基于HESSIAN多尺度因子的视网膜血管分割方法

在医学领域,许多疾病会引起眼底视网膜血管结构和形态的变化,及时对其检测分析可起到疾病预防作用。针对视网膜血管的连续树杈状图像特征,运用对线段结构有良好检测能力的Hessian矩阵进行视网膜血管分割,然而仅使用单尺度难以分割整个血管网络。文章使用一种基于Hessian多尺度因子的分割方法,构造高斯二维核函数引入空间尺度因子,实现视网膜血管的全面分割。仿真结果表明,多尺度因子在正确分割大血管脉络的同时,对微小血管也具有较好的分割能力。     

基于多尺度多路径FCN的视网膜血管分割

视网膜血管的形态结构信息可以为糖尿病、高血压等疾病提供诊断依据。提出了一种基于多尺度多路径的全卷积神经网络的视网膜血管分割方法。首先,利用空洞卷积代替池化层和上采样操作,在不增加参数的情况下增加感受野,避免了细节信息的丢失;其次,通过使用不同空洞率的空洞卷积实现图像数据的多尺度特征提取,充分学习图像的多尺度特征,避免网络过深,并提升了细小血管的提取能力;同时,利用跳层结构在网络中建立多条信息流通路径,通过多路径信息流充分传递多尺度特征信息,提高网络预测效果。实验结果表明,该算法在DRIVE数据集上的平均准确度、灵敏度和特异性分别为95. 46%、81. 24%、97. 77%,取得了较好的视网膜血管的分割效果。     

基于多路径输入和多尺度特征融合的视网膜血管分割

视网膜血管的形态变化,如分叉角度、扩张程度等 ,可为眼底疾病的诊断提供依据。 使用深度学习技术对视网膜病变程度进行评估成为目前研究的重点。提出了一种基于多 路径输入和多尺度特征融合的视网膜血管分割方法来解决视网膜血管分割问题。采用了 多路径输入和多特征融合的方式改进了U-Net模型,使本文的网络能够有效的解决眼底视网 膜图像的分割效果差的 问题。实验结果表明,算法在DRIVE和CHASE_DB1数据集上,敏 感性分别取得0.814和0.813,特异性 分别取得0.984和0.986,在分割准确率指标上 分别取得0.969和0.975,所提方法相较于其他方法较优。     

基于多尺度一致性与注意力机制的视网膜血管分割网络

针对现有的视网膜血管分割方法存在对微血管和毛细血管的分割能力不足,导致血管断连和末端血管漏分,造成视网膜血管分割性能不佳的问题,本文提出一种基于多尺度一致性与注意力机制的视网膜血管分割网络(multi-scale consistency and attention mechanism U-Net, MCAU-Net)。首先,该网络在瓶颈特征层嵌入注意力细化模块(attention refinement module, ARM),能有效细化瓶颈层冗余的特征,抑制背景等无关像素的权值。其次,将上下文特征融合模块(context fusion module, CFM)与传统的跳跃连接相结合,以此补充在特征提取过程中逐渐丢失的信息,加强网络对微血管和毛细血管的构建能力。最后,基于网络的多尺度输出设计了一种多尺度一致性的训练方式,以增强网络对不同尺度特征的敏感性。在DRIVE和CHASE＿DB1公开数据集上进行的对比实验表明本文网络具有良好的分割性能。     

基于线算子引导多尺度匹配滤波的视网膜血管分割

视网膜血管的形态分析在糖尿病、高血压等疾病的计算机辅助诊断中具有重要的意义。因此文章提出了一种基于线算子引导多尺度匹配滤波的视网膜血管分割方法。利用线算子检测到的血管方向最佳匹配角,根据血管方向与其横截面方向垂直的关系计算出高斯匹配滤波的旋转角,构建3个不同尺度的滤波器,提取3维匹配滤波特征,结合两个线算子和预处理后的图像灰度,构造6维特征向量,使用SVM对眼底图像像素进行分类。这样在每个尺度下只需计算血管方向最佳匹配角所对应的旋转角下的匹配滤波响应,降低了多尺度匹配特征提取的计算量。通过对DRIVE数据库的眼底图像进行实验,得到平均准确度、灵敏度和特异性分别为0.9424、0.7701和0.9697,对视网膜血管进行了有效的分割。     

MFA-Net: 基于多视野上下文关注的视网膜血管分割

视网膜血管图像分割在疾病的自动诊断中起着重要的作用,是早期诊断和手术规划的关键步骤.所以视网膜血管树的精确分割己成为计算机辅助诊断的先决条件.随着卷积神经网络在医学图像分割中的应用,一些分割性能优越的网络逐渐被提出.但是他们忽略了上下文多视野的关注,导致微血管分支很难分出.为了解决此问题,本文提出了一种多视野上下文关注的网络架构.该网络融入一个新的多视野关注模块,该模块能够在扩大感受野的同时关注有效信息,防止微血管分割断裂.其次网络融入注意力门控机制,将低级特征和高级特征相结合,产生更具代表性的新特征,进一步提升微血管分割的性能.在公开的两个眼底数据集DRIVE和CHASE DB1进行了评估,实验结果显示在准确率,灵敏度,交并比和AUC(ROC曲线下的面积)上均优于目前的新算法.       

多尺度密集注意力网络用于视网膜血管分割

针对视网膜血管分割中有标签图像数据有限、血管结构复杂尺度不一且易受病变区域干扰等问题,提出一种多尺度密集注意力网络用于视网膜血管分割。首先,以U-Net架构为基础,引入并行空间和通道挤压激励注意力密集块（scSE-DB）代替传统卷积层,加强特征传播能力,实现了对特征信息的双重校准,使模型能更好地识别血管像素;其次,在网络底端嵌入级联空洞卷积模块,以捕获多尺度血管特征信息,提升网络获取深层语义特征的能力;最后,在公共数据集DRIVE、CHASE＿DB1和STARE上进行实验,所提网络的准确率分别为96.50%、96.62%和96.75%,灵敏度分别为84.17%、83.34%和80.39%,特异性分别为98.22%、97.95%和98.67%。所提网络的整体分割性能优于现有多数先进算法。     

基于强化特征提取的视网膜血管分割

视网膜血管的分割精确率对眼科疾病和糖尿病早期诊断有着重要影响。面对现有方法在微血管与病变区域分割性能差的问题,本文提出一种强化提取血管特征的分割模型。该模型在编码部位引入多尺度特征提取残差模块(multi-scale feature extraction residual module,MFE-residual) 和多级残差空洞卷积层,用来扩展感受野,学习多层次图像特征,提高模型对血管信息的利用率;下采样和短连接部位分别融入轻量化注意力机制和多通道注意力模块,增加模型对血管的识别度,降低误分割的可能性。本文基于DRIVE和STARE两种公开数据集进行了实验,来验证改 进模型的分割能力。结果表明,两种数据上的准确率分别为0.965 2和0.971 5,灵敏度分别为0.820 5和0.825 6,与其他算法相比,分割性能更有优势。     

基于多模型融合和区域迭代生长的视网膜血管自动分割

糖尿病视网膜病变是成年人致盲首因,视网膜血管分割是诊断糖尿病视网膜病变的基础.为提高视网膜血管分割准确性,提出一种基于多模型融合和区域迭代生长的视网膜血管自动分割算法.首先,预处理后分别构建数学形态学、匹配滤波器、尺度空间分析、多尺度线检测和神经网络模型初步分割视网膜血管,为减少噪声取五个分割结果的均值作为初步输出.其次,设计掩膜分离渗出物和视盘,将数学形态学模型分割结果替换掩膜白色区域,并融合初步输出生成组合结果.最后,考虑视网膜血管先验知识,对组合结果阈值分割和区域迭代生长后获取最终结果.实验结果表明,该算法分割DRIVE和STARE眼底图像库视网膜血管的检测精度、敏感度和特异性分别为0.9457、0.7843、0.9815以及0.9472、0.7826、0.9803,优于多数经典算法.     

学习相位一致特征的无参考图像质量评价

为了有效地评价不同失真类型的图像质量,该文提出一种利用广义回归神经网络(GRNN)学习图像相位一致特征的无参考评价方法。该方法首先使用相位一致模型产生相位一致图像、相位一致协方差最大、最小图像,然后利用灰度-梯度共生矩阵模型计算该3幅图像的梯度熵、原始图像的梯度均值和梯度熵,再加上该3幅图像的均值,共8个特征输入GRNN模型训练学习,预测得到图像质量评价得分。实验结果表明新方法与主观得分有较好的一致性,同时具有可靠的推广性。     

基于流量时空特征的fast-flux僵尸网络检测方法

僵尸网络已成为网络空间安全的主要威胁之一,虽然目前可通过逆向工程等技术来对其进行检测,但是使用了诸如fast-flux等隐蔽技术的僵尸网络可以绕过现有的安全检测并继续存活。现有的fast-flux僵尸网络检测方法主要分为主动和被动两种,前者会造成较大的网络负载,后者存在特征值提取繁琐的问题。因此为了有效检测fast-f...     

一种粗逻辑神经网络研究

该文基于粗逻辑理论,研究了粗逻辑意义下的粗集神经网络的设计,分析和比较了粗逻辑神经网络和模糊逻辑神经网络的性质。在重庆地区Landsat TM 遥感图像的地物分类实验中,验证了粗逻辑神经网络的有效性,同时可以发现其在网络结构和收敛性方面的优势。     

自适应量子前向对传算法研究

该文研究了量子理论与量子神经网络原理,深入分析了量子前向对传网模型与基于递归加权最小二乘的量子前向对传算法。提出了量子前向对传网的定义与知识集,提出了自适应量子前向对传算法,证明了算法的收敛性。该算法全面考虑了在本次学习之前学习速率的总体状况,通过自适应地改变学习速率,控制学习速率适时变化,改善网络的收敛性。有效克服了学习速率过高导致网络振荡发散与学习速率太小降低网络收敛速度的缺陷。仿真结果表明,自适应量子前向对传算法相对基于递归加权最小二乘的量子前向对传算法具有较少的网络训练迭代次数和较高的分类精度。     

一种新的语音和噪声活动检测算法及其在手机双麦克风消噪系统中的应用

针对现有双通道语音活动检测(Voice Activity Detection, VAD)算法依赖于固定阈值难以在多种噪声环境下准确地检测语音和噪声,应用于手机消噪系统会造成语音失真或噪声消除不好等问题,该文提出一种基于神经网络的VAD算法,该算法以分频带能量差和归一化互通道相关为特征,采用神经网络对语音和噪声进行分类。在此基础上,将神经网络VAD与基于互通道信号功率比值的VAD相结合,提出一种新的适用于手机消噪系统的语音和噪声活动检测算法分别对语音和噪声进行检测,并以此进行噪声抑制处理,减少了消噪系统因VAD误判而造成的性能下降。实验结果表明,该处理方法在抑制背景噪声和减少语音失真等方面优于现有的消噪算法,对于方向性语音干扰也有很好的抑制效果。     

结合自适应脉冲耦合神经网络和最大类间方差准则的眼底图像血管自动检测方法

结合自适应脉冲耦合神经网络(PCNN)和最大类间方差准则,该文提出一种眼底图像血管自动检测方法。首先采用对比度受限的自适应直方图均衡化(CLAHE)和2维高斯匹配滤波对眼底图像进行预处理,以增强血管和背景的对比度;然后基于简化PCNN模型,结合最大类间方差准则对预处理后的眼底图像进行分割,针对PCNN神经元的链接强度通常为常数的不足,使用像素的拉普拉斯能量(EOL)作为对应神经元的链接强度值,使得PCNN能够根据像素特征自适应地调整神经元的链接强度;最后采用面积滤波、断点连接对分割结果进行后处理,得到最终的血管检测结果。对STARE眼底图像库的实验结果表明,该方法具有较高的鲁棒性、有效性和可靠性。     

基于循环卷积多任务学习的多领域文本分类方法

文本分类任务中,不同领域的文本很多表达相似,具有相关性的特点,可以解决有标签训练数据不足的问题.采用多任务学习的方法联合学习能够将不同领域的文本利用起来,提升模型的训练准确率和速度.该文提出循环卷积多任务学习(MTL-RC)模型用于文本多分类,将多个任务的文本共同建模,分别利用多任务学习、循环神经网络(RNN)和卷积神...     

基于改进PCNN的压缩感知域图像融合

() （）基金项目：。摘要：提出了一种压缩感知域基于改进PCNN的图像融合算法。根据压缩采样得到待融合图像的压缩观测值,建立改进PCNN模型,即利用压缩观测值的物理意义对PCNN中连接系数,加权矩阵和特征参数进行自适应设定。并将压缩观测值作为改进PCNN神经元输入获取点火映射图作为融合算子,对源图像观测值融合后进行重构得到融合图像。实验结果表明,该算法克服现有压缩感知图像融合算法细节丢失的缺陷,主客观评价优于现有压缩感知图像融合算法。     

一种粒子群优化原型模式修正力度的协同分类方法

协同模式识别是一种有着抗噪声、抗缺损、强鲁棒性等诸多优良特性的模式识别方法,其中原型模式的选取模式识别结果有着决定性的作用,其选取直接决定着模式识别的结果和效果,各种方法中信息反馈修正的方法能获得较的效果,但易出现信息饱和的问题;提出了一种粒子群优化修正力度的处理机制,能有效改善此问题,获得最优原型;改进的算法应用于纹理和鼻咽癌细胞图像识别,结果表明,该方法能有效地提高协同神经网络的识别率和可靠性,且识速度也有提高.