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。     

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%。     

基于稀疏分解的医学CT图像去噪

医学CT图像成像过程中,由于成像机制的影响,不可避免的引入噪声。图像中的噪声会降低图像质量,影响临床诊断。因此,有必要对医学CT图像进行去噪处理。本文采用图像的稀疏分解方法来对混有噪声的肝癌CT图像进行消噪处理,提出分块稀疏分解去噪。实验表明,本文算法对医学图像中噪声去除有一定效果。在分解原子个数相同的条件下,本文方法去噪后重建图像比在整幅图像上进行稀疏去噪重建的计算速度提高了约15倍。     

一种基于全局字典学习的小动物低剂量计算机断层扫描降噪方法

在小动物计算机断层扫描(CT)实验中,因需考虑小动物存活率以及实验的连续性等问题,一般较少采用高剂量的X射线进行实验;而低剂量的X射线会导致重建图像被噪声污染,影响图像质量,不利于后续实验分析。为解决此问题,本文介绍了一种基于全局字典学习的降噪方法,并将其应用于提升低剂量小动物CT重建图像质量的研究中。针对真实的小动物CT重建数据,选择高剂量的小动物CT重建图像作为训练样本,利用逐列更新的字典学习算法(K-SVD),构建包含图像信息的全局字典;利用正交匹配追踪算法(OMP)将低剂量重建图像利用全局字典进行稀疏分解,分离噪声,最后将重建图像复原,达到降噪、提升图像质量、降低小动物CT实验的拍摄剂量、提高小动物存活率的目的。实验结果表明,本文提出的方法能够有效减少低剂量动物CT图像的噪声,并能够较好地保留图像细节。     

一种医学图像去噪程序的并行优化

目的：在采集、处理和传输过程中,医学图像会存在各种噪声,严重影响医学图像的质量和后续对图像的各种处理,因此医学图像去噪具有重要意义。同时医学图像数据量大,去噪处理算法复杂,在一般个人电脑上进行医学图像去噪仍是一个非常耗时的过程．很难满足实际应用中高实时性的要求．因此需要通过优化来提高去噪的处理速度。方法：本文利用CUDA（Compute Unified Device Architecture）并行编程对基于同质算法的三维医学图像去噪进行加速,CPU和GPU（Graphic ProcessorUnit）异构编程方式能发挥GPU高强度的计算能力,提高算法的执行速度。通过使用纹理存储器将图像数据与纹理绑定,优化存储器访问,提高数据访问速度。优化过程中,合理选择三维图像数据的分块方式和线程块维度。可以获得更快的加速。结果：与基于同质的matlab和CPU去噪程序相比,并行优化后GPU程序在保持去噪图像质量的前提卞可以达到几百倍的加速。结论：CUDA加速大大缩短了三维医学图像去噪的运行时间,解决了医学图像去噪的速度瓶颈问题．可以应用于对运行速度有要求的图像处理中。     

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。     

基于卷积神经网络的超声图像散斑去噪算法

为了提高超声图像质量,解决传统去噪算法在抑制散斑噪声和保留超声图像纹理特征方面的难题,提出一种基于卷积神经网络的超声图像散斑去噪算法DSCNN(De-speckling CNN)。本文提出的算法利用卷积神经网络强大的拟合能力来学习从超声图像到其相应的高质量图像的复杂映射,同时,通过改进损失函数的方式来减少去噪过程中纹理信息的损失和细节的模糊。不同于以往简单地假设超声散斑噪声为乘性噪声,本文利用基于超声图像采集模型和散斑噪声形成模型的模拟超声成像技术为去噪模型生成更贴合真实超声图像的训练数据,解决深度学习方法训练数据匮乏以及在临床上无法获得与超声图像空间配准作为标签的无噪声图像的难题。通过与其他具有代表性的超声图像去噪算法比较,经DSCNN去噪后的超声图像无论在视觉效果还是图像质量评价指标上都取得了更好的结果,其中SSIM达到0.856 9,在文中所有方法中最高。     

改进的YOLOv4算法在肺结核检测中的应用研究

针对CT影像中肺结核病灶复杂且尺度变化大造成检测精度低的问题,提出了一种改进特征融合方法的YOLOv4网络用于肺结核的检测。首先,采用尺度均衡的金字塔卷积来捕获不同尺度特征层之间的相互作用,并在此基础上以自适应空间特征融合的方式过滤掉不同尺度上的冲突信息,以进行特征的有效融合。其次,在低层特征上引入了坐标注意力以进一步提高小目标的检测精度。根据北京胸科医院提供的300例病患信息,搭建了一套规范的肺结核CT数据集,并在所构建的数据集上进行了实验。输入图片分辨率设定为512×512,与原始YOLOv4相比本文模型mAP提升了4.96%,且该指标优于现有主流肺结核检测算法,如Faster R＿CNN、SSD、RetinaNet等。结果表明改进的YOLOv4算法能够有效解决检测目标尺度变化和小目标检测问题,提高检测精度。     

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%。     

几种图像去噪算法的仿真分析及其在fMRI数据处理中的应用

目的去除图像噪声是医学图像处理过程中的基本预处理步骤,对图像的后继分析处理的质量有重大影响。本文基于图像去噪和医学图像的诊断准确率息息相关这一现实问题,对几种图像去噪算法进行仿真分析,并实现功能磁共振(functional magnetic resonance imaging,f MRI)数据应用。方法首先阐述了几种常用图像去噪算法的基本原理,其次使用不同算法对加入高斯噪声的Lena图像进行去噪仿真,并对不同结果的峰值信噪比(peak signal-to-noise ratio,PSNR)和均方差(mean square error,MSE)进行比较,最后总结并选择最优降噪算法应用于f MRI数据分析中,以期获得较好的后期处理基础。结果小波分层阈值算法在f MRI处理中的峰值信噪比和均方差更优。结论在f MRI图像去噪过程中,利用小波分层阈值算法更能提高图像的信息利用率,有助于提高医师诊断的准确率。     

图像增强下基于生成对抗网络和卷积神经网络的CT与MRI融合方法

针对多模态医学图像融合中的重要特征丢失、细节表现不突出和纹理不清晰等问题,提出一种图像增强下使用生成对抗网络（GAN）和卷积神经网络（CNN）进行电子计算机断层扫描（CT）图像与磁共振成像（MRI）图像融合的方法。生成器针对高频特征图像,双鉴别器针对逆变换后的融合图像;高频特征图像通过GAN模型进行特征融合,低频特征图像通过基于迁移学习的CNN预训练模型进行特征融合。实验结果表明,与当前先进融合算法相比,所提方法在主观表现上纹理细节特征更加丰富,轮廓边缘信息更加清晰突出;在客观指标评估中,融合质量评价指标（QAB/F）、信息熵（IE）、空间频率（SF）、结构相似性（SSIM）、互信息（MI）和融合视觉信息保真度（VIFF）等关键指标比其他最佳测试结果分别提高了2.0%、6.3%、7.0%、5.5%、9.0%和3.3%。融合后图像可以有效地应用于医学诊断,进一步提高诊断效率。     

基于频域约束和交叉融合特征网络的磁共振图像超分辨率重建算法

磁共振（MR）图像常用于临床医学诊断，获得高分辨率MR图像有利于进行医学分析。目前主流的基于参考的图像超分辨率重建算法重建的图像，其视觉效果取得了明显的提升，但仍存在明显的伪影问题。针对该问题，提出频域约束和交叉融合特征网络（FCCF）模型，即引入频域损失函数作为约束条件，并构建一种多分辨率特征融合机制，通过交叉融合不同分辨率的图像特征来提高生成图像的质量，使重建结果具有更清晰的细节，没有明显的伪影。在合成和真实的MR图像数据集上分别用PSNR和SSIM指标进行评估，实验结果明显优于现有的超分辨率重建方法。     

基于图像线性融合的低剂量CT成像

提出一种基于图像线性融合的低剂量CT成像策略。首先采用弦图恢复技术对低剂量投影数据进行预处理,然后将处理前后的投影数据分别进行滤波反投影(FBP)重建,最后将两幅重建图像进行线性融合得到合成图像。与低剂量FBP重建图像和弦图恢复后的FBP重建图像相比,合成图像在噪声抑制和分辨率保护之间取得了平衡,在60%时取得较佳兼顾性。     

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。     

基于贝叶斯粗糙集的肺部肿瘤CT图像抗噪算法设计

贝叶斯粗糙集处理噪声数据能力强,分类肺部肿瘤CT图像结果准确,为图像去噪提供精准的图像分类结果。基于此,设计基于贝叶斯粗糙集的肺部肿瘤CT图像抗噪算法,基于贝叶斯粗糙集分类模型进行肺部CT图像分类,约简贝叶斯粗糙集属性和决策规则,基于决策规则预测肺部CT图像类别;对存在肿瘤的CT图像噪声小波系数构建拉普拉斯数学模型,基于贝叶斯最大后验概率估计小波系数概率密度,计算噪声方差和子代小波系数标准差,使去噪算法具备自适应性;基于小波系数的概率密度得到最大后验(maximum a posteriori,MAP)估计值,对该值做小波反变换,实现肺部肿瘤CT图像自适应去噪。结果表明,该算法去除肺部肿瘤CT图像噪声效果好,抗噪能力强,较好保留图像细节特征,视觉效果佳。     

基于复小波域非线性扩散的超声图像去噪

超声图像易受斑点噪声的干扰,限制了其在医学诊断中的进一步应用。提出了一种将双树复小波变换(DT-CWT)与非线性扩散相结合的超声图像去噪方法。首先,对图像进行双树复小波分解;然后,高频部分和低频部分分别采用自适应对比度扩散和全变差扩散,最后重构图像。给出了实验结果,并与小波阈值收缩和全变差扩散结合的方法、基于小波和基于多小波的非线性扩散方法的图像去噪效果进行了比较。结果表明,本文提出的方法去噪效果更为优越:不但抑制噪声的能力更强,而且能够更好地保留超声图像原有的边缘和纹理特征。     

基于注意力残差网络的结肠病理学图像可解释性识别研究

目的:建立一种基于注意力机制的残差网络模型,对结直肠病理学图像中的常见的8种"图像块"进行多分类诊断。方法:采用基于注意力机制的残差神经网络来预测8种结肠病理学图像的标签,同时基于梯度加权热力图算法(Grad-CAM)生成的注意力热图将网络学习到的模式解码为可解释性类别特征。结果:所提出的方法对包括结肠癌在内的8种结肠组织图像块的识别准确率和AUC值分别达到了98.78%和0.998 3,生成的注意力热图也与病理专家的判断方法基本一致。结论:基于注意力机制的残差网络模型在病理学图像多分类中可达到较高的识别精度,有助于医生采取对症治疗方式时实时、客观、精确的诊断结果,还可以为病理学图像的分类结果提供可解释性。     

基于残差注意力神经网络模型的癫痫脑电信号分类

目的 针对癫痫脑电信号特征提取过程复杂、信息提取不充分及分类精度较低等问题，本文提出一种基于残差注意力神经网络模型（residual attention module neural network,RAM-Net）用于实现癫痫脑电信号的自动分类。方法 首先对脑电信号进行去噪和分段处理，使网络更有效提取细节特征；然后根据脑电信号在时频域幅值特点，将信号转换为二维时频图像作为模型输入；最后借鉴残差网络思想，在每个残差块中融合注意力机制，构建分类模型，在临床数据集上做验证。结果 该方法分类准确率为97.16%，精确率为97.00%，可实现癫痫发作、间期和正常状态的脑电信号三分类。结论 基于RAMNet的癫痫脑电信号分类方法将脑电信号转化为二维图像，降低了方法复杂度；融合注意力机制增强了网络的有效信息提取能力，可为癫痫临床辅助诊断提供一种新的分析思路和处理方法。     

超声医学图像非线性滤波算法研究进展

超声医学成像方法具有实时、无创、方便等优点，在临床上得到了广泛的应用。但由于超声医学成像机制的限制，超声医学图像质量不高。对图像进行滤波就是为了提高人眼和计算机对图像细节的识别能力。本研究讨论了应用于去除超声医学图像斑点噪声的非线性滤波算法的研究现状及其特点，重点介绍了基于中值滤波、小波变换、扩散方程的滤波方法，并把相关算法应用于超声医学图像的处理，直观地比较了各种滤波器的性能。最后展望了超声医学图像非线性滤波算法的发展方向。     

基于目标定位的眼睑肿瘤自动诊断

眼睑肿瘤是导致视力下降甚至致盲的严重眼病,良恶性结构的相似性导致缺乏临床经验的眼科医生不易区分。针对此问题,提出一种基于两阶段目标定位算法和融合双重注意力机制的残差网络,以实现眼睑肿瘤良恶性的自动诊断。首先,利用FCOS算法自动定位眼眶的整体轮廓,去除背景区域和周围噪声;然后,在眼眶内部精细化定位眼睑肿瘤病灶区域;最后,将病灶区域输入到融合双重注意力机制的残差网络（ResNet101＿CBAM）,实现良恶性的自动诊断。实验结果表明目标定位算法对眼睑肿瘤病灶的定位平均精度为0.821;与ResNet101相比,ResNet101＿CBAM在眼睑肿瘤分类中的敏感度和准确率分别提高4.7%和3.0%,表明该模型在眼睑肿瘤良恶性自动诊断中表现出较优性能。