基于Dense U-net方法的眼底彩色照片图像血管分割研究

眼底彩色照片图像血管分析可用于评估和监测各种眼科疾病,对患者提前干预治疗提供指导,减少致盲风险,具有十分重要的临床意义。目前眼底血管分割的算法及模型,对于细小血管如视网膜毛细血管的分割效果仍有待提高。本研究针对此问题提出Dense U-net网络架构,该模型在U-net网络中加入了Dense Block架构,可以提高细小血管的分割准确率,同时该算法模型在DRIVE(digital retinal images of vessel extration,DRIVE)公开数据集上进行了实验,相比现有的算法,本研究模型的准确率、灵敏度、特异性分别为0.9532、0.7977、0.9759,其中灵敏度的提高可以使得算法模型更准确地识别并分割出细小血管。     

基于中心线提取的视网膜血管分割

精确估计眼底图像中的血管中心线和血管宽度是眼底血管疾病量化和可视化诊断的先决条件。在深入研究眼底图像和视网膜血管特征的基础上,提出一种基于中心线提取的视网膜血管分割算法,该算法以离散高斯核函数的偏微分为模板卷积图像,利用血管的微分几何特征定位血管中心线,并测量血管宽度。本方法的血管分割精度达到亚像素级,解决了传统方法无法直接计算血管宽度的问题,且在速度方面有较大提高。应用本算法对各类眼底图像进行了血管分割的实验,结果表明,该算法可以快速、准确地进行眼底血管分割和中心线提取。     

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。     

基于深度学习和二维高斯拟合的视网膜血管管径测量方法

糖尿病、高血压等疾病会引起视网膜血管的形状发生变化,眼底图像血管分割是疾病定量分析过程中的关键步骤,对临床疾病的分析和诊断具有指导意义。本文提出一种视网膜血管管径自动测量方法。首先,将通道特征图叠加,同时通过使用深度可分离卷积来增加网络深度,将二者引用于全卷积神经网络中对血管网络进行分割;然后在分割的血管网络基础上,利用形态学细化和最小二乘拟合求取血管的中心线和方向;最后根据血管横截面灰度值分布特性,利用二维高斯拟合对血管中心线和方向进行校正,得到准确的血管方向和中心线位置进而计算血管管径。利用本文方法分别对REVIEW数据库中的3个图像集进行测试,测量的管径均值的标准差接近专家测量的标准差,表明本文血管管径测量方法的准确率高,实验结果验证了本文方法的准确性。     

结合深度可分离卷积与通道加权的全卷积神经网络视网膜图像血管分割

糖尿病和高血压等疾病会引起视网膜血管的形状发生变化,眼底图像血管分割是疾病定量分析过程中的关键步骤,对临床疾病的分析和诊断具有指导意义。本文提出一种结合深度可分离卷积与通道加权的全卷积神经网络(FCN)视网膜图像血管分割方法。首先,对眼底图像的绿色通道进行CLAHE及Gamma校正以增强对比度;然后,为了适应网络训练,对增强后的图像进行分块以扩充数据;最后,以深度可分离卷积代替标准的卷积方式以增加网络宽度,同时引入通道加权模块,以学习的方式显式地建模特征通道的依赖关系,提高特征的可分辨性。将二者结合应用于FCN网络中,以专家手动标识结果作为监督在DRIVE数据库进行实验。结果表明,本文方法在DRIVE库的分割准确性能够达到0.963 0,AUC达到0.983 1,在STARE库的分割准确性可以达到0.962 0,AUC达到0.983 0。在一定程度上,本文方法具有更好的特征分辨性,分割性能较好。     

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%。     

眼底图像中硬性渗出物检测算法

目的利用眼底图像中硬性渗出物(hard exudates,HE)的亮度与边缘特征,提出一种基于Canny边缘检测算法与形态学重构相结合的HE自动检测方法,以解决目前算法灵敏度低、检测结果中视盘和血管的干扰等问题,对糖尿病视网膜病变(diabetic retinopathy,DR)的自动筛查具有重要意义。方法检测算法包括4个步骤。步骤一,图像预处理,主要包括RGB通道选取、基于形态学的图像对比度增强。步骤二,视网膜图像关键结构的消除,利用基于Gabor滤波的血管分割方法,消除血管边缘对HE检测的影响。将本文视杯分割算法应用在眼底图像红色通道上实现视盘自动分割,消除视盘及其边缘对HE检测的影响。步骤三,利用改进的Canny边缘检测算法和形态学重构方法对HE进行提取。步骤四,基于形态学的图像后处理,消除眼底图像边缘部分假阳性区域。最后利用该算法测试公开数据库中的40幅图像(35幅HE病变图像,5幅正常图像)。结果该算法对基于病变的灵敏性(sensitivity,SE)和阳性预测值(positive predictive value,PPV)分别为93.18%和79.26%,基于图像的灵敏性、特异性(specificity,SP)和准确率(accuracy,ACC)分别为97.14%、80.00%和95.00%。结论与其他方法对比,基于Canny边缘检测算法与形态学重构相结合的HE自动检测算法具有较好的可行性。     

基于生成对抗网络的彩色眼底图像硬性渗出检测方法

糖尿病视网膜病变(DR)是糖尿病严重的并发症,是视力损害最常见的原因之一。硬性渗出物(HE)是DR早期的症状之一,从眼底图像中对硬性渗出的准确检测是DR筛查的关键步骤。提出一种基于生成对抗网络(GANs)的视网膜硬性渗出的自动检测方法。相比一般的卷积神经网络,生成对抗网络由生成式模型G和判别式模型D组成,两者之间的博弈与竞争使得生成对抗网络能够更加精确地检测眼底图像中的硬性渗出。首先,为了避免视盘对后续硬性渗出检测的干扰,根据血管分布信息与全局灰度信息,准确定位视盘(OD)中心并掩盖视盘;然后,交替迭代训练生成式模型G和判别式模型D,得到在验证集上分割效果最佳的模型并保存。所提出的算法在e-ophtha EX数据库上训练和验证,并进行像素级评估,获得88.6％、84.3％和86.4％的平均灵敏度、PPV和F-score。在另一个独立的DIARETDB1数据库上进行测试,获得的平均灵敏度、特异性和准确性分别为100％、96.2％和97.8％。综上所述,两个视网膜图像数据库的评估结果证明,生成对抗网络的博弈模式能够有效地检测彩色眼底图像中的硬性渗出。     

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。     

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。     

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。     

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%。     

基于特征融合的U-Net肺自动分割方法

目的:将肺部颜色特征与纹理特征融合形成一种更有效的特征,并利用改进的U-Net深度学习网络结构对肺部CT影像进行图像分割以准确提取肺实质区域。方法:使用的CT影像数据来源于LIDC-IDRI数据库,首先通过色彩空间转换、高阶邻域统计的方法分别提取颜色特征和纹理特征,然后采用加权平均直方图融合两类特征,最后将特征输入改进后的U-Net模型,进行1 000次CT扫描测试,以达到完整的肺实质输出。结果:该方法最终的骰子系数、灵敏度、特异性分别为93%、96%和97%。结论:本方法较单一特征分割方法具有较高的分割精度,有效提高肺实质的分割精度,可为后续的肺部疾病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时间。     

双线性非局部特征结合中继监督网络用于视网膜血管分割

对眼底图像中的视网膜血管精准分割是检测多种疾病的关键技术,在相关疾病自动筛查系统中发挥着重要的作用。针对现存方法追求分割精度时忽略对算法复杂性的考虑,导致在资源受限的医疗设备上部署困难的问题。本文通过进一步合理减少卷积层的特征通道数量来轻量化分割网络并提出了BNIS-Net。该网络采用多尺度图像作为输入融合到编码过程中,使得不同感受野之间建立良好的联系,并提出一种双线性非局部模块来增强相关上下文信息的捕捉能力。最后,在解码过程中采用中继监督的策略,为解码部分各级输出提供监督来约束网络的学习,这样可以有效改善收敛行为使浅层部分得到充分训练。BNIS-Net以0.41 M的参数量在DRIVE、STARE和CHASE_DB1 3个公开数据集上分别取得了81.02%、81.07%、78.15%的DSC值和0.983 3、0.986 1、0.985 9的AUC值。通过大量对比实验和消融研究证明,该方法能够更好地分割血管的边缘细节。     

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。     

融合感受野模块的卷积神经网络视杯视盘联合分割

青光眼是世界第一大不可逆致盲性眼病,早期诊断和及时治疗是预防青光眼致盲的有效措施。眼底图像中的杯盘比是青光眼早期筛查与临床诊断的重要指标。因此,精确的视杯视盘分割是准确计算杯盘比并提高青光眼计算机辅助诊断技术的关键。针对这一问题,在对眼底图像进行极坐标变换的基础上,提出一种融合感受野模块的卷积神经网络Seg-RFNet,以实现视杯视盘联合分割。Seg-RFNet以SegNet框架为基础,使用ResNet50作为编码层,增强图像的特征提取能力,并对编码层进行分支处理,进一步获得更多的深层语义信息;同时在编码层和解码层之间加入感受野模块,模拟人类视觉系统,在增大感受野的同时增强了有用特征的响应。使用MICCAI 2018公开数据集REFUGE中的800张眼底图像对所提出方法与其他方法进行性能验证和比较。结果表明,Seg-RFNet分割视杯和视盘的Jaccard相似度分别0.951 5和0.872 0,F分数达到了0.974 9和0.930 1,与常用的U-Net、SegNet 网络相比,Seg-RFNet具有更好的视杯视盘联合分割精度,为计算杯盘比提供了精确分割基础。