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%。     

探析U-Net的改进机制及其在医学图像分割的应用EI北大核心CSCD

U-Net网络在医学图像分割任务中取得了很好的成绩。近年来,众多学者针对U-Net结构不断地进行研究和扩展,比如编、解码器的改进和跳跃连接的改进。本文针对基于U-Net网络结构改进的医学图像分割技术从以下角度进行总结:首先,阐述U-Net网络在医学图像分割领域中的应用;然后,总结U-Net的七大改进机制:密集连接机制、残差连接机制、多尺度机制、集成机制、膨胀机制、注意力机制以及Transformer机制;最后,探讨U-Net结构改进的思路和方法,为相关研究提供参考,对U-Net的进一步发展具有一定的积极意义。     

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-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、...     

一种吸除骨盆CO_2激光内窥镜手术中烟雾的新阀门系统

骨盆CO_2激光内窥镜手术时出现大量的烟雾和碳化物是激光妇科外科的常见问题。激光烟雾不仅影响外科视野,而且减少所发激光效力。临床已试用一种阀门系统,其在保持气腹控制的同时易于吸除激光手术中产生的碎片。这个系统亦能去除产生的气体和液体,而且没有污染手术室环境和医院的真空装置操纵系统。     

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。     

基于雾密度智能感知的腹腔镜图像去烟雾算法研究

目的 在腹腔镜手术过程中，术野内会产生影响医生观察的烟和雾。相比特殊去烟或去雾装置，图像处理算法可同时实现腹腔镜图像的去烟雾操作，成本低、操作简单、易于使用。但是，目前腹腔镜去烟雾算法还存在处理后易发生色偏、细节不突出、亮度过低等问题。方法 针对腹腔镜图像去雾存在的问题，该文提出了一种基于雾密度智能感知的腹腔镜图像去烟雾算法，包含透射率智能感知的图像增强模块和光照分量感知的图像增强模块。透射率智能感知的图像增强模块通过感知图像的具体像素雾含量进行去雾，可优化去雾效果。光照分量感知的图像增强模块根据图像不同像素区域的光照进行图像亮度增强，使图像在避免过增强的情况下更好地提升图像亮度。结果 分别选取4K分辨率和1080P分辨率不同场景下的100张图像进行验证，无参考雾密度评价指标显示，提出的智能感知算法相比3种对照算法，雾密度分别下降了67.3%、68.1%和14.2%。结论 智能感知算法有效改善了腹腔镜图像去烟雾增强效果。     

基于3D U-Net 实现人体耳软骨MRI图像的解剖结构分割

自体肋软骨雕刻法是目前治疗先天性小儿畸形的临床标准疗法,而耳软骨组织工程和3D生物打印是有前景的治疗方案。可是,这些治疗方案的核心—(复合物)支架构造缺乏基于医学图像的耳软骨自动分割方法。基于3D U-Net提出改进的网络模型,能够实现MRI图像的人体耳软骨解剖结构的自动分割。该网络模型结合残差结构和多尺度融合等设计,在减少网络参数量的同时实现12个耳软骨解剖结构的精确分割。首先,使用超短回波时间(UTE)序列采集40名志愿者单侧外耳的MRI图像;然后,对所采集的图像进行预处理、耳软骨和多解剖结构手动标注;接下来,划分数据集训练改进的3D U-Net模型,其中32例数据作为训练集、4例为验证集、4例为测试集;最后,使用三维全连接条件随机场对网络输出结果进行后处理。模型经过10折交叉验证后,耳软骨12个解剖结构的自动分割结果的平均Dice相似度系数(DSC)和平均95%豪斯多夫距离(HD95)分别为0.818和1.917,相比于使用基础的3D U-Net模型,DSC指标分别提高6.0%,HD95指标降低了3.186,其中耳软骨关键结构耳轮和对耳轮的DSC指标达到了0.907和0.901。实验结果表明,所提出的深度学习方法与专家手动标注两者之间的结果非常接近。在临床应用中,根据患者健侧UTE核磁图像,本研究提出的方法既可以为现有自体肋软骨雕刻法快速、自动生成三维个性化雕刻模板,也可以为组织工程或者3D生物打印技术构建耳软骨复合物支架提供高质量的可打印模型。     

基于卷积神经网络的外周血白细胞分类

白细胞图像的自动分类有助于提高临床诊疗效率,但仍需进一步改进方法以提高分类正确率。探索用卷积神经网络(CNN)进行外周血白细胞图像的自动分类识别。在深度学习框架Caffe上,以AlexNet和LeNet为网络原型构建CNN训练平台;用CellaVision DM96采集外周血涂片中的5类白细胞图像,经人工鉴定后按训练∶校验∶测试=7∶2∶1的比例,随机分配图像构建原始数据集,再通过平移、旋转及镜像构建扩充数据集;训练时采用随机梯度下降算法优化模型权值,以分类准确率>95%为目标评估训练结果及优化调整网络结构。结果发现,AlexNet的训练误差无法收敛,陷入局部极小,LeNet则达到预期目标。随后对LeNet网络进行删减优化,获得一轻量高效的新结构--CCNet,其在模型大小、训练用时和分类用时上分别仅为LeNet的1/1000、1/3和1/30。两者对979张5类细胞图像的最佳分类准确率分别达到99.69%和99.18%,高于目前同类研究报道。结果表明,CNN可用于5类白细胞图像的“端对端”分类识别,特别是CCNet模型兼具准确与效率优势。     

基于深度学习的跨模态医学图像转换

运用深度学习的方法基于脑部CT扫描图像合成相应的MRI。将28例患者进行颅脑CT和MRI扫描得到的CT和MRI的断层图像进行刚性配准,随机选取20例患者的图像输入U-Net卷积神经网络进行训练,利用训练好的网络对未参与训练的8例患者的CT图像进行预测,得到合成的MRI。研究结果显示:通过对合成的MRI进行定量分析,利用基于L2损失函数构建的U-Net网络合成MRI效果良好,平均绝对平均误差（MAE）为47.81,平均结构相似性指数（SSIM）为0.91。本研究表明可以利用深度学习方法对CT图像进行转换,获得合成MRI,现阶段可以达到扩充MRI医学图像数据库的目的,随着合成图像精度的提高,可以用于帮助诊断等临床应用。     

基于主题模型的胶囊内镜图像序列筛查

无线胶囊内窥镜(WCE)是用于记录患者消化道影像的新技术,该技术的出现给消化道疾病诊断带来了极大帮助。但在检测过程中,每位患者所产生的约5～8万幅图像中含有大量气泡和杂质等干扰图像,极大地影响了疾病诊断的效率。目前大多数方法只针对气泡筛查,且这些方法通常不稳定、普适性较差。因此,提出一种基于主题模型的WCE图像语义分析方法筛查序列中干扰性图像。首先构建非对称自编码器提取图像特征,并利用K-Means算法对训练图像块特征聚类构建视觉单词;其次将测试图像块特征映射到视觉单词中,获得测试图像的词频矩阵,实现基于视觉单词的图像语义表达;最后利用主题模型对词频矩阵进行分析,获取图像语义分类。数据集来源于南京东部战区总医院的消化道内科30例不同患者的WCE图像序列,且由临床经验丰富的医生进行注解,其中包括3 340幅气泡图像、3 330幅杂质图像和3 330幅正常图像,以1∶1的比例随机划分为训练集和测试集,进行10次交叉验证。实验结果表明,该方法能有效筛查出干扰性图像,基于深度学习的卷积自编码器优于传统的特征提取方式,获得96.87%的精度,有效地减少医生阅片负担,提高疾病诊断效率。     

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。     

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...     

基于空洞空间金字塔池化的U-Net网络在肺部图像分割上的应用

目的：胸部X线图像中肺野的自动分割是相关疾病筛查和诊断的关键步骤,为了适应计算机辅助诊断系统的要求,提出一种基于空洞空间金字塔池化的U-Net网络对胸部X线图像中肺野进行自动分割。方法：在编码和解码之间引入带有空洞卷积的空间金字塔池化用于扩大接受域;同时,在多个尺度上获取图像上下文信息,用于从胸片中分割肺野,使用Montgomery数据集及深圳数据集进行验证。根据医学图像分割常用指标准确性、Dice相似系数及交并比评价基于空洞空间金字塔池化的U-Net网络分割肺野的性能。结果：验证准确性为98.29%,Dice相似系数为96.61%,交并比为93.47%。结论：本文提出一种基于空洞空间金字塔池化的U-Net网络用于分割肺野,相较于其他方法学习到更多边缘分割特征,取得更好的分割结果。     

基于3D ResUnet网络的肺结节分割

目的:将深度残差结构和U-Net网络结合形成新的网络ResUnet,并利用ResUnet深度学习网络结构对胸部CT影像进行图像分割以提取肺结节区域。方法:使用的CT影像数据来源于LUNA16数据集,首先对CT图像预处理提取出肺实质,然后对其截取立体图像块并进行数据增强来扩充样本数,形成相应的肺结节掩膜图像,最后将生成的样本输入到ResUnet模型中进行训练。结果:本研究模型最终的精度和召回率分别为35.02%和97.68%。结论:该模型能自动学习肺结节特征,为后续的肺癌自动诊断提供可靠基础,减少临床诊断的成本并节省医生诊断的时间。 【关键词】肺结节;分割;深度残差结构;召回率;ResUnet     

数字化虚拟中国人女性一号数据图像处理

目的：运用数字化虚拟中国人女性一号数据集，测试图像处理软件对数据集进行三维重建、图像分割及有限元建模效果的可行性。方法：利用等问距抽取、格式转换、图像分割、三维重建、三维显示及有限元建模等方法对虚拟中国人女性一号(VCH—F1)部分数据集进行实验研究。结果：编辑了几种数据版本；实现了图像分割；重构了冠状面图像及矢状面图像；将静态显示制成动画；实现了实时三维显示；建立了基于CT图像的局部有限元模型。结论：虚拟人体女性一号数据集的不同压缩、格式转换能满足形态学三维重建、图像分割、实时三维显示的要求；CT、MRI和切削图像分割重建的骨骼模型可进行有限元建模研究。