征图的语义信息,在U-net网络的基础上引入通道注意力机制,对U-net生成的特征逐通道进行压缩,将压缩后的特征逐通道计算权重,然后将该权重与原始特征相乘得出最终的特征.通过在两个不同器官的医学图像数据集上进行实验,Dice系数相较于原始U-net网络分别提高了2.7％和1.8％,验证了该方法的可行性和有效性.     

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。     

基于改进U-Net的下肢骨骼CT图像分割

针对骨骼CT图像对比度较低、特征不明显、现有算法对骨骼特征提取不充分的问题,本文提出了一种基于U-Net的改进网络来实现骨骼数据的精确分割.在网络编码阶段,使用密集连接的空洞卷积模块加强骨骼特征的提取;在网络解码阶段,使用结合注意力机制的融合模块充分利用空间信息与语义信息,改善骨骼信息丢失的问题.改进算法在人体下肢骨骼CT数据集中Dice系数达89.44%, IoU系数达80.55%.与U-Net模型相比, Dice系数提高了5.1%, IoU系数提高了7.63%.实验结果表明,提出的优化算法对下肢骨骼CT图像可以达到精确分割的效果,对骨科疾病的治疗与术前规划提供了参考.     

基于深度学习的自然灾害遥感影像语义分割

自然灾害种类繁多, 通过遥感影像语义分割相对比较困难. 为了能够更好实现遥感影像分割, 本文提出一种基于生成对抗网络的3层遥感影像语义分割模型, 针对不同场景的解析, 基于全卷积神经网络FCN, 设计一种多层次的遥感语义分割框架. 有效对遥感图像语义分割进行处理, 从而提高了模型的分割精度. 实验表明利用这种模型是有效的, 特别是受损建筑的分割结果, mIoU为82.28%, 通过该模型与其他网络模型进行对比, 其性能评价指标明显优于其他网络模型. 最后, 通过对自然灾害各种场景影像进行分析, 为应急管理部门提供一份可靠的数据报告.     

采用通道域注意力机制Deeplabv3+算法的遥感影像语义分割北大核心CSCD

为提取高分辨率遥感影像的典型地物,且针对Deeplabv3+在遥感图像分割任务中,边缘分割比较模糊,存在孔洞和遗漏分类的问题,基于深度学习提出在Deeplabv3+加入通道注意力机制模块以增强分割结果的方法。先通过深度卷积网络得到的高级特征图输入到通道注意力机制,进行通道间像素特征强化,再通过空间金字塔池获得多尺度输入图像,并且进行了类别不平衡的修正,提取出了完整的图像分割信息,实现了分割边界信息的优化。最后,通过采集广州市高分二号遥感影像进行遥感数据处理、标注、增强之后进行实验,对比经典语义分割网络U-Net、SegNet、PSPNet,结果表明,该方法的评估指标MIOU达到了96.19%,MPA达到了97.85%。     

肺部影像解剖结构分割数据集及应用

目的 从影像中快速精准地分割出肺部解剖结构可以清晰直观地分辨各解剖结构间的关系,提供有效、客观的辅助诊断信息,大大提高医生的阅片效率并降低医生的工作量。随着影像分割算法的发展,越来越多的方法应用于分割肺部影像中感兴趣的解剖结构区域,但目前尚缺乏包含多种肺部精细解剖结构的影像数据集。本文创建了一个带标签的肺部CT/CTA （computer tomography/computer tomography angiography）影像数据集,以促进肺部解剖结构分割算法的发展。方法 该数据集共标记了67组肺部CT/CTA影像,包括CT影像24组、CTA影像43组,共计切片图像26 157幅。每组CT/CTA有4个不同的目标区域类别,标记对应支气管、肺实质、肺叶、肺动脉和肺静脉。结果 本文利用该数据集,用于肺部CT解剖结构分割医学影像挑战赛——2020年第四届国际图像计算与数字医学研讨会,该挑战赛提供了一个肺血管、支气管和肺实质的评估平台,通过Dice系数、过分割率、欠分割率、医学和算法行业专家对分割和3维重建效果进行了评估,目的是比较各种算法分割肺部解剖结构的性能。结论 本文详细描述了包括支气管、肺实质、肺叶、肺动脉和肺静脉等解剖结构标签的肺部影像数据集和应用结果,为相关研究人员利用本数据集进行更深入的研究提供参考。     

基于U-Net优化的SAR遥感图像语义分割

多光谱图像的分割是遥感图像解译的重要基础环节,SAR遥感图像中包含着复杂的地物目标信息,传统的分割方法存在耗时长、效率低等问题,导致传统图像分割方法的应用受限.近年来,深度学习算法在计算机视觉方向的应用取得了较好的成果,针对多光谱遥感影像语义分割问题,使用深度学习的语义分割方法来实现遥感影像的高性能分割,在U-Net网络结构上添加激活层、Dropout层、卷积层,提出一种基于U-Net优化的深度卷积神经网络,在少量数据集的基础上实现了对以SAR图像合成的多光谱影像中耕地、建筑、河流的快速检测,整体分割准确率达94.6％.与U-Net,SegNet的对照实验结果表明,所提方法的分割准确率相比U-Net,SegNet整体较优,相比U-Net和SegNet分别提升了2.5％与5.8％.     

基于CT影像的肺组织分割方法综述

CT影像具有空间分辨率高的优点,是肺部疾病影像学诊断的首选方式。肺部病灶的检测和测量、肺功能的定量分析均需要精确的肺组织分割。为解决CT影像存在噪声、伪影、部分容积效应等干扰,而导致的肺部各组织之间灰度交叠、边界模糊、难以分离的问题,系统的综述了针对肺部各个分割对象的有效解决方法。从肺实质分割、肺血管分割、肺气道分割、肺叶分割、肺结节分割以及肺部病变组织的分割等方面,详细分析了面临的挑战性问题和当前研究进展,并阐述了肺组织分割方法的发展趋势。     

基于可分离金字塔的轻量级实时语义分割算法

针对现有语义分割算法参数量过多、内存占用巨大导致其很难满足自动驾驶需要等现实应用的问题,提出一种基于可分离金字塔模块（SPM）的新颖、有效且轻量的实时语义分割算法。首先,利用特征金字塔形式的分解卷积和扩张卷积来构建瓶颈结构,从而以一种简单但有效的方式提取局部和上下文信息;然后,提出基于计算机视觉注意力的上下文通道注意力（CCA）模块,来利用深层语义修改浅层特征图通道权重优化分割效果。实验结果显示：所提出的算法在Cityscapes测试集上以每秒91帧的速度达到了71.86%的平均交并比（mIoU）。相较高效残差分解卷积网络（ERFNet）,所提算法mIoU提高了3.86个百分点,处理速度是其2.2倍;与最新的非局部高效实时算法（LRNNet）相比,所提算法mIoU略低0.34个百分点,但处理速度每秒上升了20帧。实验结果表明,所提算法有助于完成如自动驾驶中要求的高效、准确的街道场景图像分割任务。     

基于内卷U-Net的医学图像分割模型

图像分割技术的主要对象为自然图像和医学图像,相对于自然图像而言,医学图像的语义分割通常需要较高的精度以进行下一步的临床分析、诊断和规划治疗。目前用于医学图像语义分割的深度神经网络模型由于仅考虑位置的平移不变性,存在局部感受野较小、无法表达长范围依赖关系的问题。设计一种面向医学图像的分割模型,基于内卷U-Net网络,使用内卷操作代替传统的卷积操作,并将内卷结构作为基本的网络结构,提升模型对医学图像局部特征的学习能力。在模型的瓶颈层引入注意力机制模块来学习图像长范围的依赖关系,以提高医学图像语义分割的精度。在肺部CT数据集上的实验结果表明,该模型的Dice系数为0.998,较基于卷积神经网络的分割模型约提高5%,并且大幅缩短Hausdorff距离,具有更高的分割准确度以及较好的稳健性。     

基于MAU-Net的CT多器官分割

基于计算机断层扫描(CT)图像的多器官精准分割能够准确诊断病灶, 快速制定治疗计划, 提高临床工作的效率. 传统分割算法针对形变大、体积较小且边缘模糊的器官分割效果相对较差. 本文提出了一种改进的U-Net的医学图像分割网络(MAU-Net), 通过引入两个模块, 旨在实现对多器官的精准分割. 多尺度空洞卷积模块通过不同内核大小实现捕捉目标器官多尺度特征. 动态注意力模块精确提取重要特征实现分支间的权重平衡. 通过消融实验和其他主流网络的对比实验, 验证了MAU-Net的优越性. 相比于传统的U-Net模型, MAU-Net在所有器官上平均Dice相关系数(DSC)提高了3.39%, 平均95%豪斯多夫距离(HD)降低了4.84 mm. MAU-Net在多器官分割任务中展现了出色的鲁棒性和应用潜力, 有助于提高临床工作效率和医疗诊断的准确性.     

U-Net在肺结节分割中的应用进展

医学上实现自动肺结节精准分割具有十分重要的临床意义。随着计算机视觉的显著进步,深度学习作为人工智能的一部分,在医学图像自动分割中引起了越来越多的关注。U-Net由于在小样本数据集上的良好表现,在医学图像分割领域得到广泛应用。目前,研究人员正在尝试使用不同的U-Net结构,以提高计算机辅助诊断系统在医学图像的肺癌筛查中的性能。首先,围绕肺结节分割任务介绍了当下常用的数据集和评价指标;其次,调查与肺结节相关的U-Net分割技术网络;另外,基于U-Net分别分析与归纳编解码器、跳跃连接和整体结构的改进;最后,还讨论了基于深度学习的自动分割技术的挑战和限制。     

基于DH-Swin Unet的医学图像分割算法

骨关节疾病自古以来是人类最高发的疾病之一, 随着老龄化的不断加快, 这类疾病日趋广泛, 关节外科医师面临着巨大挑战. 对人体关节的图像分割方法研究可以帮助医生进行临床诊断和治疗, 然而, 由于存在噪声、模糊、对比度低等问题, 医学图像的特征提取比普通图像更具挑战性, 而且目前大多数分割模型在编码器和解码器之间都采用了普通的跳跃连接, 没有注重解决跳跃连接过程中的信息间隙和损失问题. 为解决这些问题, 提出一种基于DH-Swin Unet的医学图像分割算法, 该模型在Swin-Unet模型的基础上, 在跳跃连接中引入密集连接的Swin Transformer块, 并加入混合注意力机制, 来强化网络的特征信息传递. 通过在某三甲医院提供的真实临床数据对所提方法的性能进行评价, 结果表明, 所提出的方法取得了DSC为86.79%、HD为32.05 mm的分割结果, 在关节疾病的临床诊断中具有一定的实用价值.     

基于双分支融合注意力机制的图像分割算法

针对DeepLabV3+在特征提取阶段忽略了不同尺度特征重要程度出现的部分细节信息损失导致图像分割不细致,提出一种融合双分支特征提取和注意力机制的改进算法. ResNet101骨干网络初步提取出的特征图作为注意力机制的输入特征,解决了网络退化及梯度消失的问题,也能够捕获到被DeepLabV3+忽略的图像细节信息;设计双分支特征提取机制扩大特征提取能力,细化图像边缘信息以优化网络对不同尺度特征关注不均的问题;同时,联合采用交叉熵损失和类别不平衡函数两种损失函数作为损失函数,通过聚焦于前景样本降低背景的影响,提高算法分割精度.实验结果表明,改进算法在PASCAL VOC 2012和CityScapes数据集上的平均交并比(MIoU)值分别达到了79.92%和68.59%,与经典算法和基于DeepLabV3+改进的算法相比,特征提取的准确性有所提高,分割效果更优.     

基于深度语义分割的无人机遥感影像水体提取研究

快速、可靠地获取遥感影像中的水体对于指导人类生产活动和掌握水资源的分布规律、开发保护具有重要意义。本研究根据无人机遥感影像在复杂环境下采用OCRNet语义分割模型结合HRNet骨干网进行水体提取,充分利用了水图像的特征,有效抑制了非水噪声,加快了模型的收敛速度。实验结果表明,该网络在准确率上有着不错的表现,Acc可达到99.30%,mIoU为0.9281,kappa系数（KC）为0.9231。