深度学习在视网膜血管分割上的研究进展

视网膜血管分割得到的视网膜特征可以用于辅助糖尿病视网膜病变等眼病的诊断.近年来基于深度学习的血管自动分割算法以自动提取图像特征、精度高、速度快的这些优点吸引了大量研究.对近年基于深度学习的视网膜血管分割研究进行回顾,包括常见的眼底图像数据库、常用的数据增强、图像预处理、图像切片的操作.从网络架构的角度将近期的深度学习血管分割算法归类为级联结构神经网络、多路径神经网络、多尺度神经网络,并对网络进行介绍、对比、性能分析、复杂度分析、缺点分析.同时对于神经网络现实部署的研究也进行了介绍.结果表明,现有眼底图像数据库的数据量还较少,数据增强和图像预处理较多使用方法分别为水平竖直翻转和图像灰度化.从现有研究达到的性能上看,级联结构和多路径的神经网络较为适合视网膜血管的分割;从现有的复杂度来看,部分模型的推断时间可以达到毫秒级,计算消耗可以达到兆以下;从现有算法的缺点看,某个算法只能解决部分现有挑战.在移动设备硬件资源限制的情况下,轻量级的神经网络是一个值得探索的方向.     

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,从而增强模型对于特征的选择能力并提高分割精度.使用医学图像分割框架2D U-Net和3D nnU-Net分别作为主干网络,在肝肿瘤分割任务上采用LiTS数据进行实验.经过5折交叉验证,先验嵌入网络在训练集上的分割精度比2D U-Net提高22.4％;在测试集上比集成式nnU-Net提高1.2％,比非集成式nnU-Net提高4.4％.     

眼底造影图像分割算法的研究与对比

根据眼底荧光血管造影图像的特点,分别利用阈值分割法与BP神经网络算法对眼底造影血管图像及眼底病变区域图像进行分割与对比,使临床医生可以得到病变面积的较精确的测量数据,观察到更细微的血管变化,为与此相关的心、脑血管系统和糖尿病的诊治提供重要依据。     

基于分水岭修正与U-Net的肝脏图像分割算法

在利用卷积神经网络分割肝脏边界较模糊的影像数据时容易丢失位置信息,导致分割精度较低。针对该问题,提出一种基于分水岭修正与U-Net模型相结合的肝脏图像自动分割算法。利用U-Net分层学习图像特征的优势,将浅层特征与深层语义特征相融合,避免丢失目标位置等细节信息,得到肝脏初始分割结果。在此基础上,通过分水岭算法形成的区域块对肝脏初始分割结果的边界进行修正,以获得边界平滑精确的分割结果。实验结果表明,与传统的图割算法和全卷积神经网络算法相比,该算法能够实现更为精准的肝脏图像分割。     

基于灰度迭代阈值PCNN的眼底图像血管分割

针对传统的脉冲耦合神经网络（Pulse Coupled Neural Network,PCNN）模型中参数众多且不易自动选取,迭代次数结束条件不好确定的问题,提出了一种基于灰度迭代阈值脉冲耦合神经网络的眼底图像血管分割方法。该方法简化了传统PCNN模型,将其单一的神经元兴奋性链接输入改进为神经元兴奋性与邻域抑制性链接输入之和;同时将其随时间指数衰减的阈值改进为图像的灰度迭代阈值,分割图像时无需人工设置参数,无需特定准则确定最佳迭代次数,一次迭代完成分割。对DRIVE眼底图像库的实验结果表明,该方法在主观视觉效果及客观分割性能和运算耗时上均明显优于传统PCNN方法。     

基于编解码结构的多特征融合眼底图像分割

为解决现有眼底图像分割方法对于细微血管存在低分割精度和低准确率的问题,提出一种基于编解码结构的U-Net改进网络模型。首先对数据进行预处理与扩充,提取绿色通道图像,并将其通过对比度限制直方图均衡化和伽马变换以增强对比度;其次训练集被输入到用于分割的神经网络中,在编码过程加入残差模块,用短跳跃连接将高、低特征信息融合,并利用空洞卷积增加感受野,解码模块加入注意力机制增加对细微血管分割精度;最后利用训练完成的分割模型进行预测得出视网膜血管分割结果。在DRIVE和CHASE-DB1眼底图像数据集上进行对比实验,模型算法的平均准确率、特异性和灵敏度分别达到96.77%和97.22%、98.74%和98.40%、80.93%和81.12%。实验结果表明该算法能够改善微细血管分割准确率及效率不高的问题,对视网膜血管可以进行更准确的分割。     

基于U-Net网络的医学图像分割研究综述

近年来随着深度学习技术的快速发展,卷积神经网络(CNN)成为语义分割的重要支撑框架,被广泛运用于多种目标检测与分割的任务当中。在医学图像分割任务中,U-Net网络以其优异的分割性能、可拓展性的网络结构等特点成为该领域研究的热点。如今有众多学者从网络的结构等方面对U-Net进行改进以优化网络性能、提升分割准确度。研究通过对相关文献的分析,首先介绍了基于U-Net的经典改进模型;然后阐述了六大U-Net改进机制：注意力机制、inception模块、残差结构、空洞机制、密集连接结构以及集成网络结构;随后介绍了医学图像分割常用评价指标和非结构化改进方案,这些非结构化改进方法包括数据增强、优化器、激活函数和损失函数四个方面;之后列举并分析了在肺结节、视网膜血管、皮肤病和颅内肿瘤新冠肺炎四大医学图像分割领域的改进模型;最后对U-Net网络的未来发展进行展望,为相关研究提供思路。     

基于组合 U-Net 网络的 CT 图像头颈放疗危及器官 自动分割

CT 图像头颈分割面临着以下难点：CT 图像的低对比度导致边界不清,图像扫描间距过大导 致冠状面和矢状面图像分辨率低,头颈中待分割的 22 个器官对于神经网络构建建模的需求不同,且由于存在极小器官造成了类间不平衡。为解决上述问题,该文提出一种 U-Net 组合模型——由 3 种 U-Net 模型组成,分别是 2D U-Net 模型、3D U-Net 模型及 3D-small U-Net 模型。其中,2D U-Net 模型用于厚层图像的分割,3D U-Net 模型利用三维空间信息,3D-small U-Net 模型用于分割最小的两个器官以解决类不平衡问题。该方法在 MICCAI 2019 StructSeg 头颈放疗危及器官分割任务中取得了第 2 名的成绩,平均 DSC 系数为 80.66%,95% 豪斯道夫距离为 2.96 mm。     

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％.     

ConvUCaps：基于卷积胶囊网络的医学图像分割模型

在医学影像分割领域,U-Net网络是目前最成功和最受关注的方法之一,但是U-Net本质上是一种经过改造的全卷积神经网络模型,要获得更为全面和准确的局部-整体关系,不但需要增加网络层次从而加大计算量,而且效果也并不明显。胶囊网络提供了一种有效的建模图像的局部与整体关系的方法,可以用更少的参数取得好的性能。但原始的胶囊网络并没有充分考虑图像局部特征的粒度问题,将其应用在医学图像分割领域还需进一步改造。因此,提出一种将U-Net和胶囊网络相结合的医学图像分割模型ConvUCaps。该模型对U-Net的编码器部分进行改进,使用卷积模块学习不同尺度的局部特征,然后通过胶囊模块学习高层特征,并建模局部与整体之间的关系。实验结果表明,相比U-Net、UNet++、SegCaps、Matwo-CapsNet网络,ConvUCaps提高了分割精度和收敛速度,同时,与单纯基于胶囊网络的分割模型相比,显著减少了推理时间。     

PCNN和最大相关准则相结合的图像分割方法

脉冲耦合神经网络（PCNN）是有着生物学背景的新一代人工神经网络,在图像分割方面体现了优异的性能。PCNN模型在参数估计和阈值迭代方面的问题还有待解决。将一维最大相关准则和二维最大相关准则相结合来估计神经元参数,实现了图像分割的自动化并降低了运算的复杂性。仿真结果表明,该方法在分割图效果和运算复杂度方面都得到了提高,具有较好的实用性。     

改进的形态学与Otsu相结合的视网膜血管分割

针对视网膜图像采集过程中由于疾病引起的图像光照反射过强问题,提出了一种修正的形态学与Otsu相结合的无监督视网膜血管分割算法。首先运用形态学中的高低帽变换增强血管与背景的对比度;然后提出了一种修正方法,消除部分由视网膜疾病引起的光照问题;最后使用Otsu阈值方法分割血管。算法在DRIVE和STARE视网膜图像数据库中进行了测试,实验结果表明,DRIVE数据库中的分割精度为0.9382,STARE数据库中的分割精度为0.9460,算法的执行时间为1.6s。算法能够精确地分割出视网膜血管,与传统的无监督视网膜血管分割算法相比,算法的分割精度高、抗干扰能力强。     

基于脉冲耦合神经网络的图像分割

针对传统脉冲耦合神经网络(PCNN)模型在图像分割时需要设置较多参数和不能准确分割低对比度图像的问题,提出一种简化的PCNN模型和改进算法。在简化模型中减少了在传统PCNN模型中需要设置的参数的数量;在改进算法中根据图像像素空间和灰度特征自适应设置模型参数,并根据图像灰度直方图求出灰度期望均值作为图像分割阈值,因此该算法无需选择 循环迭代次数,只需一次点火过程就能实现图像的有效分割。实验结果表明,该方法能准确分割图像,纹理细节清晰,分割结果优于人工调整参数的PCNN方法和Otsu方法。     

利用直方图及边缘乘积互信息的PCNN图像分割

脉冲耦合神经网络（Pulse Coupled Neural Network）在图像分割中有很大的应用。其在实现过程时,传统的阈值选取是按等间隔下降依次试出来的,未考虑到图像的灰度先验分布,这种方法确定的分割阈值难以保证全局最佳,影响最终的分割效果。鉴于此,提出了将直方图和PCNN结合的算法,解决了全局最佳阈值的选取问题。同时提出了新的边缘乘积互信息准则用于判断图像分割的效果,不但能很好地利用图像目标的边缘信息,还可以大大降低计算量。实验表明,该算法可以在提高分割精度的基础上,显著地减少分割运行时间,提高分割效率。     

PCNN在指纹图像分割中的应用

提出了采用新型的有生物学依据的人工神经网络-脉冲耦合神经网络（PCNN桺ulse Coupled Neural Network）来实现指纹图像分割的方法,选取低灰度值背景、高灰度值背景指纹图像以及带阴影的指纹图像进行分割实验,有效的实现了指纹图像有效区和背景区的分离,并与传统的标准差阈值跟踪法进行了比较,试验表明这种方法具有更好的效果。     

基于改进PCNN和互信息熵的自动图像分割

脉冲耦合神经网络(PCNN)由于其良好的脉冲传播特性在图像分割中得到了广泛应用。针对其需要人机交互通过实验确定其相关参数等问题,改进PCNN模型,以像素对比度作为链接矩阵,以互信息作为迭代终止的判决依据,提出基于改进脉冲耦合神经网络的自动图像分割。实验结果表明,该方法实时性好、自适应性强,分割出的目标轮廓清楚。     

基于微粒群算法的视网膜血管自动提取方法

针对视网膜血管网络灰度分布特征与结构特征,提出了将灰度-梯度共生矩阵最大熵与微粒群算法相结合的视网膜血管提取方法。采用Gabor滤波以增强血管图像,获取增强后视网膜图像的灰度-梯度共生矩阵,利用微粒群算法并结合灰度-梯度共生矩阵的最大熵方法进行阈值化处理,对图像进行二值化处理后根据视网膜血管具有区域连通性的特征,采用形态学方法分割出最终的血管。实验结果表明,该方法能有效地提取视网膜血管网络。     

一种参数自适应的简化PCNN图像分割方法

为了进一步延伸脉冲耦合神经网络（Pulse coupled neural network,PCNN）在图像分割中的应用,本文对PCNN模型作了简化和改进,并探讨和分析了参数的设置方法.首先利用阈值和脉冲输出所对应的区域均值之间的关系,提出了一种优化连接系数的方法,使得模型最终以迭代的方式得到分割结果.在仿真和真实红外图像上实验结果表明,文中方法能取得较优的分割效果,且相比于常用的阈值方法以及较新的PCNN方法,文中的简化模型对噪声及复杂图像具有更好的适应性和鲁棒性.     

空洞残差U型网络用于视网膜血管分割

青光眼是一种不可逆转的致盲性眼科疾病,应当早发现和早治疗。但人工诊断是费时费力的过程,而且受基层医疗资源的限制,人工诊断很容易产生漏诊和误诊的现象。因此,利用深度学习技术辅助诊断眼疾病具有重大意义。如何更为准确且有效地分割视网膜血管成为眼疾病辅助诊断的研究热点问题。于是,基于U型网络（U-Net）提出一种新的网络结构称为空洞残差U型网络（Atrous Residual U-Net,AR-Unet）。在AR-Unet中,为了避免U-Net中的梯度消失以及图像结构信息丢失等问题,将残差网络（ResNet）引入到U-Net中。为了扩大感受野和提高物体间的相关性,再将空洞卷积（Atrous Convolution）整合到U-Net中,从而使得血管分割更加精确。在三个公开的彩色眼底图像数据集DRIVE、STARE和CHASE上进行大量实验,结果表明在不同评价指标下,AR-Unet方法的性能均要优于大多数对比方法。