梯度小波纹理模型及其在超声心动图分割中的应用

本研究在图像的高斯马尔可夫随机场(GMRF)模型和梯度小波变换的基础上提出了梯度小波多尺度纹理分析的概念，推导出了梯度小波变换系数和高斯马尔可夫过程参数的关系，并在此基础上给出了纹理特征参数的估计方法。这些参数构成了一个多尺度纹理特征空间，本研究利用K-均值算法实现了特征参数聚类。本研究提出的方法在超声心动图的分割中取得了令人满意的效果。     

基于多尺度编码-解码网络的皮肤病变图像分割

针对皮肤病变图像分割在医疗诊断中的作用,提出一种基于多尺度编码-解码网络的皮肤病变图像分割算法。该算法继承了SegNet网络结构的训练速度快、训练模型存储小等特点,采用多尺度输入的方式增强了网络对皮肤病变图像的充分学习。此外,在编码网络中的pool2层输出一个二进制双线性插值的中间预测特征图到解码层的最后一层卷积块进行级联输入提高最终的分割精度。实验结果表明,采用多尺度编码-解码网络对皮肤病变图像分割具有极好的效果,在其他医学图像分割方面也能进行广泛应用。     

基于特征融合视觉显著性的医学图像分割

医学图像分割结果的准确性对医生诊断病情并制定相应的治疗策略具有重要价值。针对现有的医学图像进行分割时由于没有考虑人类视觉显著性机制因素导致分割精度不高的问题,提出一种基于特征融合视觉显著性的医学图像分割方法。首先基于频率调谐生成待分割医学图像的显著图,得到图像的显著区域并突出医学图像的边缘轮廓,然后分别提取其颜色特征和纹理特征将其作为反向传播神经网络的输入向量,在此基础上用神经网络分类器模型对图像进行分割。通过实验进行验证,结果表明该方法获得了较好的分割精度和分割效率,本文所提方法为医学图像的准确分割提供了一种新途径。     

基于实例分割和显著性计算的人工视觉多目标优化处理

通过实例分割Swin-Transformer提取分割所有前景对象,融合亮度、大小和位置图像显著性特征,提出模拟人类视觉注意机制的多特征融合注意力层级计算模型,为不同级别的前景物体采用适合的光幻视分辨率和亮度表达,实现不同的刺激编码策略进行层级优化处理。通过人工假体视觉的仿真试验表明,在所提出的多目标层级优化表达策略下,试验被试完成多目标识别的准确率、识别时间表现具有一定的显著提升。利用深度学习实例分割技术,层级化光幻视编码以仿生人类视觉选择性注意,达到增强假体植入者在复杂场景下的多物体感知,为视觉假体图像信息编码和优化处理研究的发展与应用提供参考。     

一种基于元学习的小样本核磁共振图像分割方法

将深度学习算法应用于核磁共振（MR）图像分割时，必需以大量经标注后图像作为训练集的数据支撑。然而，MR图像的特殊性导致采集大量的图像数据较困难，制作大量的标注数据成本高。为降低MR图像分割对大量标注数据的依赖，本文提出了一种用于小样本MR图像分割的元U型网络(Meta-UNet)，能够利用少量的图像标注数据完成MR图像分割任务，并获得良好的分割结果。其具体操作为：通过引入空洞卷积对U型网络（U-Net）进行改进，增加网络模型感受野从而提高模型对不同尺度目标的灵敏度；通过引入注意力机制提高模型对不同尺度目标的适应性；通过引入元学习机制，并采用复合损失函数对模型训练进行良好的监督和有效的引导。本文利用提出的Meta-UNet模型，在不同分割任务上进行训练，然后用训练好的模型在全新的分割任务上进行评估，实现了目标图像的高精度分割。新的分割方法比起常用的无监督医学图像配准分割方法——体素变形网络（VoxelMorph）、数据增强医学图像分割方法——转换学习数据增强模型（DataAug）和基于标签转移的医学图像分割方法——标签转移网络（LT-Net）三种模型平均戴斯相似性系数（DSC）有一定提高...     

Gibbs场先验参数估计在医学图像分割中的应用

背景:基于马尔科夫随机场的图像分割算法已经成为医学图像分割的重要方法,其中,Gibbs场先验参数的取值对分割精度有很大的影响。目的:根据脑部MR图像的成像特点,探讨Gibbs场先验参数的估计方法,从而提高图像分割的精度。方法:通过对脑部MR图像的统计分析,得到图像高斯噪声的方差与Gibbs场先验参数的对应关系。然后在基于马尔可夫随机场图像分割算法的迭代过程中,根据高斯分布的方差估计值,用插值方法估计Gibbs场先验参数。结果与结论:通过对模拟脑部MR图像和临床脑部MR图像分割实验,表明该方法比传统的设定Gibbs场先验参数为某一常数的方法有更精确的图像分割能力,并且实现了图像的自适应分割,具有方法简单、运算速度快、稳健性好的特点。     

核磁共振图像分割算法及应用进展

核磁共振成像(MRI)以其无辐射、多方位成像、空间分辨率高等优点在影像医学领域广泛应用,核磁共振图像的分割也发挥着越来越重要的作用.对应用较广的核磁图像的分割算法的原理和应用进行了系统的综述,将核磁图像分割算法分为5个主要研究方面:基于阈值,基于模式识别,基于活动轮廓模型,基于马尔科夫随机场(MRF),基于图切割;给出了不同算法分割特点和相关应用范围,并将部分算法应用在腹部核磁图像上进行分割实验,展示了不同算法分割核磁图像后的效果和特点.最后,展望了核磁图像分割的未来的发展趋势.     

结合上下文和注意力机制改进的视盘分割模型

青光眼为多发性眼底疾病,是致盲的主要原因之一。眼底图像来源广,质量参差不齐,且视盘区域具有多尺度性特征,融合上下文信息有利于准确分割多尺度视盘边界。以U-Net为基础,结合上下文信息和卷积注意力模块（CBAM）,提出了一种改进的视盘分割模型,包括：（1）使用实例-批处理归一化（IBN）模块与注意力机制改进主干网络ResNet34,提升分割模型的泛化性和图像通道特征的提取能力;（2）提出一种多层次上下文信息提取（MCE）模块处理主干网络输出的特征,融合上下文信息增强分割模型对视盘边缘特征的提取能力;（3）使用Transformer机制替换U-Net中的跳跃连接和上采样,进一步提高视盘多尺度特征和图像通道特征的提取能力。将改进的分割模型与U-Net、U-Net++、DeeplabV3+、FCN和PSPNet分割模型进行视盘分割精度比较,结果表明提出的分割模型具有更好的分割效果,Dice、MIoU、MPA和FPS指标分别为98.18%、96.45%、98.11%和17.56 Img/s。该研究成果可为青光眼的早期诊断提供技术支撑。     

基于先验概率和统计形状的前列腺超声图像自动分割方法

从经直肠超声图像中自动精确地提取前列腺边界。采用基于先验概率和统计形状的前列腺超声图像自动分割新方法。首先,利用致密尺度不变特征变换,从超声图像中快速定位前列腺;其次,从多个统计形状模型中选择最优模型,在分割过程中,前列腺伪影区域缺失的边界信息可通过形状模型估计;最后,在最优形状模型指导下,采用多分辨率分割方式,利用局部灰度模型和局部高斯分布函数能量的最小化,实现前列腺的自动分割。用30幅超声图像测试得到平均Dice相似系数(DSC)为0.9552,平均绝对距离(MAD)的均值为0.5016 mm。该方法相比传统的形状模型的分割精度有较大提高。     

基于小波分解与马尔可夫随机场的医学图像矢量量化分割

本文通过离散小波变换分解图像提取图像分割特征,利用矢量量化聚类和马尔可夫随机场建立分割模型,运用迭代条件模式法进行优化分割,同时,利用小波分解层之间的相似性关系,以上一层的优化分割结果作为当前空间内的初始条件进行逐层分割。实验证明,本方法能有效地对医学图像进行分割。     

Neural mechanisms of cortico-cortical interaction in texture boundary detection: a modeling approach

Texture information is an elementary feature utilized by the human visual system to automatically, or pre-attentively, segment the visual scene. The neural substrate underlying human texture processing as well as the basic computational mechanisms remains largely unknown up to now. We propose a neural model of texture processing which integrates the data obtained by a variety of methods into a common computational framework. It consists of a hierarchy of bi-directionally linked visual areas each containing topographical maps of mutually interconnected cells. It builds upon the two key hypotheses that (i). texture segmentation is based on boundary detection and that (ii). texture border detection is mainly a function of higher visual cortical areas such as V4. This model, while attempting to explain the processing of textures, is embedded in a more general neural model architecture of the infero-temporal pathway of form processing.The model allows to link human performance in texture segmentation with model cell activation patterns, in turn permitting to trace back fundamental psychophysical results on texture processing to their putative neural origins. Most importantly, it enables us to identify and evaluate the functional role of feedback connections between cortical areas in the context of texture processing, namely the suppression of ambiguous cell activities leading to a sharply localized detection of texture boundaries. One of the likely neural origins of modulatory effects on V1 cell activation levels, as observed in electrophysiological studies using single- and multi-unit recordings, can be resolved.     

模糊多尺度边缘检测在医学超声图像边缘检测中的应用

介绍了模糊多尺度边缘检测方法，按照多变量隶属度函数的定义构造了多尺度边缘隶属度函数，并将其与小波变换结合应用到医学超声图像的模糊多尺度边缘检测中。小波变换可以提供图像的多尺度描述，多尺度模糊集表示了图像的象素点隶属于图像边缘点集合的程度。模糊多尺度边缘检测方法可以将各个尺度的信息更有效地复合起来，得到更好的边缘检测效果。     

生物细胞图像分割技术的进展

阐述了小波变换、遗传算法、模糊数学、神经网络，数学形态学等生物细胞图像分割算法以及边缘检测，区域分割等传统图像分割算法为主的生物细胞图像分割技术的发展现状，指明了生物细胞图像本身具有的复杂性，多样性，各自差异等属性是实现生物细胞图像全自动分割的难点，只有彻底结合生物视觉特性数学模型算法的研究和应用，才能命名生物细胞全自动分割成为可能。     

Multiscale analysis for singularity detection in pulmonary microvascular pressure transients

This paper addresses the problem of pulmonary microvascular pressure estimation. The “why” and “how” of multiscale approaches in the context of singularity detection are discussed. From a linear viewpoint, the scalogram technique and the multiresolution representation for singularity detection are discussed in general under the wavelet framework. A technique as well as a criterion for the segmentation and the extraction of the region of interest or the optimal scale is proposed. A new nonlinear multiscale technique for singularity detection is also proposed. This multiscale representation is based on rank order filters and on mathematical morphology operators in particular. A scaling parameter is introduced for such operators as in the linear continuous wavelet transform leading to what we call morpholograms. Experiments performed on pulmonary artery pressure transients illustrate how the proposed technique can give a synopsis of the signal characteristics through the scales.     

基于模糊小波神经网络的磁共振图像分割方法

针对磁共振图像分割的特点,将小波分析优异的局部特性、模糊逻辑的定性知识表达能力和神经网络的自学习能力结合起来,提出了一种基于模糊小波神经网络的磁共振图像分割方法.该方法采用小波函数作为模糊隶属函数,利用神经网络实现模糊推理,并采用反向误差传播算法对网络进行训练.实验结果表明,这种基于模糊小波神经网络的磁共振图像分割方法与普通神经网络分割方法相比,具有更高的分割精度和更快的训练收敛速度.     

Explaining neural signals in human visual cortex with an associative learning model

"Predictive coding" models posit a key role for associative learning in visual cognition, viewing perceptual inference as a process of matching (learned) top-down predictions (or expectations) against bottom-up sensory evidence. At the neural level, these models propose that each region along the visual processing hierarchy entails one set of processing units encoding predictions of bottom-up input, and another set computing mismatches (prediction error or surprise) between predictions and evidence. This contrasts with traditional views of visual neurons operating purely as bottom-up feature detectors. In support of the predictive coding hypothesis, a recent human neuroimaging study (Egner, Monti, & Summerfield, 2010) showed that neural population responses to expected and unexpected face and house stimuli in the "fusiform face area" (FFA) could be well-described as a summation of hypothetical face-expectation and -surprise signals, but not by feature detector responses. Here, we used computer simulations to test whether these imaging data could be formally explained within the broader framework of a mathematical neural network model of associative learning (Schmajuk, Gray, & Lam, 1996). Results show that FFA responses could be fit very closely by model variables coding for conditional predictions (and their violations) of stimuli that unconditionally activate the FFA. These data document that neural population signals in the ventral visual stream that deviate from classic feature detection responses can formally be explained by associative prediction and surprise signals. (PsycINFO Database Record (c) 2012 APA, all rights reserved).     

Boundary delineation in transrectal ultrasound image for prostate cancer

This paper presents a new advanced automatic edge delineation model for the detection and diagnosis of prostate cancer on transrectal ultrasound (TRUS) images. The proposed model is to improve prostate boundary detection system by modifying a set of preprocessing algorithms including tree-structured nonlinear filter (TSF), directional wavelet transforms (DWT) and tree-structured wavelet transform (TSWT). The model consists of a preprocessing module and a segmentation module. The preprocessing module is implemented for noise suppression, image smoothing and boundary enhancement. The active contours model is used in the segmentation module for prostate boundary detection in two-dimensional (2D) TRUS images. Experimental results show that the addition of the preprocessing module improves the accuracy and sensitivity of the segmentation module, compared to the implementation of the segmentation module alone. It is believed that the proposed automatic boundary detection module for the TRUS images is a promising approach, which provides an efficient and robust detection and diagnosis strategy and acts as "second opinion" for the physician's interpretation of prostate cancer.     

基于改进SOLO＿v2的糖尿病黄斑水肿分割模型

糖尿病黄斑水肿（DME）是导致糖尿病患者视力损害的常见原因。光学相干断层扫描技术（OCT）有助于增强对糖尿病视网膜病变的早期检测和预防。目前,OCT图像中的DME区域存在大量散斑噪声及小目标区域,现有的实例分割方法存在漏分割等问题。针对上述问题,本文利用特征金字塔转换器（FPT）改进SOLO＿v2模型,提出了一种新的DME分割模型（SOLO-OCT）,包括：（1）利用基于双域滤波去噪算法去除图像上存在的大量散斑噪声,提高输入图像质量;（2）引入FPT,提高模型对小目标的识别能力和学习能力;（3）改进非极大值抑制（NMS）算法,缓解对小目标区域的漏分割问题。将SOLO-OCT模型与其他实例分割模型（包括Mask R-CNN、SOLO和SOLO＿v2）进行了比较,以评估其对DME区域的分割性能。与Mask R-CNN、SOLO和SOLO＿v2模型相比,SOLO-OCT模型对DME区域的分割精度（mAP）提高了3.1%,对小目标DME区域的分割精度（APs）提高了2.2%,而单幅图像的处理时间（Fps）只增加了0.009 9 s。本文提出的DME分割模型（SOLO-OCT）可用于大规模糖尿病...