基于双模型交互学习的半监督医学图像分割

在医学图像中, 器官或病变区域的精准分割对疾病诊断等临床应用有着至关重要的作用, 然而分割模型的训练依赖于大量标注数据. 为减少对标注数据的需求, 本文主要研究针对医学图像分割的半监督学习任务. 现有半监督学习方法广泛采用平均教师模型, 其缺点在于, 基于指数移动平均(Exponential moving average, EMA)的参数更新方式使得老师模型累积学生模型的错误知识. 为避免上述问题, 提出一种双模型交互学习方法, 引入像素稳定性判断机制, 利用一个模型中预测结果更稳定的像素监督另一个模型的学习, 从而缓解了单个模型的错误经验的累积和传播. 提出的方法在心脏结构分割、肝脏肿瘤分割和脑肿瘤分割三个数据集中取得优于前沿半监督方法的结果. 在仅采用30%的标注比例时, 该方法在三个数据集上的戴斯相似指标(Dice similarity coefficient, DSC)分别达到89.13%, 94.15%, 87.02%.     

基于强化学习的智能血细胞图像分割

医学图像处理的智能化是医学图像领域应用的一个重要研究方向。传统的医学图像分析往往是开环的,图像的分割算法独立于后续图像的识别,智能化低,对检测员的技术水平要求较高。鉴于此,本文将强化学习运用于血细胞图像,采用闭环机制将血细胞的特征信息反馈到图像的分割算法中,并对分割效果进行评价,实现血细胞图像分割的智能化。     

深度学习下的医学影像分割算法综述

医学影像分割是计算机视觉在医学影像处理中的一个重要应用领域,其目标是从医学影像中分割出目标区域,为后续的疾病诊断和治疗提供有效的帮助.近年来深度学习技术在图像处理方面取得了巨大进展,基于深度学习的医学影像分割算法逐渐成为该领域研究的重点和热点.叙述了计算机视觉下的医学影像分割任务及其难点,重点综述了基于深度学习的医学影...     

基于智能软件代理的分布式医学图像协作研究

现代医学诊断、临床实践和医疗很大程度都依靠于多模式的医学图像 ,数字化医学图像技术的发展及图像设备种类和数目的增长 ,要求对医学图像进行协作处理 .网络技术的发展使传统的客户 /服务器 (Client/ Server)计算模式向以浏览器 /服务器 (Broswe/ Server)为代表的网络计算模式转变 ,为了适应网络计算的要求 ,合理地利用网络资源 ,加强应用间的协作性 ,本文通过对智能软件代理 (softeware agent)的研究 ,提出了基于软件代理的分布式协作框架 ,并对软件代理的结构进行了设计 .通过该系统框架在医学图像分割上的应用可以看出 ,该分布式协作方法能较好地满足网络计算环境的需要 ,具有良好的应用协作性 .     

医学图像图深度学习分割算法综述

精准分割医学图像中的器官或病灶,是医学图像智能分析领域的重要难题,其在临床上对于疾病的辅助诊疗有着重要应用价值。在解决医学图像信息表征及对非欧空间生理组织结构准确建模等挑战性问题方面,基于图深度学习的医学图像分割技术取得了重要突破,展现出显著的信息特征提取及表征优势,可获得更为精准的分割结果,已成为该领域新兴研究热点。为更好促进医学图像图深度学习分割算法的研究发展,对该领域的技术进展及应用现状做了系统的梳理总结。介绍了图的定义及图卷积网络的基本结构,详细阐述了谱图卷积和空域图卷积操作。根据GCN结合残差模块、注意力机制模块及学习模块三种技术结构模式,归纳并总结了其在医学图像分割中的研究进展。对图深度学习算法在医学图像分割领域的应用和发展做了概要总结和展望,为该领域的技术发展提供参考和新的研究思路。     

Dendritic Deep Learning for Medical Segmentation

<正>Dear Editor,This letter presents a novel segmentation approach that leverages dendritic neurons to tackle the challenges of medical imaging segmentation. In this study, we enhance the segmentation accuracy based on a SegNet variant including an encoder-decoder structure, an upsampling index, and a deep supervision method. Furthermore, we introduce a dendritic neuron-based convolutional block to enable nonlinear feature mapping, thereby further improving the effectiveness of our approach...     

交互式医学图像分割算法

针对医学图像的特点,提出了一种结合Live Wire算法和轮廓插值算法的三维医学图像分割算法.与原Live Wire算法相比,改进算法在不增加算法复杂度的同时,大大提高了图像分割的性能.为了进一步提高图像的准确性,用下列方法弥补了原算法的不足:通过寻求最短搜索路径,另外尽可能地降低搜索的时间复杂度.将改进的算法与余弦轮廓插值技术相结合,用在病灶组织区域形状变化较大的断层图像(关键层)分割中.实验表明算法能快速有效的从序列医学图像中分割出感兴趣的物体,为医学诊断提供了依据.     

基于深度强化学习的计步方法

针对计步软件使用中用户行为不定，容易产生各种噪声以及传统算法中参数不能持续优化的问题，本文提出基于深度强化学习的计步方法。将噪声判别及步数统计作为智能体的动作，在步数统计中改进波峰检测法，提出均值穿越波峰波谷检测法。利用循环神经网络保存内部状态，将用户对计步器计步好坏的反馈作为奖励信号，指导参数持续优化。实验结果表明，该方法在采集设备放置于不同位置并且有噪声时，噪声识别率为0.9151，计步误差率为0.0623，有较高的精度以及较强的抗干扰能力。     

舌图像自动分割方法

提出了一种基于亮度信息和形态特征的舌图像自动分割方法。该方法首先利用大津法在亮度范围内自动选取阈值，进行二值化，然后通过对图像的像素进行标记，剔除非目标区域。最后利用数学形态学的方法获得最终的分割结果。试验结果表明，本方法具有令人满意的分割性能。     

医学图像自动分割的神经网络算法

提出了一种基于Ｋｏｈｏｎｅｎ聚类神经网络的图像分割算法。首先论述了Ｋｏｈｏｎｅｎ聚类神经网络的基本原理，在此基础上对其进行了改进，将其用于医学图像分割中。针对聚类中心初始值选取的盲目性，提出了初始值优选法，大幅度提高了分割算法的速度。实验表明，本文提出的算法能快速、准确地完成医学图像的自动分割。     

基于强化学习的多移动Agent学习算法

结合强化学习技术讨论了单移动Agent学习的过程,然后扩展到多移动Agent学习领域,提出一个多移动Agent学习算法MMAL(MultiMobileAgentLearning)。算法充分考虑了移动Agent学习的特点,使得移动Agent能够在不确定和有冲突目标的上下文中进行决策,解决在学习过程中Agent对移动时机的选择,并且能够大大降低计算代价。目的是使Agent能在随机动态的环境中进行自主、协作的学习。最后,通过仿真试验表明这种学习算法是一种高效、快速的学习方法。     

A Coupled Minimization Problem for Medical Image Segmentation with Priors

We present a coupled minimization problem for image segmentation using prior shape and intensity profile. One part of the model minimizes a shape related energy and the energy of geometric active contour with a parameter that balances the influence from these two. The minimizer corresponding to a fixed parameter in this minimization gives a segmentation and an alignment between the segmentation and prior shape. The second part of this model optimizes the selection of the parameter by maximizing the mutual information of image geometry between the prior and the aligned novel image over all the alignments corresponding to different parameters in the first part. By this coupling the segmentation arrives at higher image gradient, forms a shape similar to the prior, and captures the prior intensity profile. We also propose using mutual information of image geometry to generate intensity model from a set of training images. Experimental results on cardiac ultrasound images are presented. These results indicate that the proposed model provides close agreement with expert traced borders, and the parameter determined in this model for one image can be used for images with similar properties.     

基于倒金字塔深度学习网络的三维医学图像分割

基于深度学习的医学图像分割对医学研究和临床疾病诊断具有重要意义。然而,现有三维脑图像分割网络仅依赖单一模态信息,且最后一层网络的特征表达不准确,导致分割精度降低。引入注意力机制,提出一种基于深度学习的多模态交叉重构的倒金字塔网络MCRAIP-Net。以多模态磁共振图像作为输入,通过三个独立的编码器结构提取各模态的特征信息,并将提取的特征信息在同一分辨率级进行初步融合。利用双通道交叉重构注意力模块实现多模态特征的细化与融合。在此基础上,采用倒金字塔解码器对解码器各阶段不同分辨率的特征进行整合,完成脑组织的分割任务。在MRBrainS13和IBSR18数据集上的实验结果表明,相比3D U-Net、MMAN、SW-3D-Unet等网络,MCRAIP-Net能够充分利用多模态图像的互补信息,获取更准确丰富的细节特征且具有较优的分割精度,白质、灰质、脑脊液的Dice系数分别达到91.67%、88.95%、84.79%。     

基于强化学习DQN的智能体信任增强

信任推荐系统是以社交网络为基础的一种重要推荐系统应用,其结合用户之间的信任关系对用户进行项目推荐.但之前的研究一般假定用户之间的信任值固定,无法对用户信任及偏好的动态变化做出及时响应,进而影响推荐效果.实际上,用户接受推荐后,当实际评价高于心理预期时,体验用户对推荐者的信任将增加,反之则下降.针对此问题,并且重点考虑用户间信任变化过程及信任的动态性,提出了一种结合强化学习的用户信任增强方法.因此,使用最小均方误差算法研究评价差值对用户信任的动态影响,利用强化学习方法deep q-learning(DQN)模拟推荐者在推荐过程中学习用户偏好进而提升信任值的过程,并且提出了一个多项式级别的算法来计算信任值和推荐,可激励推荐者学习用户的偏好,并使用户对推荐者的信任始终保持在较高程度.实验表明,方法可快速响应用户偏好的动态变化,当其应用于推荐系统时,相较于其他方法,可为用户提供更及时、更准确的推荐结果.     

基于增强学习的代理谈判模型

利用增强学习的Q-leanling理论,构造了一个基于时间信念、价格信念和状态期望Q值的代理谈判模型。将代理交互报价的过程看成代理选择报价行动,实现状态的迁移,可以计算出代理在不同状态采取行动的Q值。代理可以通过修改信念函数及时问贴现率来调整报价。该文实现了谈判模型的报价算法,并从理论和实验数据两方面进行了分析比较。     

医学图像分割及其发展现状

医学图像分割是各种医学图像应用的基础,当前的临床辅助诊断、图像引导的外科手术和放射治疗中,医学图像分割技术显示出越来越重要的临床价值.由于医学图像种类繁多,常规影像包括磁共振(MR)成像、计算机断层(CT)成像、正电子发射计算机断层显像(PET)、超声(US)成像等,其中MR成像还可以产生多种不同时间参数序列的图像模态.为此,医学图像分割技术已成为面向不同的影像模态、临床目标、特定解剖学部位的一种独特的应用科学体系.结合现有的国内外研究成果,该文详细地介绍和系统地对比了图像分割方法并进行了分类,最后还对6个国际知名医学成像期刊和会议进行了统计分析,阐述了医学图像分割技术的研究趋势.     

融合空间先验的医学影像分割神经网络模型

由于现有神经网络方法泛化性能的局限性、医学影像参差不齐的质量以及肿瘤的不规则性和浸润性,应用神经网络全自动分割方法的效果无法令人满意.为了充分地利用不同图像特有的信息,提出融合空间信息的先验嵌入网络的新范式.在神经网络中引入基于图像空间位置的先验信息引导模型聚焦于病灶区域,学习肿瘤的判别性特征并排除无关信息,从而增强模...     

一种改进的FCM在医学图像分割中的应用

针对模糊C均值聚类(FCM)算法在样本集不理想的情况下会导致不理想的聚类结果,提出了一种改进方法。将某样本对于各个聚类的隶属度之和为1这一约束条件,改变为所有样本对各类的隶属度总和设为样本总数。实验表明,该方法用于人脑磁共振图像的分割时,分割准确度大大提高。     

一种基于案例推理的多agent 强化学习方法研究

提出一种基于案例推理的多agent 强化学习方法．构建了系统策略案例库,通过判断agent 之间的协作 关系选择相应案例库子集．利用模拟退火方法从中寻找最合适的可再用案例策略,agent 按照案例指导执行动作选 择．在没有可用案例的情况下,agent 执行联合行为学习（JAL）．在学习结果的基础上实时更新系统策略案例库．追 捕问题的仿真结果表明所提方法明显提高了学习速度与收敛性．     

Reinforcement Learning for Linear Continuous-time Systems: an Incremental Learning Approach

In this paper, we introduce a novel reinforcement learning (RL) scheme for linear continuous-time dynamical systems. Different from traditional batch learning algorithms, an incremental learning approach is developed, which provides a more efficient way to tackle the on-line learning problem in real-world applications. We provide concrete convergence and robust analysis on this incremental-learning algorithm. An extension to solving robust optimal control problems is also given. Two simulation examples are also given to illustrate the effectiveness of our theoretical result.