基于Group-Depth U-Net的电子显微图像中神经元结构分割

针对电子显微（EM）成像存在边界有损、模糊不均匀以及神经元结构本身轮廓纹理复杂难以定位的问题，提出一种深层卷积神经网络模型Group-Depth U-Net，以实现EM图像中神经元结构的自动分割。该模型采用更加深层的U-Net架构作为骨架网络，以获取更加丰富的图像特征信息；同时采用分组卷积网络结构，使模型更加高效、防止过拟合，从而提高分割的准确性与效率。公开的数据集实验表明该模型相比U-Net达到了更好的分割准确率。     

基于改进U-Net网络的肾脏肿瘤全自动分割

针对肾脏肿瘤大小、位置不确定以及传统U-Net网络全自动分割肾脏肿瘤时易出现过拟合等难题，提出一种改进的多尺度卷积和残差U-Net(MSR U-Net)的肾脏肿瘤全自动分割方法。一方面，在残差模块中加入跳跃连接使网络收敛得更快，缓解过拟合现象；另一方面，在多尺度卷积模块中采用3种不同尺寸的卷积核，增加网络的感受野，解决网络提取的肿瘤特征尺寸单一问题。使用KITS19数据库中90例患者的CT切片进行相关验证性实验，MSR U-Net方法获得了肾脏的Dice系数为0.976和肿瘤的Dice系数为0.836，表明MSR U-Net在全自动肾脏肿瘤分割任务中的可行性和有效性。     

基于级联式三维卷积神经网络的肝肿瘤自动分割

目的:根据肝肿瘤CT影像中的特异性、分割难点以及残差网络思想,提出一种基于级联式卷积神经网络的全自动CT图像肝脏肿瘤分割方法。方法:首先根据临床知识对CT数据进行预处理,减少干扰;然后基于一个肝脏粗分割网络对肝脏进行分割,并根据分割结果坐标选取肝脏作为感兴趣区域;最后在感兴趣区域内对肿瘤进行精准分割。结果:通过级联式网络分割可以有效减少计算时间以及避免其它组织的干扰,从而实现肝肿瘤的快速分割。本研究提出的方法在2017年MICCAI肝肿瘤分割公开比赛数据集LiTS中进行测试,平均Dice分数为0.663,证实了其对肝肿瘤分割的有效性。结论:基于级联式卷积神经网络的全自动CT图像肝脏肿瘤分割方法可以实现肿瘤的快速分割。后期研究将继续增加数据量,对肿瘤进行分类,从而进一步完善模型。     

基于卷积神经网络和Transformer的肝脏CT图像分割方法

针对现有的卷积神经网络在肝脏图像分割上精度较低的问题,提出了一种以U-Net网络模型为基础的分割算法。将多头自注意力机制引入到U-Net网络的跳跃连接中,在编码器部分使用空洞卷积,采用混合损失函数从而提高分割精度。在LITS数据集上通过实验结果表明,利用本文方法进行肝脏分割与传统U-Net方法相比Dice系数提升3.3%,平均交并比提升了2.4%,平均像素准确率提升了3.66%。     

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。     

基于级联3D U-Net的CT和MR视交叉自动分割方法

目的:基于级联3D U-Net,利用配对患者头颈部数据［CT和磁共振图像（MRI）］,取得比仅CT数据更高分割精度的视交叉自动分割结果。方法:该级联3D U-Net由一个原始3D U-Net和改进的3D D-S U-Net（3D Deeply-Supervised U-Net）组成,实验使用了60例患者头颈部CT图像及MRI图像（T1和T2模态）,其中随机选取15例患者数据作为测试集,并使用相似性系数（DSC）评估视交叉的自动分割精度。结果:对于测试集中的所有病例,采用多模态数据（CT和MRI）的视交叉的DSC为0.645±0.085,采用单模态数据（CT）的视交叉的DSC为0.552±0.096。结论:基于级联3D U-Net的多模态自动分割模型能够较为准确地实现视交叉的自动分割,且优于仅利用单模态数据的方法,可以辅助医生提高放疗计划制定的工作效率。     

基于反注意力机制U-Net网络的胃部肿瘤分割

首先利用全局与局部注意力对肿瘤进行定位,然后在模型中加入反注意力机制,将显著特征从原特征图中消除,并保留肿瘤的边缘轮廓信息。此外还在模型中使用深度监督,监督各个深度解码层的训练,有效抑制模型梯度消失现象,提高分割的准确性。本研究使用的是上海长征医院的胃部CT数据集,并将提出的模型与U-Net、Attention U-Net和ET-Net的实验对比。研究结果表明,相较于传统的U-Net网络模型,基于反注意力机制的U-Net模型在胃部肿瘤分割中性能得到了较大的提高,证明了该网络模型的有效性。     

基于自适应分区演化水平集的肾脏肿瘤超声图像分割

肾脏肿瘤已经成为威胁人类健康的重要疾病之一。超声检查具有普及率高、价格低廉、无辐射等诸多优点,已广泛应用于肾脏肿瘤的诊断中。超声图像中肾脏肿瘤的准确分割是制定治疗方案的基础。肾脏肿瘤往往生长在肾皮质中间,分割容易受到周围脏器干扰,而且超声图像对比度低、斑点噪声严重,使得肿瘤分割困难。本文根据肾脏超声图像的特点,提出基于自适应分区演化水平集(ASLSM)的肿瘤分割算法。首先,将感兴趣区域图像分区;然后,融合内外能量项和梯度设计目标函数,并自适应调整二者比例;最后,根据质心原理和零水平集内外相似度自适应卷积半径及曲率,进行曲线演化。将本算法用于肾脏超声图像,实验结果中豪斯多夫距离(HD)为(8.75±4.21)mm,平均绝对距离(MAD)为(3.26±1.69)mm,戴斯系数(DICE)为0.93±0.03。与传统的方法进行比较,实验结果证明本算法可以获得更加准确的肿瘤分割结果,今后本算法或可为辅助医生定位和诊断肾脏肿瘤提供便利。     

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。     

颞骨CT内面神经、迷路、听骨结构深度学习的自动化分割方法

目的 探讨神经网络的深度学习方法,进行颞骨CT内面神经、迷路及听骨结构的自动化分割的可行性和精确性。方法 选择常规颞骨CT检查患者的数据,随机分为两组,一组为训练集（20例）,另一组为测试集（5例）。在上述颞骨CT中采用手工分割的方法,分割出迷路、听骨及面神经结构。选择三维卷积神经网络3D U-Net作为深度学习中的神经网络结构部分,通过对训练集的训练,得到该网络的平均精度。用该网络模型对5组测试集中的不同解剖标志自动分割的结果与手工分割的结果进行测试,分别获得面神经、迷路及听小骨的测试精度。并将上述精度与另一种基于三维卷积神经网络结构的V-Net网络模型获得的精度进行比较。结果 在颞骨CT标本中,采用面神经、迷路及听小骨分别对3D U-Net-plus和V-Net网络结构的自动分割进行训练,在训练样本中,3D U-Net-plus网络结构的平均误差为0.016,V-Net网络结构的平均误差为0.035,两者差异有统计学意义（P<0.05）;利用3D U-Net-plus神经网络自动分割的迷路、听小骨及面神经与手工分割图像的Dice相似指数分别为0.618±0.107、0.584±0.089和0.313±0.069, 利用V-Net神经网络自动分割的迷路、听小骨、面神经与手工分割图像的Dice相似指数分别为0.322±0.089、0.176±0.100和0.128± 0.077,两者差异有统计学意义（P<0.001）。结论 采用3D U-Net-plus神经网络,在颞骨内听骨、迷路及面神经的自动识别和分割方面具有可行性,该方法优于V-Net神经网络。随着网络结构的优化和学习样本的扩大,其将更加接近人工分割的效果。     

基于改进注意力机制的臂丛神经超声图像分割网络研究

目的 提出一种改进注意力机制的卷积神经网络,用于臂丛神经超声图像精准分割。方法 基于U-Net的编码器-解码器结构,应用注意力机制使网络专注于图像中的重要区域和抑制无关的背景干扰,同时添加规范层和丢弃层以防止梯度消失和增加网络泛化能力,使用卷积和残差连接对跳跃连接进行改进,以减小语义差距。在Kaggle竞赛的公共数据库臂丛神经超声图像数据集上,用五折交叉验证的方法对网络进行训练和评估,计算平均Dice系数和Jaccard系数作为评价指标,并与U-Net、SegNet和Attention U-Net进行对比分析。结果 本文提出的网络的各项评价指标均高于对比网络,平均Dice值和Jaccard值分别达到了66.78%和50.84%。结论 这表明本文提出的网络能够更加精准地将臂丛神经从背景中自动分割出来,在不借助医生手工标注的情况下,为临床诊断提供更可靠的依据。     

基于改进Attention U-Net的胆囊自动分割模型研究

目的 基于多尺度融合注意力机制,提出改进Attention U-Net的胆囊自动分割模型,提高胆囊自动分割模型的性能,以辅助医生进行临床诊断.方法 首先选取2017年1月—2019年12月上海交通大学医学院附属新华医院普外科、吉林大学白求恩第一医院肝胆胰外一科和吉林大学中日联谊医院普外科收治的88例病理诊断明确的胆囊癌患者、28例慢性胆囊炎胆囊结石患者和29例健康对照,构建胆囊分割数据集,然后通过对医学常用深度学习图像分割方法U-Net和Attention U-Net进行分析,提出基于多尺度融合注意力机制改进的Attention U-Net方法,并设计实验对3种方法进行对比评估.结果 提出的改进Attention U-Net方法在验证集上的交并比阈值(IoU)分数、Dice系数、检测精度(Precision)和召回率(Recall)分别为0.72、0.84、0.92、0.79,全部优于传统U-Net和Attention U-Net方法.结论 本文提出了基于多尺度融合注意力机制改进的Attention U-Net模型,其性能优于U-Net和Attention U-Net,证明了本方法中改进的注意力机制可以很好地改善U-Net模型在胆囊影像上的分割结果.     

基于3D卷积网络和多模态MRI的脑胶质瘤自动分割

目的:基于三维（3D）卷积神经网络和多模态MRI实现脑胶质瘤的自动分割。方法:首先对来自BraTS2020公共数据集的369例脑胶质瘤的4个模态MRI数据进行3D剪裁、重采样、去伪影、归一化的预处理。其次将MRI数据和脑胶质瘤标注信息输入到基于U-net的3D卷积神经网络模型进行训练和测试。利用相似性系数、召回率和精确率评价整体肿瘤区域、核心肿瘤区和增强肿瘤区的分割结果。结果:在74例测试数据集上,整体肿瘤区域、核心肿瘤区域和增强肿瘤区域的相似系数平均值分别为0.88、0.77和0.73,中位值分别为0.90、0.84和0.81,召回率平均值分别为0.88、0.78和0.78,中位值分别为0.90、0.84和0.84,精确率平均值分别为0.89、0.83和0.75,中位值分别为0.91、0.89和0.79。结论:基于U-net的3D卷积神经网络在多模态MRI数据集上获得了较好的分割结果,显示其在脑胶质瘤自动分割方面的潜力,可为临床诊断分级和治疗策略选择提供参考。     

基于自注意力的双通路全脊柱 X 光图像分割模型

全脊柱X光图像（包含脊柱、骶骨及髂骨）分割是目前脊椎疾病智能诊断中首要关键的环节。针对U-Net语义分割算法在全脊柱X光图像多区域分割精度较差的问题,提出一种双通道语义分割算法DAU-Net,通过空间通道与语义通道分别学习空间信息特征与图像语义特征,并在解码器端对两类特征进行融合,获取脊柱X光图像中更精准的分割边界。在空间通道中,使用空洞卷积及残差模块扩大视野域并保留更多远端特征信息。此外,将自注意力机制引入语义通道,并设计不同的自注意力编码与自注意力解码模块构建全局关联信息,实现对多个目标骨骼区域语义分割。实验结果表明,DAU-Net能够有效提高脊柱X光图像上的分割精度,相比U-Net、ResU-Net、Attention U-Net、U-Net++,Dice系数分别提高4.00%、1.90%、4.60%、1.19%。     

基于U-Net结合改进算法对放疗危及器官自动勾画研究

目的：面向放疗危及器官自动勾画构建基于U-Net的模型并针对肝脏分割构建3种改进模型。方法：采集共计184例肝癌患者和183例头部放疗患者的计算机断层扫描（CT）图像及组织结构信息,并结合公开数据集Sliver07用于模型的训练与评估。通过搭建U-Net模型并针对肝脏分割分别结合空洞卷积、SLIC超像素算法、区域生长算法进行训练并得到预测模型,利用预测模型对自动勾画结果进行预测。采用交并比（Io U）和平均交并比（MIo U）评价预测结果的精确性。结果：测试集头部放疗危及器官自动勾画预测结果MIo U为0.795～0.970,肝脏分割使用U-Net预测结果MIo U约为0.876,使用改进后模型预测结果MIo U约为0.888,并很好地约束了预测偏差较大结果的出现,使得测试样本中Io U结果小于0.8的数量占比从16.67%降至7.5%。直观勾画方面结合改进算法的模型比U-Net更能捕捉到复杂、混淆性的边界区域。结论：构建U-Net模型能够在头部放疗危及器官和肝脏自动勾画上表现良好,3种改进的模型能够在肝脏分割上具有更优的表现。     

卷积神经网络的原理及其在医学影像诊断中的应用

利用卷积神经网络快速高效地对医学影像数据进行分析和处理可以实现医学影像数据快速分类、定位等操作,提高医学诊疗的效率。本研究从卷积神经网络的背景和原理入手,介绍各种类型的卷积神经网络的应用场景和一些常用的卷积神经网络模型,包括残差卷积神经网络、U-net、循环卷积神经网络等及其在医学影像诊断中的应用,最后针对卷积神经网络和人工智能技术讨论了其未来的展望和挑战。     

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。     

深度学习在肝脏肿瘤CT图像分割中的应用

肝脏肿瘤严重危害着全人类的生命健康。近年来，随着深度学习的快速发展，涌现了许多使用腹部计算机断层扫描（computed tomography,CT）图像进行肝脏肿瘤分割的深度学习方法，这些方法的应用对于临床上实现肝脏肿瘤的计算机辅助诊断具有十分重要的意义。为此，本文对深度学习方法在肝脏肿瘤CT图像分割中的应用进行了归纳，将各种卷积神经网络（convolutional neural networks,CNN）分为二维（two-dimensional,2D）、三维（three-dimensional,3D）和2.5维（2.5-dimensional,2.5D）卷积神经网络。此外，本文总结了各类网络的优缺点以及改进方法，为深度学习在肝脏肿瘤分割中的应用提供了有益参考。     

基于改进U-Net的皮肤超声图像自动分割算法

目的 真皮和表皮可以反映人体皮肤的健康状况,是皮肤特征的一个重要评价指标.实验提出一种基于改进的U-Net网络的皮肤多类分割算法,利用U-Net深度神经网络强大的编码解码结构自动分割出人体皮肤中真皮层和表皮层区域.方法 选择健康志愿者25例,其中男性15例,女性10例;年龄20～60岁,平均年龄30岁.采集部位为手背、...     

基于级联式深度网络模型的胃及胰腺自动分割研究

目的:旨在研究自主创新设计的级联式深度卷积神经网络VB-Net在胃和胰腺上的自动分割精度及效率。方法:回顾分析150例胰腺癌患者临床资料,随机选取132例非增强CT数据和其中116例胰腺期增强CT以及结构数据进行胃及胰腺的分割模型训练。对剩余18例患者的非增强CT和胰腺期增强CT给予模型测试,使用戴斯相似性系数量化分析模型的分割精度,同时评估其分割效率。结果:基于非增强CT的胃、胰腺的自动分割平均DSC值分别为87.93%、80.05%;基于胰腺期增强CT的胃、胰腺自动分割平均DSC值分别为89.71%、84.79%。胃及胰腺的自动分割平均时间为1.22、0.84 s,手动分割平均时间为158.70、115.52 s。结论:基于VB-Net的胃及胰腺自动分割模型测试结果较为准确,且极大提高了器官分割的效率。