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。     

改进的遥感图像语义分割算法

针对遥感图像中多个目标聚集导致边缘混淆，小尺度物体分割不明显，以及语义分割过程中全局信息获取不足的问题，提出了一种基于混合注意力与全尺度跳层连接网络的遥感图像语义分割算法DU-net。该算法以U-net3+为基础网络，采用全尺度跳层连接网络作为特征提取网络，摒弃了原算法中的深度监督，建立特征与注意力机制之间的关联，最终实现语义分割的过程。实验结果表明，DU-net算法在不同指标下较经典算法都有明显提升，同时提高了图像边缘分割质量，改善了算法对小尺度目标的分割准确度。     

融合PVTv2和多尺度边界聚合的结直肠息肉分割算法

考虑到结直肠息肉图像中病灶区域和周围粘液存在对比度低、边界模糊和形状不规则等复杂特性,导致现有大部分算法无法实现高精准的分割结直肠息肉。鉴于以上难点,提出一种融合PVTv2和多尺度边界聚合的结直肠息肉分割算法。首先,利用PVTv2逐层提取肠息肉图像中的病灶特征,解决传统卷积神经网络对病灶区域特征提取能力不足的问题;然后,针对网络对复杂病灶区域的空间特征信息表征能力不强的问题,在网络跳跃连接处构建多尺度上下文空间感知模块;其次,设计多尺度挤压适配融合模块聚合不同尺度的特征信息,以减少各个尺度特征的语义差异;最后,为进一步加强边缘细节特征的识别能力,创造性构造残差轴向双边界细化模块。该算法在Kvasir-SEG和CVC-ClinicDB数据集上进行大量实验验证,其相似性系数分别为93.29%和94.52%,平均交并比分别为88.36%和89.88%。实验结果表明,对于复杂的病灶区域以及病灶边界模糊的情况,所提算法在分割精度上均有较大的提升。     

基于改进深度神经网络的遥感影像语义分割

研究了基于深度学习的遥感图像语义分割问题,将建筑物作为遥感图像中的待分割目标,采用语义分割算法将建筑物提取出来.提出了一种改进的U-net网络,根据分割实际需求,保持网络对目标提取特征能力的前提下,将原U-net网络的卷积核数量适当减少,降低了网络参数数量和计算复杂度;增加了Batch Normalization层抑制过拟合问题;在上采样部分增加特征图的局部信息以优化网络对于细节的分割效果.使用公开的数据集INRIA Aerial Image Dataset来评估改进的U-net网络的实际效果,和原U-net相比,单张图片训练速度提升了8％,分割精度也明显提升,训练中的过拟合情况得到改善.证明了本文改进的U-net网络具有对遥感图像的语义分割任务的有效性和可行性.     

平衡多尺度注意力网络的视网膜血管分割算法

针对现有算法对微血管分割精度低、难以区分病灶区域等问题，提出一种平衡多尺度注意力网络用于分割视网膜血管。在编码阶段引入多尺度特征提取模块，提升感受野减少血管细节特征损失；在编码和解码器间增加细节增强模块，突出目标区域提高信息敏感度；设计平衡尺度注意力模块调节细节和语义特征进行最终预测，减少伪影现象。实验结果表明，在DRIVE数据集上分割准确率为96.42%、灵敏度为83.17%、特异性为98.27%,优于现有其它算法。     

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。     

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.     

基于改进U-net的肺癌识别方法

目前基于深度学习的肺癌辅助诊断方法存在无法准确定位病灶的缺陷。针对该问题,在现有U-net网络结构的基础上提出一种分两步走的基于改进U-net的肺癌识别方法。利用U-net获得病灶精确位置,通过CNN分类网络对病灶进行诊断,得到原始CT图像的检测结果。实验结果表明,该方法可以对肺部病灶进行较为精确的定位,分割效果的DSC相似度指数超过80%,对肺癌病灶进行分类诊断的准确率达到90.7%。     

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。     

融合滤波增强和反转注意力网络用于息肉分割

准确分割结肠镜获取图像中的息肉区域,可辅助医生诊断肠道疾病,但下采样过程中息肉区域结构信息缺失,现有方法存在过度分割和欠分割的问题。为解决以上问题,提出融合滤波增强和反转注意力分割网络（FFRNet）。首先,在跳级连接中加入了滤波增强模块（FEM）,以增强下采样特征中局部病灶区域的结构信息;其次,通过聚合浅层特征来获取全局特征;最后,在上采样过程中采用多尺度反转注意力融合机制（MAFM）,结合全局特征和上采样特征生成反转注意力权重,逐层挖掘特征中的息肉区域信息,引导网络建立目标区域与边界之间的关系,以提高模型对息肉区域分割的完整性。在Kvasir和CVC-ClinicDB数据集上,与不确定性增强上下文注意力网络（UACANet）相比,FFRNet的Dice相似系数（DSC）分别提升了0.22%和0.54%。实验结果表明,FFRNet能够有效提高息肉图像分割精度,同时具有较好的泛化能力。     

基于U-Net的COVID-19病灶医学影像ZMINet分割模型

针对COVID-19病灶医学影像边缘模糊及小病灶丢失的问题，基于多尺度多层级特征集成与多分支交互式学习策略对U-Net进行改进，提出一种基于U-Net的COVID-19病灶医学影像ZMINet分割模型。原图被缩放至多个尺度输入编码器；利用SIU-AIM模块多分支交互式地逐层学习融合层内与层间的多尺度关键特征，并将特征传入由SIM组成的解码器之对应层；SIM利用交互式学习策略以获取更丰富的多尺度信息表征，并自下而上集成多层特征；使用UAL作为损失函数指导模型输出更清晰的预测结果。在公开数据集上的对比实验表明，ZMINet分割模型在Dice、精确率、特异性和平均绝对误差等指标分别达到了79.2%、81.8%、96.8%和6.3%,与其他算法相比其性能得到了明显的提升。     

像素级的皮肤分割与面色分级

皮肤是人体最大的器官,面色相对于人体其他生物属性具有更便捷、更稳定的特性。因此,设计一个完整有效的面色分级系统是非常有意义的。本文中,面色分级系统被分为皮肤分割和面色分级2部分。针对皮肤分割任务,在生成对抗网络框架下搭建了一个多尺度特征融合网络,相对于传统的语义分割网络,本文的分割模型充分地利用了每一层特征图的信息。在面色分级实验中,首先在归一化rgb、HSV和Lab颜色空间下使用1 000幅图像分别训练了支持向量机(SVM)和BP神经网络分类器,128幅皮肤图像被用作测试集,正确率在73%～76%;之后将颜色特征与皮肤区域纹理特征融合进行学习,使用SVM分类的正确率为85%,使用BP神经网络分类的正确率达到了91%。     

U-net改进的视网膜血管图像分割算法

传统抽取算法在病灶、细节区域存在分割不精准的问题.改进算法对U-net深度神经网络进行改进,在网络底层加入Dense-net网络中的稠密连接方式,使用BConvLSTM来组合编码器和解码器的特征信息,结合AC-net思想提出Mul-tiAc模块,在U-net下采样和上采样过程加入该模块,帮助网络学习更复杂的特征信息,在预测过程中提高精确率.通过在DRIVE、STARE、CHASE_DB1这3个公开眼底数据库的实验,分割结果的客观评价指标与主观视觉验证了改进算法在分割精度方面的有效性.     

基于多尺度卷积输入和ConvCRFs的非对称U-Net脑肿瘤MRI图像分割

针对磁共振成像（Magnetic Resonance Imaging,MRI）进行脑胶质瘤病灶边界分割的问题，提出基于多尺度卷积输入和卷积条件随机场（ConvCRFs）的非对称U-Net脑肿瘤MRI图像分割算法。首先，设计了多尺度卷积输入模块作为预处理步骤，以丰富全局上下文语义信息的提取与输入；其次，采用非对称U-Net网络结合ConvCRFs，对分割结果进行判别微调，从而提高肿瘤的分割准确率；最后，为了验证算法的可行性，在Brats2020数据集上进行了实验。实验结果表明，Dice系数达到0.887，表明对脑胶质瘤图像分割算法具有重要的临床引导价值。     

改进ASPP及多层次特征语义融合分割方法

为解决图像语义分割中多尺度目标分割困难、类别边界预测不准确等问题，提出一种基于改进空洞空间金字塔池化的多层次特征语义融合分割方法。将深层次网络特征按通道分组，利用分组空洞空间金字塔池化模块捕获每个分组多尺度特征上下文信息；引入条状池化模块对上下文信息补充和完善，增强全局语义信息表达；根据语义引导融合模块建立不同层次特征像素间对应关系，将深层次语义信息以自底向上方式逐步融入到低层次高分辨率图像中。实验结果表明，该方法在PASCAL VOC 2012和Cityscapes公开数据集上分别获得73.1%、71.8%的平均交并比，且在相同精度下，该方法减少了39%的参数量。     

基于深度学习的遥感影像语义分割研究

高分辨率遥感图像的语义分割是遥感应用领域中的重要任务之一。针对经典语义分割网络在高分辨率遥感图像语义分割中存在边缘目标分割不准确、多尺度目标分割困难等问题，提出了一种基于改进空洞空间金字塔池的编码器-解码器结构网络(SMANet)。编码部分使用带有注意力机制的残差网络，使得网络充分提取图像的特征信息，其次通过多并行空洞空间金字塔模块（MASPP）获得特征图有关类别和空间上下文的更详细.信息；解码部分以自底向上方式将深层次语义信息逐步融入到低层次高分辨率图像中。使用WHDLD公开数据集对该算法进行实验，获得了6418%的平均交并比，实验结果表明SMANet优于目前主流的语义分割网络。     

COVID-19肺部CT图像多尺度编解码分割

目的 新型冠状病毒肺炎（corona virus disease 2019,COVID-19）患者肺部计算机断层扫描（computed tomography,CT）图像具有明显的病变特征,快速而准确地从患者肺部CT图像中分割出病灶部位,对COVID-19患者快速诊断和监护具有重要意义。COVID-19肺炎病灶区域复杂多变,现有方法分割精度不高,且对假阴性的关注不够,导致分割结果往往具有较高的特异度,但灵敏度却很低。方法 本文提出了一个基于深度学习的多尺度编解码网络（MED-Net （multiscale encode decode network））,该网络采用资源利用率高、计算速度快的HarDNet68（harmonic densely connected network）作为主干,它主要由5个harmonic dense block （HDB）组成,首先通过5个空洞空间卷积池化金字塔（atrous spatial pyramid pooling,ASPP）对HarDNet68的第1个卷积层和第1、3、4、5个HDB提取多尺度特征。接着在并行解码器（paralleled partial decoder,PPD）基础上设计了一个多尺度的并行解码器（multiscale parallel partial decoder,MPPD）,通过对3个不同感受野的分支进行解码,解决了编码器部分的信息丢失及小病灶分割困难等问题。为了提升CT图像分割精度,降低网络学习难度,网络加入了深度监督机制,配合多尺度解码器,增加了对假阴性的关注,从而提高模型的灵敏度。结果 在COVID-19 CT segmentation数据集上对本文网络进行了测试。实验结果表明,MED-Net可以有效地应对数据集样本少,以及分割目标的纹理、尺寸和位置变异大等问题。在只有50幅训练图像和50幅测试图像的数据集上,分割结果的Dice系数为73.8%,灵敏度为77.7%,特异度为94.3%;与Inf-Net （lung infection segmentation deep network）网络相比,分别提升了8.21%、12.28%、7.76%。其中,Dice系数和灵敏度达到了目前基于该数据集相同划分方式的先进水平。结论 本文网络提高了COVID-19肺炎CT图像分割精确度,有效解决了数据集的数据量少、小病灶分割难度大等问题,具有全自动分割COVID-19肺炎CT图像的能力。     

基于多尺度分割的图像识别残差网络研究

深度卷积神经网络能够解决复杂的计算机视觉问题,被广泛应用于图像识别任务中。在基于深度卷积神经网络的图像识别过程中,增加网络的深度和宽度能够产生丰富的特征信息,使用多尺度分割方法能够有效减少冗余的特征信息。然而,增加网络的深度和进行多尺度分割都会影响识别速度。如何在保证精度的同时提高识别速度,成为设计高效网络的关键问题。通过增加网络宽度的方法对ResNet残差网络进行改进,在保证精度的基础上提升识别速度。使用ResNet-D中的残差结构并减少网络长度,得到长度只有7层的残差网络,同时对HS-ResNet中的多尺度分割方法进行优化,只保留最后一次连接合并操作,得到图像识别残差网络SSRNet。在CIFAR 10和CIFAR 100数据集上的实验结果显示,SSRNet速度最高较ResNet网络提升7倍多,同时错误率最高下降8.81%,表明缩短网络长度可大幅加快图像识别速度,同时结合多尺度分割方法能够有效提升识别精度。     

一种基于改进Attention U-net的联合视杯视盘分割方法

青光眼是当前世界范围内致盲的主要病因之一,其发病过程没有明显的特征。视杯盘比是青光眼诊断中最主要的评估指标之一,这使得视杯视盘的分割成为了目前青光眼诊断的关键。已有的视杯视盘分割方法大多基于手工提取的特征,低效且精度不高。提出一种名为MAR2U-net的深度神经网络架构用于青光眼视杯视盘的联合分割。它是基于Attention U-net的一种改进架构,通过在Attention U-net的基础之上引入递归残差卷积模块来提取更加深层次的特征,并结合多尺度的输入和多标签的Focal Tversky损失函数来提升模型的联合分割性能。实验结果表明,该方法在REFUGE数据集上的分割效果较已有方法取得了显著提升,为实现大规模的青光眼诊断筛查提供了基础。