基于深度学习和二维高斯拟合的视网膜血管管径测量方法

糖尿病、高血压等疾病会引起视网膜血管的形状发生变化,眼底图像血管分割是疾病定量分析过程中的关键步骤,对临床疾病的分析和诊断具有指导意义。本文提出一种视网膜血管管径自动测量方法。首先,将通道特征图叠加,同时通过使用深度可分离卷积来增加网络深度,将二者引用于全卷积神经网络中对血管网络进行分割;然后在分割的血管网络基础上,利用形态学细化和最小二乘拟合求取血管的中心线和方向;最后根据血管横截面灰度值分布特性,利用二维高斯拟合对血管中心线和方向进行校正,得到准确的血管方向和中心线位置进而计算血管管径。利用本文方法分别对REVIEW数据库中的3个图像集进行测试,测量的管径均值的标准差接近专家测量的标准差,表明本文血管管径测量方法的准确率高,实验结果验证了本文方法的准确性。     

基于改进U型网络的眼底图像血管分割

眼底图像血管分割问题是眼科及其他相关疾病计算机辅助诊断的基础。通过分割和分析眼底图像中的血管结构,可以对糖尿病视网膜病变、高血压和动脉硬化等疾病进行早期诊断和监测。针对目前已有血管分割算法存在准确率不高和灵敏度较低的问题,基于深度学习基本理论,提出一种改进U型网络的眼底图像血管分割算法。首先,通过减少传统U型网络下采样和上采样操作次数,解决眼底图像数据较少的问题;其次,通过将传统卷积层串行连接方式改为残差映射相叠加的方式,提高特征的使用效率;最后,在卷积层之间加入批量归一化和PReLU激活函数对网络进行优化,使网络性能得到进一步的提升。在DRIVE和CHASE_DB1这两个公开的眼底数据库上进行实验,每个数据库随机抽取160 000个图像块送入改进的网络中进行训练和测试,可以得到该算法在两个数据库上的灵敏度、准确率和AUC(ROC曲线下的面积)值,相比已有算法的最好结果平均分别提高2.47%、0.21%和0.35%。所提出的算法可改善眼底图像细小血管分割准确率不高及灵敏度较低的问题,能够较好地分割出低对比度的微细血管。     

双线性非局部特征结合中继监督网络用于视网膜血管分割

对眼底图像中的视网膜血管精准分割是检测多种疾病的关键技术,在相关疾病自动筛查系统中发挥着重要的作用。针对现存方法追求分割精度时忽略对算法复杂性的考虑,导致在资源受限的医疗设备上部署困难的问题。本文通过进一步合理减少卷积层的特征通道数量来轻量化分割网络并提出了BNIS-Net。该网络采用多尺度图像作为输入融合到编码过程中,使得不同感受野之间建立良好的联系,并提出一种双线性非局部模块来增强相关上下文信息的捕捉能力。最后,在解码过程中采用中继监督的策略,为解码部分各级输出提供监督来约束网络的学习,这样可以有效改善收敛行为使浅层部分得到充分训练。BNIS-Net以0.41 M的参数量在DRIVE、STARE和CHASE_DB1 3个公开数据集上分别取得了81.02%、81.07%、78.15%的DSC值和0.983 3、0.986 1、0.985 9的AUC值。通过大量对比实验和消融研究证明,该方法能够更好地分割血管的边缘细节。     

基于中心线提取的视网膜血管分割

精确估计眼底图像中的血管中心线和血管宽度是眼底血管疾病量化和可视化诊断的先决条件。在深入研究眼底图像和视网膜血管特征的基础上,提出一种基于中心线提取的视网膜血管分割算法,该算法以离散高斯核函数的偏微分为模板卷积图像,利用血管的微分几何特征定位血管中心线,并测量血管宽度。本方法的血管分割精度达到亚像素级,解决了传统方法无法直接计算血管宽度的问题,且在速度方面有较大提高。应用本算法对各类眼底图像进行了血管分割的实验,结果表明,该算法可以快速、准确地进行眼底血管分割和中心线提取。     

改进U-Net深度网络的视网膜血管分割算法

为了解决U-Net算法在分割眼底图像时无法分割末梢微小血管和无法处理噪声干扰等问题,提出了一种改进的视网膜血管分割算法。首先,在U-Net算法中引入通道强化残差网络,用以优化U-Net架构,使得网络识别更多视网膜微血管。其次,引入空间注意力网络来排除噪声,更好地突出血管。最后,在损失函数的计算中,使用动态权重代替U-Net算法的固定权重,迫使神经网络能够学习一个稳健的特征映射。将改进的算法在DRIVE数据集上进行实验,实验结果表明本文分割算法的准确性和敏感性大幅提高。比原U-Net算法准确性和敏感性分别提高了2.12%和7.51%,比DCU-Net准确性和敏感性分别提高了1.20%和2.55%。     

基于Dense U-net方法的眼底彩色照片图像血管分割研究

眼底彩色照片图像血管分析可用于评估和监测各种眼科疾病,对患者提前干预治疗提供指导,减少致盲风险,具有十分重要的临床意义。目前眼底血管分割的算法及模型,对于细小血管如视网膜毛细血管的分割效果仍有待提高。本研究针对此问题提出Dense U-net网络架构,该模型在U-net网络中加入了Dense Block架构,可以提高细小血管的分割准确率,同时该算法模型在DRIVE(digital retinal images of vessel extration,DRIVE)公开数据集上进行了实验,相比现有的算法,本研究模型的准确率、灵敏度、特异性分别为0.9532、0.7977、0.9759,其中灵敏度的提高可以使得算法模型更准确地识别并分割出细小血管。     

深度卷积神经网络在放射治疗计划图像分割中的应用

目的:结合全卷积神经网络(Fully Convolutional Network,FCN)和多孔卷积(Atrous Convolution,AC)的深度学习方法,实现放射治疗计划图像的组织器官自动勾画。方法:选取122套已经由放疗医师勾画好正常器官结构轮廓的胸部患者CT图像,以其中71套图像(8 532张轴向切层图像)作为训练集,31套图像(5 559张轴向切层图像)作为验证集,20套图像(3 589张轴向切层图像)作为测试集。选取5种公开的FCN网络模型,并结合FCN和AC算法形成3种改进的深度卷积神经网络,即带孔全卷积神经网络(Dilation Fully Convolutional Network,D-FCN)。分别以训练集图像对上述8种网络进行调优训练,使用验证集图像在训练过程中对8种神经网络进行器官自动识别勾画验证,以获取各网络的最佳分割模型,最后使用测试集图像对充分训练后获取的最佳分割模型进行勾画测试,比较自动勾画与医师勾画的相似度系数(Dice)评价各模型的图像分割能力。结果:使用训练图像集进行充分调优训练后,实验的各个神经网络均表现出较好的自动图像分割能力,其中改进的D-FCN 4s网络模型在测试实验中具有最佳的自动分割效果,其全局Dice为94.38%,左肺、右肺、心包、气管和食道等单个结构自动勾画的Dice分别为96.49%、96.75%、86.27%、61.51%和65.63%。结论:提出了一种改进型全卷积神经网络D-FCN,实验测试表明该网络模型可以有效地提高胸部放疗计划图像的自动分割精度,并可同时进行多目标的自动分割。     

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。     

基于联合决策卷积神经网络的光学相干断层扫描图像自动分类

光学相干断层扫描(OCT)技术能实现视网膜的高分辨率三维层析成像,对视网膜疾病类型的诊断和发展阶段的分析具有至关重要的作用。临床基于 OCT 图像的视网膜疾病诊断主要依靠眼科医生对图像中病变结构的分析,这一人工分析过程不仅耗时而且易产生主观的误判。研究视网膜疾病的自动分析和诊断技术将极大减轻眼科医生的工作量,是实现高效诊疗的有效途径。针对视网膜OCT图像自动分类,构建一种联合决策的卷积神经网络分类模型。该模型利用卷积神经网络从原始输入OCT图像中自动地学习不同层级的特征,同时在网络多个卷积层上设计多个决策层,这些决策层能够根据网络中不同尺度的特征图分别对OCT图像分类,最后模型融合所有决策层的分类结果做出最终决策。在Duke数据集(3 231张OCT图像)上的实验结果表明,基于多层级特征联合决策的卷积神经网络分类模型对正常视网膜、视网膜年龄相关性黄斑变性和视网膜黄斑水肿的平均识别准确率达到94.5%,灵敏性达到90.5%,特异性达到95.8%。在HUCM数据集(4 322张OCT图像)上的实验结果表明,基于多层级特征联合决策的卷积神经网络分类模型的平均识别准确率达到89.6%,灵敏性达到88.8%,特异性达到90.8%。充分利用卷积神经网络中丰富的多层级特征,能够有效地对视网膜OCT图像实现准确的分类,为临床上视网膜疾病的辅助诊断提供技术支撑。     

基于全卷积神经网络的冠状动脉中心线提取方法

精确提取冠状动脉血管造影（CAG）中心线对血管疾病诊断具有重要意义，本文提出了一种基于全卷积神经网络（FCN）的CAG中心线提取方法。首先利用基于Hessian矩阵的Frangi滤波器去除大部分伪血管噪声，突出CAG的血管树，明显区分血管和背景；利用Steger算法获得血管截面中心亚像素点，将初步提取的中心线作为数据集，标注473张经处理的CAG图像，其中378张为训练集，95张为测试集。以像素准确率（PACC）、平均准确率（MACC）和平均重叠率（MIoU）作为测试结果的评价标准。采用FCN模型分割数据集，将低层特征信息融合高层信息，对融合后的特征图进行反卷积操作，PACC达到0.85,MACC达到0.92,MIoU达到0.82。结果表明本方法具有较高的精度，可有效提取CAG中心线，为冠心病的诊断提供一种有效的辅助手段。     

基于深度监督全卷积神经网络的MRI脑图像语义分割算法

目的 依据临床诊断对MRI脑图像自动分割算法的需求,基于卷积神经网络(convolutional neural networks,CNN)设计了一种端到端的深度监督全卷积网络(deeply supervised fully convolutional network,DS-FCN)以解决脑图像中脑组织的自动分割问题。方法 针对三维MRI脑图像,先将体数据切割成二维图像切片,在FCN网络结构的基础上,加入了深度监督机制,即在特征提取的多层级结构中提前得到损失值反馈。结果 以三维MRI脑图像公开数据集LPBA-40为实验数据,56类脑组织的准确率(precision rate)、召回率(recall rate)、F1评估值分别为74. 40%、74. 82%、73. 75%,测试速率为152 ms。结论 通过引入深度监督结构,改进后的DS-FCN在MRI脑组织分割任务中得到了更精准的分割效果。     

基于高斯过程和Radon变换的视网膜血管管径测量

视网膜血管管径的异常变化与糖尿病、高血压等心脑血管疾病发展进程息息相关,眼底图像中视网膜血管信息的提取是计算机辅助分析和诊断相关疾病的重要步骤。本研究提出一种视网膜血管管径测量方法。首先对眼底图像进行图像预处理,然后基于高斯过程和Radon变换准确跟踪血管中心线和方向,最后利用二维高斯过程回归技术测量血管管径。在DRIVE和STARE这两个眼底图像数据库中进行测试。结果表明不论是对于曲率较小的近似直线型血管段、曲率较大的弯曲型血管段,还是对于管径发生变化的血管段,本文方法都能较好地检测出血管管径宽度,且标准差低、运算速度快。     

基于深度卷积神经网络的肾透明细胞癌细胞核分割

肾透明细胞癌病理图像中细胞核的形态和位置信息对肾癌的良恶性分级诊断具有重要意义,为提高肾透明细胞癌细胞核分割的质量,本研究提出了基于深度卷积神经网络的细胞核分割方法。首先,根据标定的病理图像中细胞核轮廓,构建细胞核分割样本集;然后,深度卷积神经网络通过隐式特征学习对细胞核分割模型进行训练,避免人为设计特征;最后,利用细胞核分割模型对病理图像进行逐像素分割。实验结果表明,深度卷积神经网络的细胞核分割算法在肾透明细胞癌细胞核分割的像素准确率高达90.33%,细胞核分割性能稳定,深度卷积神经网络强大的鲁棒性和适应性使得肾透明细胞癌细胞核自动分割具有可能。     

基于拓扑结构的眼底图像分割评价新方法

在眼底图像分割效果的评价中,针对传统评价方法只考虑像素点重合而未考虑视网膜血管拓扑结构的不足,本文提出一个新的评价方法。该方法首先利用数学形态学和细化算法得到血管的拓扑结构,然后统计并分析视网膜血管区域3个特征参数的分布情况,即以互信息、相关系数和节点率来获得基于拓扑结构的眼底图像分割评价结果。该方法的实验数据取自STARE公开数据库中专家手工分割及其腐蚀结果。实验结果表明:互信息、相关系数和节点率这三个特征参数可以从拓扑结构的角度来评价眼底图像视网膜血管的分割效果,且算法复杂程度较低,该方法对眼底图像视网膜血管分割评价方法的补充有重要意义。     

基于先验知识随机游走模型的视网膜血管分割方法

视网膜图像的血管提取对心脑血管等疾病的诊断、治疗与评价具有重要的临床应用价值.为解决目前视网膜血管分割算法中存在的分割精度低(特别针对病变图像)等问题,提出基于先验知识随机游走模型的视网膜血管分割方法.在分析视网膜血管特征的基础上,构建归一化梯度向量散度场,针对高、低对比度血管采用不同的定向拉普拉斯算子提取血管中心线,并将先验知识随机游走模型应用于图像分割,实现对比度低、边界微弱的视网膜血管提取.采用STARE视网膜图像库进行分割精度测试,结果表明本算法精度相对已有算法明显提高,特别针对带有病变的视网膜图像,算法的有效性得到了验证,可满足临床处理的要求.     

BP神经网络在眼底造影图像分割中的应用

背景:通过眼底荧光血管造影(FFA)所得到的数字图像以及对其进行处理所得到的数据,可反映视网膜血管结构、血流动力学改变、血管病理生理变化及其相关结构的病理改变,广泛应用于视网膜、脉络膜及视神经疾病的鉴别诊断。目的:通过分析眼底造影图像和BP神经网络的特点,利用BP神经网络对眼底造影图像进行分割,并将其利用到眼科的临床辅助诊断之中。方法:将待分割图像区域分为背景和目标两类,用手工方法得到这两类的样本图像,提取样本图像的特征,如灰度、方差、纹理等;对提取的样本特征值进行归一化处理,输入神经网络分类器,利用BP训练算法进行训练;输入待分类的医学图像,提取图像特征,并进行归一化处理;将归一化后的特征值,输入已训练的神经网络分类器进行分类,得到眼底造影图像的分割结果。结果与结论:本文使用的眼底造影图像分割方法抗干扰能力强,分割的眼底造影图像清晰、内容丰富。可以为眼科医生的临床诊断提供较大帮助。     

融合感受野模块的卷积神经网络视杯视盘联合分割

青光眼是世界第一大不可逆致盲性眼病,早期诊断和及时治疗是预防青光眼致盲的有效措施。眼底图像中的杯盘比是青光眼早期筛查与临床诊断的重要指标。因此,精确的视杯视盘分割是准确计算杯盘比并提高青光眼计算机辅助诊断技术的关键。针对这一问题,在对眼底图像进行极坐标变换的基础上,提出一种融合感受野模块的卷积神经网络Seg-RFNet,以实现视杯视盘联合分割。Seg-RFNet以SegNet框架为基础,使用ResNet50作为编码层,增强图像的特征提取能力,并对编码层进行分支处理,进一步获得更多的深层语义信息;同时在编码层和解码层之间加入感受野模块,模拟人类视觉系统,在增大感受野的同时增强了有用特征的响应。使用MICCAI 2018公开数据集REFUGE中的800张眼底图像对所提出方法与其他方法进行性能验证和比较。结果表明,Seg-RFNet分割视杯和视盘的Jaccard相似度分别0.951 5和0.872 0,F分数达到了0.974 9和0.930 1,与常用的U-Net、SegNet 网络相比,Seg-RFNet具有更好的视杯视盘联合分割精度,为计算杯盘比提供了精确分割基础。     

基于三重注意力的脑肿瘤图像分割网络

脑肿瘤图像分割问题是脑肿瘤临床诊断和治疗脑肿瘤疾病计算机辅助诊断的基础.针对脑肿瘤MRI图像分割网络深度过深和局部与全局特征信息联系匮乏导致图像分割精度降低等问题,提出一种基于三重注意力的脑肿瘤图像分割网络.首先,借鉴残差结构,将原始图像分割网络结构的编码层和解码层中的卷积模块替换为深度残差模块,解决网络加深带来的梯度...     

基于卷积神经网络胃癌分割与T分期算法

基于胃癌CT图像准确分割胃癌和精准预测胃壁肿瘤浸润深度对于筛查胃部疾病、临床诊断、术前预测、术后评估计划至关重要。为了准确地从胃癌CT图像分割出胃癌并对肿瘤进行定性分期,提出一种基于卷积神经网络的胃癌分割与T分期算法（SC-Net）。SC-Net有两条主干线：分割主线、分类主线。这种新型算法分为两步进行训练：第一步只训练分割主线得到肿瘤的粗分割结果,然后在第一步基础之上联合训练分割分类主线得到最终的精分割和肿瘤T分期结果。为了提高算法对胃癌区域的关注度,提出了注意力机制加强算法的准确性。此外还使用多核残差模块和密集连接空洞卷积模块提取深层的特征信息。对所提算法进行定性定量分析。实验表明所提方法在胃癌分割和T分期上均优于同类方法,所提方法有作为筛查胃部疾病、辅助医生诊断的潜力。     

基于眼底结构特征的彩色眼底图像视盘定位方法

眼底图像中视盘的大小和形状等参数是判断眼底病变的重要辅助参数,视盘的检测和定位对眼科疾病的计算机辅助诊断具有重要意义。提出一种基于眼底结构特征的彩色眼底图像视盘定位方法。首先采用基于低帽运算的方法,提取眼底图像中的静脉血管;然后基于静脉血管的结构特征,采用最小二乘抛物线拟合法初步定位视盘;最后通过滑动窗口灰度扫描的方法,精确定位视盘。在4个公开的眼底图像数据库(DRIVE、DIABETED0、STARE和MESSIDOR)中,对所提出的视盘定位方法进行测试,定位准确率分别为100%、98.6%、93.8%、99.75%,验证了该方法的准确性和通用性。