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.     

基于改进U-Net的肝脏分割方法

针对现有肝脏图像分割方法存在分割精度较低的问题,提出一种改进U-Net的肝脏分割方法。该方法对U-Net结构做出以下改进,即引入改进的残差模块、重新设计跳跃连接,然后采用混合损失函数,从而提高特征信息的利用率,减少编码器和解码器之间的语义差异,缓解类不平衡的问题并且加快网络收敛。在CodaLab组织提供的公共数据集LITS（Liver Tumor Segmentation）上的实验结果表明,利用该方法达到的Dice相似系数值、敏感度、交并比分别为93.69%、94.87%和87.49%。相比于U-Net和Attention U-Net等分割方法,该方法分割出的肝脏区域结果更加准确,取得了更好的分割性能。     

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。     

基于同构化改进的U-Net结直肠息肉分割方法

结肠镜检查广泛应用于结直肠癌的早期筛查和诊疗,但仅靠人工判读结肠息肉漏检率较高,有研究统计可达25％.基于深度学习的计算机辅助技术有助于提高息肉检测率,但目前深度学习的主流分割网络U-Net存在着两个局限:一是编解码的输出特征图之间存在着语义鸿沟;二是U-Net的双层卷积单元无法学习多尺度信息;割裂地看待容易使模型陷入...     

U-Net改进及其在新冠肺炎图像分割的应用

CT成像已成为检测新型冠状病毒肺炎（COVID-19）最重要的步骤之一。针对手动分割患者胸部CT图像中毛玻璃混浊区域繁琐的问题提出了一种自注意力循环残差U型网络模型来实现COVID-19患者肺部CT图像的自动分割,辅助医生诊断。在U-Net模型的基础上引入了循环残差模块和自注意力机制来加强对特征信息的抓取从而提升分割精度。在公开数据集上的分割实验结果显示,该算法的Dice系数、敏感度和特异度分别达到了85.36%、76.64%和76.25%,与其他算法相比具有良好的分割效果。     

医学图像分割算法的损失函数综述

基于深度学习的医学图像分割方法已经成为了医学图像处理领域的强大工具。由于医学图像的特殊性质,基于深度学习的图像分割算法面临样本不平衡、边缘模糊、假阳性、假阴性等问题,针对这些问题,研究人员大多对网络结构进行改进,而很少从非结构化方面做出改进。损失函数是基于深度学习的分割方法中重要的组成部分,对损失函数的改进可以从根源上提高网络的分割效果,并且损失函数与网络结构无关,可以即插即用地运用在各种网络模型和分割任务中。本文从医学图像分割任务中的困难出发,首先介绍了解决样本不平衡、边缘模糊、假阳性、假阴性问题的损失函数及改进策略;然后对目前损失函数改进过程中所遇到的困难进行分析;最后对未来的研究方向进行了展望。本文将为损失函数的合理选择、改进或创新提供参考,并为损失函数的后续研究指引方向。     

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。     

U-Net及其变体在医学图像分割中的应用研究综述

医学图像分割可以为临床诊疗和病理学研究提供可靠的依据,并能辅助医生对病人的病情做出准确的判断。基于深度学习的分割网络的出现解决了传统自动分割方法鲁棒性不强、准确率低等问题。U-Net凭借其出色的性能在众多的分割网络中脱颖而出,研究者以U-Net为基础相继提出了多种改进变体。以U-Net网络及其变体为主线,首先详细介绍U-Net的网络结构及常用改进方法;然后根据分割对象的不同,将U-Net变体网络进一步划分为泛用型分割网络及特定型分割网络,并就其在医学图像分割中的研究进展进行论述;最后,分析了目前研究中工作尚存在的难点与问题,并对今后的发展方向进行展望。     

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。     

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。     

基于深度残差网络的皮肤镜图像黑色素瘤的识别

恶性黑色素瘤是最常见和最致命的皮肤癌之一。临床上,皮肤镜检查是恶性黑色素瘤早期诊断的常规手段。但是人工检查费力、费时,并且高度依赖于皮肤科医生的临床经验。因此,研究出自动识别皮肤镜图像中的黑色素瘤算法显得尤为重要。提出一种皮肤镜图像自动评估的新框架,利用深度学习方法,使其在有限的训练数据下产生更具区分性的特征。具体来说,首先在大规模自然图像数据集上预训练一个深度为152层的残差神经网络(Res-152),用来提取皮肤病变图像的深度卷积层特征,并对其使用均值池化得到特征向量,然后利用支持向量机(SVM)对提取的黑色素瘤特征进行分类。在公开的皮肤病变图像ISBI 2016挑战数据集中,用所提出的方法对248幅黑色素瘤图像和1 031幅非黑色素瘤图像进行评估,达到86.28%的准确率及84.18%的AUC值。同时,为论证神经网络深度对分类结果的影响,比较不同深度的模型框架。与现有使用传统手工特征的研究(如基于密集采样SIFT描述符的词袋模型)相比,或仅从深层神经网络的全连接层提取特征进行分类的方法相比,新方法能够产生区分性能更强的特征表达,可以在有限的训练数据下解决黑色素瘤的类内差异大、黑色素瘤与非黑素瘤之间的类间差异小的问题。     

基于深度学习的医学图像分割研究进展

医学图像分割是医学图像定量分析的关键步骤之一,因此病灶分割对临床诊断有重要意义。针对传统分割方法中存在的过多依赖医学领域的先验知识和人为评估错误等问题,提出了基于深度学习的病灶分割方法。本文总结了卷积神经网络算法应用于医学图像病灶分割的研究进展。首先,论述卷积神经网络的基本结构及其常用架构;其次介绍深度学习在医学图像病灶分割中的应用,其中包括肺结节的检测和分类,脑肿瘤分割和乳腺病灶的分割;最后,分析了目前该研究中存在的优缺点并对深度学习的发展方向进行展望。     

基于改进U-Net网络的内窥镜图像烟雾净化算法

在微创手术中,电灼、激光烧蚀等操作产生的烟雾严重影响图像质量,遮挡医生视野,增加手术风险,同时也降低计算机辅助手术算法(如分割、三维重建、跟踪等)的性能,因此需要实时去除烟雾,以保持清晰的视野.提出一种基于改进U-Net网络的烟雾净化算法:为了保留更多图像细节,在U-Net网络编码器部分加入经过拉普拉斯金字塔变换的烟雾...     

基于U-Net的T细胞斑点检测方法研究

针对传统图像分割方法抗噪性弱、容易漏检的问题,提出基于U-Net模型的T细胞斑点分割算法。通过中值滤波器平滑消除噪声,灰度化处理降低背景干扰,采用Adam算法优化损失函数,能有效提高分割准确率。实验结果表明,与基于区域生长的传统分割方法对比,U-Net方法在少量斑点和较多斑点两种情况下F1分别提升9%和6%,验证了其有效性。     

基于FC_DenseNet深度学习网络自动分割肺癌放疗中的危及器官

目的:建立一种基于密集连接深度学习的端到端胸部CT图像危及器官自动分割方法,提供一个高精度的自动分割模型,减轻医师临床勾画的工作强度。方法:收集36例肺癌患者CT图像,27例作为训练集,随机取6例作为验证集进行交叉验证,测试集为9例,训练时间约为5 h,完成了左肺、右肺、脊髓、心脏4个危及器官的自动分割,并使用Dice系数、HD95距离与平均表面距离(ASD)3个指标对测试集进行测试。结果:测试集的分割结果显示,与U-Net与ResNet50相比,FC_DenseNet网络在Dice值、HD95、ASD指标上表现较好,但是不同网络之间的分割结果并没有显著差异(P>0.05),FC_DenseNet网络Dice值最高是左肺为0.98,最低为心脏0.84。结论:本研究的结果表明,密集连接结构的深度学习模型能够较为准确地分割左右肺、脊髓、心脏4个危及器官,这种特征图复用的思想为基于深度学习的医学图像分割提供了新思路。     

双重降维通道注意力门控U-Net的胰腺CT分割

从腹部CT图像中分割并重建胰腺3D模型对于辅助疾病诊疗有重要意义。由于胰腺在图像中占比小且与周边组织难以区分等原因,现有方法准确性和稳定性不足。本研究提出一种双重降维和通道注意力门控U型网络,在编码路径中以双重降维模块加强浅层特征空间有效信息提取,在编解码连接中嵌入通道注意力门控模块从通道层级过滤冗余特征。在NIH发布的胰腺分割公开数据集上(包括82例CT图像)进行实验,采用集合相似度(DSC)、召回率(R)和精确率(P)验证分割性能,使用三维顶点距离误差(VDE)评估3D重建效果。DSC、R和P值分别达到82.35%±5.76%、81.07%±8.50%、84.04%±5.40%,VDE降低至1.27±0.90,优于U-Net和Attention-Unet等方法。结果表明,所提出方法能够提高胰腺CT图像分割性能,重建的3D模型能够更好反映个体胰腺实际情况。     

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。     

一种提高直肠癌诊断精度的基于U型网络和残差块的电子计算机断层扫描图像分割算法EI北大核心CSCD

作为确定病灶与诊断的重要基础,医学图像分割已成为生物医学领域中极其重要的热门研究领域之一,其中基于全卷积神经网络和U型网络(U-net)等神经网络的医学图像分割算法得到越来越多研究人员的重视。目前,医学图像分割算法应用于直肠癌诊断的研究报道较少,且已有的研究对直肠癌的分割结果精度不高。本文提出了一种结合图像裁剪和预处理方法的编码—解码卷积网络模型。该模型在U型网络的基础上,借鉴残差网络思想,用残差块代替传统的卷积块,有效避免了梯度消失的问题。此外,本文还采用了图像增广的方法提高了所提模型的泛化能力,并在"泰迪杯"数据挖掘挑战赛所提供的数据集进行测试。测试结果表明,本文提出的基于残差块的改进U型网络模型结合图像裁剪预处理,可以大大提高直肠癌的分割精度,得到的戴斯系数在验证集上达到0.97。