融合Transformer和跨级相位感知的结肠息肉分割方法EI北大核心

针对结肠息肉图像分割时空间归纳偏差和全局上下文信息的有效表示缺失,导致边缘细节信息丢失和病变区域误分割等问题,提出一种融合Transformer和跨级相位感知的结肠息肉分割方法。该方法一是从变换的全局特征角度出发,运用分层Transformer编码器逐层提取病变区域的语义信息和空间细节;二是通过相位感知融合模块(PAFM)捕获各阶段跨层次交互信息,有效聚合多尺度上下文信息;三是设计位置导向功能模块(POF)有效整合全局与局部特征信息,填补语义空白,抑制背景噪声;四是利用残差轴反向注意力模块(RA-IA)来提升网络对边缘像素点的识别能力。在公共数据集CVC-ClinicDB、Kvasir、CVC-ColonDB和EITS上进行实验测试,其Dice相似性系数分别为94.04%、92.04%、80.78%和76.80%,平均交并比分别为89.31%、86.81%、73.55%和69.10%。仿真实验结果表明,本文提出的方法能有效地分割结肠息肉图像,为结直肠息肉的诊断提供了新窗口。     

MAUNet:用于皮肤病变分割的轻量级模型

针对当前深度学习分割算法参数数量多和计算复杂度高的问题,提出了一种融合多种注意力机制的轻量级模型MAUNet用于皮肤病变分割。该模型在UNet网络基础上融合深度可分离卷积和门控注意力机制模块,用于提取全局和局部特征信息;融入外部注意力机制模块来增强样本间的联系;利用空间和通道注意力模块分别提取通道和空间特征。以ISIC2017皮肤病公开数据集作为数据源,改进的UNet模型实现特征提取与分类。与基线模型UNet相比,平均交并比和Dice相似性系数分别提高了2.18%和1.28%,同时参数量和计算复杂度仅为基线模型的2.1%和0.58%。实验结果表明该模型在参数数量平衡性、计算复杂度和分割检测性能上均达到了较好的水平。     

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。     

基于非局域注意力和多任务学习的胸部X线片肺实质分割方法

肺实质的准确分割是计算机辅助影像学诊断肺部疾病的关键。随着深度学习技术的发展，基于全卷积网络的图像分割模型取得了很好的效果，但对于边缘模糊和肺实质密度不均匀的情形仍会误分割。针对该问题，本文提出一种基于非局域注意力机制和多任务学习的胸部X线片图像肺实质分割方法。首先，基于残差连接的编-解码卷积网络提取肺实质多层级语义特征信息并预测肺实质边界轮廓；其次，通过非局域注意力机制建立肺实质轮廓与全局语义特征信息之间的相关性并增强轮廓区域特征信息权重；再次，基于增强的特征信息进行多任务监督学习，实现肺实质的准确分割；最后，在JSRT和Montgomery公开数据集上验证了本文方法的有效性和模型泛化能力，对比其他几种代表性的分割模型，其Dice系数和准确性最大分别提高1.99%和2.27%。实验结果表明，通过增强特征信息中边界轮廓的注意力，能有效减少肺实质密度不均匀时的误分割并提高模糊边缘的分割精度。     

基于空洞空间卷积池化金字塔结构和注意力机制的全卷积残差网络磨玻璃肺结节分割方法EI北大核心CSCD

准确分割磨玻璃肺结节(GGN)具有重要临床意义。针对电子计算机断层扫描(CT)图像中GGN边界模糊、形状不规则、强度不均匀等特点导致其分割困难的问题,本文提出一种全卷积残差网络算法,即基于空洞空间卷积池化金字塔结构和注意力机制的残差网络(ResAANet)算法。该网络算法利用空洞空间卷积池化金字塔(ASPP)结构扩大特征图感受野,提取更充分的目标特征,并采用注意力机制、残差连接和长跳跃连接充分保留卷积层提取的GGN敏感特征。首先,用上海市胸科医院收集的565个GGN对ResAANet进行全监督训练、验证,得到稳定的模型;然后,利用收集的另84个GGN和肺部图像数据库联盟(LIDC)公共数据库中145个GGN分别测试模型得到粗分割结果;最后,用连通域分析方法去除假阳性区域得到优化结果。本文所提算法在采集的临床数据和LIDC测试集上的戴斯相似系数(DSC)达到83.46%、83.26%,平均重合度(IoU)达到72.39%、71.56%,切片分割效率达到0.1 s/张。与其他算法相比,本文提出的方法能准确、快速分割GGN,且具有较好的稳健性,可以为医生提供结节大小、密度等重要信息,辅助医生后续的诊断和治疗。     

基于联合深度网络和形态结构约束的三维医学图像分割方法

医学图像自动分割具有广泛和重要临床应用价值,特别是病灶、脏器的自动分割。基于传统图像处理方法的医学图像分割仅能利用浅层结构模型的浅层特征来识别感兴趣区域,并且需要大量人工干预。而基于机器学习的分割方法在模型建模时存在局限性且缺乏可解释性。本研究提出一种基于Transformer和卷积神经网络结合形态结构约束的三维医学图像分割方法。编码器中利用卷积神经网络和Transformer构建U型网络结构提取多重特征;解码器中采用上采样并通过跳跃连接将不同层次的特征拼接在一起;加入形态结构约束模块,通过提取病灶和脏器等分割目标的形状信息,以增强模型可解释性,并采用最大池化和平均池化操作,对经过卷积神经网络得到的结果进一步提取有代表性的特征,作为形态结构模块的输入,最终提高分割结果的准确性。在公开数据集Synapse和ACDC上利用评价指标Dice相似系数(DSC)和Hausdorff距离(HD)验证所提出算法的有效性。其中,在Synapse数据集上,18例数据作为训练集,12例数据作为测试集;在ACDC数据集上,70例数据作为训练集,10例数据作为验证集,20例数据作为测试集。实验结果表明,在Sy...     

基于卷积和注意力机制的医学细胞核图像分割网络EI北大核心CSCD

深度学习在细胞核分割中具有重要作用,但在病理诊断中仍面临着细胞核图像的细微特征难以提取、核边缘模糊等问题。针对上述问题,本文提出了一种结合注意力机制的细胞核分割网络。该网络使用U型网络(UNet)作为基本结构,以深度可分离残差卷积(DSRC)模块作为特征编码,避免丢失细胞核边界信息;特征解码引入坐标注意力(CA)加强特征空间上远程距离,突出细胞核位置的关键信息;最后,设计语义信息融合(SIF)模块整合深浅层特征,改善分割效果。在2018数据科学碗(DSB2018)和三阴乳腺癌(TNBC)数据集上分别进行实验,所提方法的精确率在两个数据集上分别为92.01%、89.21%,灵敏度为90.09%、91.10%,平均交并比为89.01%、89.12%。实验结果表明,本文所提方法能有效分割细胞核细微区域,提升分割准确度,为临床诊断提供可靠依据。     

融合Vnet和边缘特征的肺结节分割算法

目的:针对肺结节分割过程中存在边缘信息丢失、边界分割模糊问题,在Vnet基础上改进BSR-Vnet算法。方法:首先,利用边缘关键点选择算法和空洞卷积改进BFB边缘特征增强模块,集成进编码器中,用以保留更多边缘信息;其次,用空间-通道压缩激励模块sc-SE引入双注意力机制,代替Vnet的瓶颈结构,提取非局部上下文信息;最后,利用Vnet原有的残差结构,使用混合空洞卷积构造残差空洞模块RDB代替原本的解码器,用于扩大感受野,提取更多特征细节。结果:本文改进的BSR-Vnet应用在公共数据集LIDC-IDRI上,在Dice系数上达到了87.94%的结果。结论:与基础Vnet方法相比,该模型有效保留了更多的边缘结构和信息,提取了更多上下文信息,使肺结节分割结果更为精确。 【关键词】肺结节分割;Vnet网络;空洞卷积;注意力机制;边缘关键点选择算法     

一种基于生成对抗网络的无监督域自适应磁共振图像分割方法EI北大核心CSCD

智能医学图像分割方法正在快速地发展和应用,但面临着域转移挑战,即由于源域和目标域数据分布不同导致算法性能下降。为此,本文提出了一种基于生成对抗网络(GAN)的无监督端到端域自适应医学图像分割方法。设计网络训练调整模型,由分割网络和鉴别网络组成。分割网络以残差模块为基本模块,增加对特征的复用能力,降低模型优化难度,并将分割损失与对抗损失相结合,在鉴别网络的作用下学习图像特征层面的跨域特征。鉴别网络采用卷积神经网络,并带入源域标签训练,用来区分生成网络的分割结果是来自源域或目标域,整个训练过程无监督。使用膝关节磁共振(MR)图像公开数据集和采集的临床数据集进行实验,与经典的特征级域自适应方法和图像级域自适应方法对比,所提方法的平均戴斯相似性系数(DSC)分别提高了2.52%与6.10%。本文方法有效提高了分割方法的域自适应能力,显著提高了对胫骨和股骨的分割精度,可以较好地解决磁共振图像分割中的域转移问题。     

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。     

基于多尺度特征融合与反向注意力的COVID-19病灶分割

针对新型冠状病毒肺炎（COVID-19）分割问题中感染区域具有高变异性以及病灶与背景对比度低等问题,提出一种基于多尺度特征融合与反向注意力的COVID-19感染分割网络。首先,利用残差网络作为主干网络进行特征提取,并使用全局上下文聚合策略对不同层次特征进行融合得到粗略的分割结果;其次,在网络瓶颈处添加多尺度特征融合模块,利用空洞卷积与多核池化增强网络分割不同尺度病变的能力;最后,设计一种级联结构的反向注意力模块,利用互补区域的细节特征增强背景与目标的对比度。本文方法在COVID-19 CT分割测试集上的准确率、特异性、灵敏度分别达到0.714、0.700和0.958,误检和漏检区域明显减少,细小病灶的分割能力显著提升。     

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。     

基于模糊区域对比度增强的肺实质鲁棒分割

基于阈值操作的肺实质分割对CT图像的对比度敏感,常常造成肺部粘连区域的肺实质分割失败。提出一种融合模糊区域对比度增强与阈值和形态学细化分割的新的肺实质分割算法。首先,根据图像的灰度信息利用线性迭代聚类将图像预分割为多个超像素。然后,根据超像素的灰度统计信息自动定位模糊区域,并进行自适应对比度增强。最后,基于阈值和形态学操作进行细化分割,准确提取肺部粘连区域和肺实质。通过对kaggle肺部数据集30位患者的300张CT图像进行测试,结果表明本研究算法的平均分割准确率(Dice系数)为98.65%,过分割率为0.21%,欠分割率为1.33%,整体分割性能比传统阈值操作和形态学方法有明显提升。     

基于Swin Transformer的多尺度边缘优化膀胱癌磁共振成像分割算法

针对膀胱癌磁共振成像(magnetic resonance imaging, MRI)肿瘤区域小、癌变区域边缘模糊等问题,本研究设计了一种以Swin Transformer为骨干网络的多尺度边缘优化膀胱癌MRI分割算法。首先,设计特征提取模块学习细粒度语义特征信息;然后,采用一种多尺度特征金字塔模块解决肿瘤形状复杂多变的问题;最后,采用边缘细节解码模块对肿瘤分割边缘进行优化,提高分割性能。采用五折交叉实验验证算法性能,结果显示,该算法的交并比(IOU)、骰子系数(DICE)和准确率(ACC)分别达到89.11%、93.73%和93.46%。结果表明,本算法分割性能优良,可实现膀胱癌MRI影像精准分割,为临床医生提供辅助诊断工具。     

面向社区医疗的跌倒检测算法

为解决社区中的独居老人发生跌倒时不能及时得到救治造成二次伤害的问题,提出一种面向社区医疗的跌倒检测算法。算法具有2D卷积和3D卷积两个分支,同时进行空间特征和时序特征的提取。在3D分支引入密集连接,增强时序特征提取能力;在2D分支重新设计网络的残差块,增强空间特征提取能力。在两个分支融合部分引入非局部注意力机制,增强特征融合能力。在算法的最后融合场景信息,通过SIoU损失函数和联合损失函数监督算法检测跌倒行为。在扩充后的公开URFD数据集上进行对比实验,本文算法检测准确率为98.3%,表明所提算法对于跌倒行为有较好的表现性和鲁棒性。     

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。     

基于改进型V-net卷积神经网络的胃壁分割方法

实现上腹部CT影像的胃壁分割与中心线提取是成功实现早期胃癌筛查和辅助T分期的前提。基于改进型V-net的胃壁分割方法加入了全局平均权重模块的全卷积神经网络框架,有效解决了神经网路下采样过程中信息丢失的问题。此外,本文在原水平集方法的基础上,提出了正则化水平集损失函数。该损失函数有效抑制了全卷积网络胃壁边缘特征丢失率和因数据量较少而引起的过拟合问题,提高了神经网络对上腹部CT影像中胃壁的识别精度。实验表明,在上腹部CT影像数据集中本文方法分割准确度Dice系数高达0.916 5,IOU达到了0.822 3。该方法的Dice相对于3D V-net方法准确度提高了近6%,同时比CE-net和Dense U-net方法的准确率分别提高了2.7%和3.1%。     

基于全卷积神经网络的直肠癌肿瘤磁共振影像自动分割方法

目的直肠肿瘤(rectum cancer,RC)的图像精确分割是直肠癌诊断和治疗的基础和关键。目前,直肠肿瘤的分割通常是由放射科医生逐切片进行,这种方式主观性强,工作量大。为此,本文提出了一种直肠肿瘤磁共振影像全自动分割网络,在有效减少放射科医生负担的同时提高了肿瘤分割结果的可重复性。方法首先采用一个预训练的ResNet50提取特征,并在网络隐藏层添加3个边输出模块,实现图像数据的多尺度特征提取,最后融合3个边输出模块获得最终的分割结果。将所提网络架构的分割结果与基于U-net网络架构的分割结果进行比较,并分析不同损失函数和感兴趣区域(region of interest,ROI)尺寸对所提网络分割性能的影响。结果本研究使用中山大学附属第六医院512例患者的影像数据对模型进行训练及测试,其中随机选取的461例患者的T2加权磁共振影像用于网络训练,剩下51例患者的T2加权磁共振影像用于网络测试。结果表明,所提网络分割结果的平均Dice相似性系数(Dice similarity coefficient,DSC)、平均敏感度(sensitivity)、平均特异度(specificity)及平均豪斯多夫距离(Hausdorff distance,HD)分别达到了83.61%、89.10%、96.36%和8.49,均优于基于U-net的分割方法。对于包含了肿瘤组织的ROI,尺寸越小,分割效果越好。对于给定尺寸的ROI,几种损失函数并无太大差异。结论该算法能够准确地勾画肿瘤边界,有助于提升医生工作效率。     

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U型稠密特征融合的皮肤病灶分割

皮肤病灶图像分割可作为医学相关类疾病辅助诊断的重要依据。针对皮肤病灶区域结构复杂和尺度信息参差错落的特点,提出一种基于U型稠密特征融合的皮肤病灶分割方法。编码器利用稠密网络结构和空洞空间金字塔池化充分提取特征与融合,由稠密空间注意力模块与深度可分离卷积解码深层特征,防止病灶区域周围噪声干扰,同时引入融合压缩注意力模块进一步提高分割性能,通过二值交叉熵与Jaccard系数结合的损失函数优化。在ISBI 2016皮肤病灶数据集进行仿真评估,Jaccard相似度和Dice系数分别达到86.87%和92.98%,有助于提高皮肤病灶诊断效率。