基于U型结构的多尺度皮肤病分割算法

针对皮肤病灶的形态不一、边缘模糊导致分割精度不高的问题，提出一种基于U型结构的多尺度网络，利用密集空洞空间金字塔池化模块扩大感受野，得到全局多尺度信息，在跳跃连接中加入双向卷积LSTM(BConv-LSTM),融合特征信息，通过注意力机制使网络自动学习各通道之间的关系，实现病灶的精准分割。实验结果表明，该方法在皮肤病分割中表现良好，算法的Dice系数达到0.895,比U-net和U-net++分别提高了4.32%和3.23%。未来有望应用于临床，提升医生诊断黑色素瘤和更多皮肤疾病的效率。     

融合多维注意力机制CNN皮肤肿瘤图像分割提取

针对卷积神经网络(CNN)在医学图像分割时,受皮肤病损图像多样性、分割目标位置、形状及尺度变化等因素影响,提出了一种基于传统卷积神经网络综合注意力模块图像分割算法。首先利用U-Net主干网络的优势,其目的让图像特征提取更完善；其次,由空间、通道、尺度构成的综合注意力机制对目标病灶区域进行检测识别,利用通道级联把来自编码器中低级图像特征和解码器中高级图像特征注意力结合起来进行权值自适应融合,提升了网络对样本病灶区的关注度和辨识力,突出强调最相关的特征通道和多尺度间最显著的特征图。通过对ISIC2018数据集及医院整形外科提供患者不同类型的皮肤肿瘤图像进行分割测试,并将注意力模块随机组合形成的不同算法进行指标评价比对,所提出算法的平均分割精度可达92.89%。实验结果表明,所提出算法是有效可行的,在多维度下分割处理带复杂背景的皮肤病灶图像时有更高的鲁棒性。     

基于MultiResUNet-SMIS的皮肤黑色素瘤图像分割

针对现有的皮肤黑色素瘤病灶分割精度不高的问题,结合现有卷积神经网络方法提出皮肤黑色素瘤图像分割方法 MultiResUNet-SMIS.首先,依据皮肤黑色素瘤成像特点,引入不同空洞率的空洞卷积替换普通卷积,在参数量相同的前提下扩大感受野,使网络模型能够适用于多尺度病灶分割任务;其次加入空间和通道注意力机制以重新分配特征权重,扩大感兴趣特征影响,抑制无关特征;最后融合Focal loss与Dice loss提出一种新的loss函数FD loss用于计算回归损失,解决前景背景像素不均衡问题,进一步提高网络模型的分割精度.实验结果表明,MultiResUNet-SMIS在ISIC-2018数据集上的Dice指数、IoU指数以及Acc准确率分别达到了89.47%、82.67%、96.13%,与原MultiResUNet以及UNet、UNet++、DeepLab V3+等主流方法相比, MultiResUNet-SMIS在皮肤黑色素瘤图像分割中具有更好的效果.     

多发性硬化症MR图像分割新算法研究

提出了一种针对多发性硬化症病灶T2加权脑部磁共振（MR）图像的分割算法。根据多发性硬化症病灶和脑脊液在T2加权像上同表现为高亮度信号的特点,把模糊C均值分割算法与形态学方法相结合,提出了基于核模糊C均值的多发性硬化症病灶分割算法。该算法首先用改进的核模糊C均值算法做基础分割,再用形态学方法提取出多发性硬化症病灶得到最终分割结果。通过对多发性硬化症模拟脑部MR图像的分割结果表明,算法能够比较准确地分割多发性硬化症病灶。     

基于多模型融合的肺部CT新冠肺炎病灶区域自动分割

自2019年末以来,全球蔓延的新型冠状病毒(Coronavirus disease 2019, Covid-19)已经给世界人民造成了严重的健康威胁.其中新型冠状病毒患者的计算机断层扫描(Computer tomography, CT)图像通过肺炎病灶分割技术可以为医学诊断提供有价值的量化信息.虽然目前基于深度学习的方法已经在新型冠状病毒肺炎病灶分割任务上取得了良好的效果,但是在面对不同中心数据的情况下分割效果往往会大幅下降.因此,研究一种具有更好泛化性能的新型冠状病毒肺炎病灶分割算法具有重要意义.提出一种新冠肺炎病灶多模型融合分割方法.通过训练3DUnet模型和2DUnet结合方向场(Direction field, DF)模型,利用多种模型各自优点进行分割结果的融合,得到更好的泛化性能.通过同中心和跨中心数据集的实验,证明该方法能够有效提高新冠肺炎病灶分割的泛化性能,为医学诊断分析提供帮助.     

基于改进水平集图像分割方法的乳腺超声病灶提取

准确高效的乳腺超声病灶提取技术具有重要应用价值,但超声图像灰度不均匀、伪影重、噪声强、乳腺病灶区域与周围组织相似度较高等特有属性给自动分割带来很大挑战。RSF模型是一种较为成功的图像分割方法,但对初始轮廓和噪声较敏感,直接用于病灶提取有待改进。针对图像局部分割需求,通过预提取初始分割区域作为水平集的初始条件,有助于提高分割精度;以局部能量为主导,较好地处理灰度不匀的超声特质,增加全局能量项以使零水平集能够更好地定位在弱边界;引入灰度变化率作用以提高轮廓在灰度匀质部分的演化速度。分割实验结果表明,该方法能较为准确地定位乳腺超声病灶,有一定的临床参考价值。     

差分进化算法GVF Snake模型在PET图像分割中的应用

利用PET图像进行诊治时需要对人体病灶精确定位,PET图像中病灶目标区域的分割是早期诊断与治疗的前提和关键。基于传统Snake模型的方法在PET图像分割时存在对初始轮廓过于敏感,难以收敛到目标凹型区域等问题,为此将GVF Snake模型引入PET图像的分割中。为防止GVF Snake模型陷入局部最优,进一步利用差分进化(DE)算法的全局优化特性对GVF Snake模型分割的结果进行优化,提高PET图像分割精度。实验结果表明,该方法能有效地对PET图像中的病灶目标区域进行分割,可避免陷入局部最优且具有良好的实时性。     

眼底病灶识别的仿真研究

研究眼底病灶识别的仿真问题.针对传统方法具有人为因素影响较大、主观性和烦琐性等缺陷,导致了眼底病灶识别度低、准确度低.为解决上述问题,提出一种改进的FCM算法分割限底病灶,该算法对眼底病灶图像进行聚类分割,再通过数学形态学运算去除噪声.实验结果表明,该算法能有效地识别出眼底图像中的病灶.     

改进U-Net的新冠肺炎图像分割方法

新型冠状病毒肺炎（COVID-19）大流行疾病正在全球范围内蔓延。计算机断层扫描（CT）影像技术,在抗击全球 COVID-19 的斗争中起着至关重要的作用,诊断新冠肺炎时,如果能够从CT图像中自动准确分割出新冠肺炎病灶区域,将有助于医生进行更准确和快速的诊断。针对新冠肺炎病灶分割问题,提出基于U-Net改进模型的自动分割方法。在编码器中运用了在 ImageNet 上预训练好的 EfficientNet-B0网络,对有效信息进行特征提取。在解码器中将传统的上采样操作换成DUpsampling结构,以此来充分获取病灶边缘的细节特征信息,最后通过模型快照的集成提高分割的精度。在公开数据集上的实验结果表明,所提算法的准确率、召回率和Dice系数分别为84.24%、80.43%和85.12%,与其他的语义分割算法相比,该方法能有效分割新冠肺炎病灶区域,具有良好的分割性能。     

基于深度学习的多模态医学影像分割研究综述

多模态医学影像分割是医学影像分析领域的研究热点之一。有效利用不同模态影像的互补信息,从多种层面提供病灶区域及其周围区域的更多信息,可提高临床诊断的准确性。为了分析深度学习在多模态医学影像分割领域的研究现状及发展方向,对该领域近些年的分割方法进行了整理和研究。在分析它们的特点及存在的问题的基础上,对未来研究方向进行了展望,可帮助相关研究者全面、快速地了解该领域的研究现状、存在的问题和未来研究方向。     

基于多尺度注意力融合网络的胃癌病理图像分割方法

近年来,随着深度学习技术的发展,基于编解码的图像分割方法在病理图像自动化分析上的研究与应用也逐渐广泛,但由于胃癌病灶复杂多变、尺度变化大,加上数字化染色图像时易导致的边界模糊,目前仅从单一尺度设计的分割算法往往无法获得更精准的病灶边界。为优化胃癌病灶图像分割准确度,基于编解码网络结构,提出一种基于多尺度注意力融合网络的胃癌病灶图像分割算法。编码结构以EfficientNet作为特征提取器,在解码器中通过对多路径不同层级的特征进行提取和融合,实现了网络的深监督,在输出时采用空间和通道注意力对多尺度的特征图进行注意力筛选,同时在训练过程中应用综合损失函数来优化模型。实验结果表明,该方法在SEED数据集上Dice系数得分达到0.806 9,相比FCN和UNet系列网络一定程度上实现了更精细化的胃癌病灶分割。     

基于类激活图的弱监督皮肤镜图像分割方法

皮肤镜图像中病灶区域的精确分割是实现皮肤病自动化检测的关键步骤。现存的皮肤镜图像分割方法主要基于全监督图像分割，这需要大量的像素标注，费时费力。针对此问题，提出一种基于类激活图（CAM）的弱监督皮肤镜图像分割方法。首先，对原始图像进行预处理，去除图像中的毛发并对图像进行颜色归一化处理；然后，结合图像的多尺度输入，并在显著图的引导下，通过特征提取网络得到图像的类激活图；之后，将得到的类激活图通过条件随机场得到伪掩膜；最后，使用伪掩膜训练分割网络。在ISIC2017数据集上评估所提方法，结果显示，所提方法生成的伪掩膜的Dice系数达到82.64%，相似性系数达到71.92%，灵敏度达到90.01%，表明所提方法能够在大量减少人工标注工作量的同时生成高质量的伪掩膜。     

U-Net网络医学图像分割应用综述

病灶精确分割对患者病情评估和治疗方案制定有重要意义,由于医学图像中病灶与周围组织的对比度低,同一疾病病灶边缘和形状存在很大差异,从而增加了分割难度。U-Net是近些年深度学习研究中的热点,为医生提供了一致性的量化病灶方法,一定程度上提高了分割性能,广泛应用于医学图像语义分割领域。本文对U-Net网络进行全面综述。阐述U-Net网络的基本结构和工作原理;从编码器个数、多个U-Net级联、与U-Net结合的其他模型以及3D U-Net等方面对U-Net网络模型的改进进行总结;从卷积操作、下采样操作、上采样操作、跳跃连接、模型优化策略和数据增强等方面对U-Net网络结构改进进行总结;从残差思想、密集思想、注意力机制和多机制组合等方面对U-Net的改进机制进行总结;对U-Net网络未来的发展方向进行展望。本文对U-Net网络的原理、结构和模型进行详细总结,对U-Net网络的发展具有一定积极意义。     

一种快速提取连续CT脑肿瘤病灶区的算法

脑肿瘤图像提取就是将肿瘤病灶区域(水肿、坏死、癌变)从正常的脑部组织(灰质、白质、脑脊液)分开,精确的脑肿瘤分割对脑瘤的诊断、研究和治疗有重要的临床意义;针对传统脑部CT肿瘤病灶提取的缺点,即需要耗费大量时间并且分割精度不高的问题,提出一种综合了形态学重建、分水岭分割和改进的区域生长算法;先用形态学重建进行去噪,再用结合多尺度梯度分水岭分割提取整个图像的边界,然后在肿瘤病灶区域内选取种子点进行区域生长,提取肿瘤区域轮廓,滤除其他封闭区域,得到的图像作为改进的区域生长法的初始分割区域,使用改进的区域生长法,滤除过分割区域;实验结果显示该算法分割出的结果有效区域大,分割精度高;该算法提高了分割精度,由于不用匹配结构参数,加快了分割速度,具有一定的临床价值。     

几种常用CT图像分割算法分析和探讨

图像分割是数字图像处理的一个经典难题。其分割质量的好坏直接影响到图像处理的后续工作。因而在理论研究和实际应用中受到研究人员的广泛重视。本文在总结了过去的分割方法基础上,就目前常用几种分割方法进行实验研究。主要包括阈值分割、LOG算子分割、FCM聚类分割、分水岭分割,并结合CT图像进行图像分割。文章阐述了各种分割方法的概念及原理,并在此基础上对分割结果进行了分析和探讨,得出各种方法的优点和不足。这些实验结论将为后续研究提供科学依据。     

Transformer与卷积神经网络相结合的皮肤镜图像自动分割算法EI北大核心CSCD

皮肤镜图像的病灶区域与背景像素相似度高,且病灶存在形状多样,边缘模糊,人工或毛发遮挡等情况,为了获得更高精度的皮肤病变分割,提出了一种皮肤镜图像自动分割算法.首先,使用ResNet 34提取多种分辨率特征,在上下文部分使用Transformer模块对输入的特征进行全局建模;其次,通过混合池化模块聚合上下文特征的多尺度信息,在对应连接编解码器的跳跃连接间设计一个高效卷积模块以提高跳跃路径的边缘细化和抗干扰能力;最后,利用解码器恢复图像分辨率,并逐层融合其他浅层分辨率特征,利用Focal Loss函数改善难分割目标的精度.文中算法在ISIC2017,ISIC2018数据集上获得的Dice系数、准确率、Jaccard指数、灵敏度得分分别为88.83%,94.77%,81.43%,88.49%和89.46%,94.50%,82.56%,94.62%,与其他算法相比具有一定的优势,证明了该算法的有效性.     

彩色眼底图像视网膜血管分割方法研究进展

视网膜血管分割方法是眼科计算机辅助诊断和大规模疾病筛查系统的基础,文中讨论了基于彩色眼底图像的视网膜血管分割方法研究进展.概述了该领域的背景意义、常用标准库、性能衡量指标、采用的主要算法及其优缺点,旨在快速地引导研究人员了解本领域研究内容.视网膜血管分割方法可分为基于血管跟踪的方法、基于匹配滤波的方法、基于形态学处理的方法、基于形变模型的方法和基于机器学习的方法等5大类,各类方法都各有特点,为后期研究提供了基础.其中基于机器学习的方法是目前最重要的分割方法,以数据驱动的方式为眼科辅助诊断系统提供依据.尽管研究人员已经做了大量工作,视网膜血管分割依然有进一步提高精度和效率的空间.眼底图中其他生理结构和各种病灶的干扰,微小血管、视盘内血管、新生毛细血管网等的分割,都是血管分割问题中有待解决的难点.     

应用化肝脏病灶分割的预测方案

准确的肝脏病灶分割是计算机辅助医生进行肝癌诊断和制定相应治疗计划的重要前提，针对高精度分割算法普遍存在的过程复杂、分割需多步完成的问题，提出了一种同时预测肝脏区域和病灶区域的端到端U-net分割算法。改进基础U-net模型，加入特征复用思想以提高网络模型对于特征的利用效率；对损失函数进行改进，采用交叉熵和Dice系数相结合，同时加入欠分割惩罚因子微调，提高模型预测能力及病灶的检出比例；加入[[-200,200]]的阈值化预处理和提取肝脏最大联通域、删除病灶扁平预测结果的后处理来优化结果。在MICCAI_2017_LiTS数据集的实验表明，端到端网络依然可以达到复杂网络、多步分割网络的算法精度。     

皮肤红斑彩色图像分割的降维方法研究

论文通过在HSV色彩空间分析皮肤红斑彩色图像的颜色分布特征,提出了适用于皮肤红斑彩色图像分割的一维特征参量,并将该特征参量用于模糊c均值聚类算法,对红斑彩色图像进行了分割实验。实验结果表明,与用其它特征参量的图像分割实验相比,使用该特征参量可以提高分割速度和分割正确率。     

基于圆形约束C-V水平集的肺部CT图像病灶分割

针对肺部CT图像中圆形病灶区域的分割问题,对Chan-Vese水平集图像分割方法进行了分析和改进,提出了基于圆形约束的C-V水平集模型,进而提出了基于圆形约束水平集的肺部图像病灶分割算法,解决了图像中大小不同的多圆检测问题。对合成图像和实际临床肺部CT图像进行了分割实验,结果表明,该方法可以较好地分割出图像中的多个圆形区域,算法具有较好的抗噪性,实现速度较快,有利于实现肺部CT图像肺结节自动检测。