多尺度特征融合全卷积神经网络脑肿瘤MR图像分割

针对传统以及基于深度学习的脑肿瘤MR图像分割方法存在精度低、特征信息丢失等问题,提出一种多尺度特征融合全卷积神经网络的脑肿瘤MR图像分割算法.该算法首先对脑肿瘤MR图像的4种模态进行归一化处理;将得到的结果通过多尺度特征融合全卷积神经网络(MFF-FCN).该网络是在全卷积神经网络的基础上,引入5×5、7×7大小的卷积核作为其它2种通路,以提高模型的特征信息提取能力.实验结果表明,MFF-FCN网络模型在特征提取和分割精度上都有较好的表现,尤其是在全肿瘤和边缘分割上,Dice、Sensitivity、PPV等指标都有明显的提升;且单幅脑肿瘤MR图像的分割时间平均用时不到1s,实用性较强.     

基于3D卷积神经网络的脑肿瘤医学图像分割优化

针对2D卷积神级网络不能够较好地提取各模态之间的差异信息,不同的图像层肿瘤大小差异显著,且分割精度低,单模态MRI无法清晰地反映GBM的不同组织结构,提出一种基于3D多池化卷积神经网络拟解决以上实际问题。将卷积神经网络应用到脑肿瘤分割上,并针对脑肿瘤的特点,提出3D多池化卷积神经网络模型,通过多尺度的输入与多尺度的下采样,且在后端使用条件随机场(CRF)使图片尽量在边界处分割,增加图像的分割精度,克服脑肿瘤的个体差异,同时适应脑肿瘤不同图像层之间的大小位置差异。通过对100例患者的多模态磁共振图像进行分割,Dice系数达到91.64%;MRI脑肿瘤分割的改进方法可使分割精度得到明显提高,可更好地提取各模态之间的差异信息,实现适应范围更广的MRI肿瘤分割,并准确有效地分割脑肿瘤。     

改进的全卷积神经网络的脑肿瘤图像分割

针对现有机器学习算法分割脑肿瘤图像精度不高的问题,提出一种基于改进的全卷积神经网络的脑肿瘤图像分割算法。算法首先将FLAIR、T2和T1C三种模态的MR脑肿瘤图像进行灰度归一化,随后利用灰度图像融合技术得到肿瘤信息更加全面的预处理图像;然后采用融合三次脑肿瘤特征信息的改进全卷积神经网络对预处理图像进行粗分割,并且在每个卷积层后加入批量正则化层以加快网络训练的收敛速度,提高训练模型精度;最后融合全连接条件随机场细化粗分割结果中的脑肿瘤边界。实验结果表明,相较于传统的卷积神经网络脑肿瘤图像分割算法,本算法在分割精度和稳定性上有了较大提升,平均Dice可达91.29%,实时性较好,利用训练模型平均1s内可完成单张脑肿瘤图像的分割。      

多分类CNN的胶质母细胞瘤多模态MR图像分割

为提高胶质母细胞瘤（GBM）多模态磁共振（MR）图像中各肿瘤子区域分割的准确性,提出一种多分类卷积神经网络（CNN）的GBM多模态MR图像自动分割算法.首先在98%缩尾处理和配准GBM多模态MR图像后,利用N4ITK法校正偏移场;其次构建一个主要由4个卷积层、2个池化层和2个全连接层组成的多分类CNN模型,训练后预分割GBM多模态MR图像,将体素分为5类不同的标签;最后移除所有小于200体素的假阳性区域,中值滤波后获得最终分割结果.以Dice相似性系数DSC、阳性预测值PPV和平均Hausdorff距离AHD为评价指标,利用所提出的算法对F-C-GBM数据集中整个肿瘤组织进行分割,获得的DSC、PPV、AHD分别为0.889±0.087、0.859±0.127和1.923.结果表明,该算法能有效提高GBM多模态MR图像分割的性能,可望有临床应用前景.     

基于多尺度特征提取的MRI脑肿瘤图像分割研究

针对磁共振成像(magnetic resonance imaging, MRI)脑部肿瘤区域误识别及肿瘤形状 差异较大的问题,提出一种基于多尺度特征提取的 MRI 脑肿瘤图像分割方法。分割模型以 U-Net 为骨干网络,使用密集金字塔卷积(dense pyramidal convolution, DPC)提取多尺度特征, 以适应不同尺寸肿瘤的分割,同时引入条状池化(strip pooling, SP),凭借其能捕获肿瘤中远 距离区域的依赖关系,进一步加强对肿瘤图像的分割能力。提出的方法在 Kaggle_3m 数据 集上进行了实验验证,实验结果表明该方法具有良好的脑部肿瘤分割性能, 其中Dice相似 系数、杰卡德系数分别达到了91.66%,84.38% 。     

基于多模态图像信息的变电设备红外分割方法

无人机拍摄下的红外图像中变电设备的分割精度直接影响着热故障诊断的结果,针对复杂红外背景下变电设备分割精度低的问题,提出了一种融合可见光和红外图像的多模态路径聚合网络（Multimodal Path Aggregation Network, MPAN）。首先提取并融合两种模态图像的特征,考虑到两种模态图像的特征空间存在差异,提出了自适应特征融合模块（Adaptive Feature Fuse Module, AFFM）,以充分融合两种模态特征;对具有多尺度特征的主干网络增加自底向上的金字塔网络,并对横向连接的路径增强模块引入自注意力机制;最后使用dice系数优化掩膜损失函数。实验结果表明,多模态图像的融合能够增强分割性能,且验证了提出各模块的有效性,该模型能够显著提高红外图像中变电设备实例分割的准确率。     

基于多模态图像信息的变电设备红外分割方法

无人机拍摄下的红外图像中变电设备的分割精度直接影响着热故障诊断的结果，针对复杂红外背景下变电设备分割精度低的问题，提出了一种融合可见光和红外图像的多模态路径聚合网络（Multimodal Path Aggregation Network, MPAN）。首先提取并融合两种模态图像的特征，考虑到两种模态图像的特征空间存在差异，提出了自适应特征融合模块（Adaptive Feature Fuse Module, AFFM），以充分融合两种模态特征；对具有多尺度特征的主干网络增加自底向上的金字塔网络，并对横向连接的路径增强模块引入自注意力机制；最后使用dice系数优化掩膜损失函数。实验结果表明，多模态图像的融合能够增强分割性能，且验证了提出各模块的有效性，该模型能够显著提高红外图像中变电设备实例分割的准确率。     

融合多层级特征的脑肿瘤图像分割方法北大核心CSCD

针对脑肿瘤图像分割中网络模型信息损耗、上下文信息联系不足及网络泛化能力较差导致分割精度较低的问题,提出了一种新型的脑肿瘤图像分割方法,该方法是通过深度门控卷积模块(depth gate convolution,DGC)和特征增强模块(feature enhancement module,FEM)组成的多层级连接(multi-level connection,MC)脑肿瘤分割模型。采用深度卷积模块降低特征信息在逐层传递的信息损耗;使用控制门单元(control gate unit,CGU)实现各个尺度的特征图的MC,其中组合池化来减少下采样过程中的信息丢失;通过FEM增强分割区域的特征权重。实验结果表明,预测分割脑肿瘤的整体肿瘤区(whole tumor,WT)、核心肿瘤区(tumor core,TC)和增强肿瘤区(enhancement tumor,ET)的Dice系数分别达到了0.92、0.84和0.83,Hausdorff距离达到了0.77、1.50和0.92,脑肿瘤分割精度相较于当前较多方法分割精度和计算效率较高,具有良好的分割性能。     

基于3D U-Net的轻量级脑肿瘤分割网络北大核心CSCD

针对现有脑肿瘤核磁共振成像(magnetic resonance imaging, MRI)分割神经网络的参数量和计算量较大且对肿瘤区域小目标分割精度不高的问题,提出一种改进的轻量级脑肿瘤分割网络MF-RES2Net(multiple fiber residual-like networks)。该网络以3D U-Net为基础架构,将多纤模块(multi-fiber, MF)和类残差模块(RES2)相结合代替传统卷积模块。MF将特征图像的通道进行混合,增加了通道间信息的交流融合;RES2将通道均分,单通道的卷积结果相加到相邻通道,在扩大图像感受野的同时保留了细节特征,同时降低网络参数量。此外,为改善数据不平衡问题,提出一种改进的加权损失函数,提高了网络对小目标的分割精度。将MF-RES2Net在BRATS 2019数据集进行验证,完整肿瘤、核心肿瘤和增强肿瘤分割的平均Dice系数分别为89.98%、84.02%、77.62%,参数量和浮点数分别为3.16 M和16.24 G,结果表明:该网络在降低参数量和计算量的同时进一步提升了分割性能,有效地降低了网络运行时的设备要求。     

基于双支路特征融合的MRI颅脑肿瘤图像分割研究北大核心CSCD

针对磁共振成像(magnetic resonance imaging, MRI)颅脑肿瘤区域误识别与分割网络空间信息丢失问题,提出一种基于双支路特征融合的MRI脑肿瘤图像分割方法。首先通过主支路的重构VGG与注意力模型(re-parameterization visual geometry group and attention model, RVAM)提取网络的上下文信息,然后使用可变形卷积与金字塔池化模型(deformable convolution and pyramid pooling model, DCPM)在副支路获取丰富的空间信息,之后使用特征融合模块对两支路的特征信息进行融合。最后引入注意力模型,在上采样过程中加强分割目标在解码时的权重。提出的方法在Kaggle_3m数据集和BraTS2019数据集上进行了实验验证,实验结果表明该方法具有良好的脑肿瘤分割性能,其中在Kaggle_3m上,Dice相似系数、杰卡德系数分别达到了91.45%和85.19%。     

Contextual information enhanced convolutional neural networks for retinal vessel segmentation in color fundus images

Accurate retinal vessel segmentation is a challenging problem in color fundus image analysis. An automatic retinal vessel segmentation system can effectively facilitate clinical diagnosis and ophthalmological research. In general, this problem suffers from various degrees of vessel thickness, perception of details, and contextual feature fusion in technique. For addressing these challenges, a deep learning based method has been proposed and several customized modules have been integrated into the well-known U-net with encoder–decoder architecture, which is widely employed in medical image segmentation. In the network structure, cascaded dilated convolutional modules have been integrated into the intermediate layers, for obtaining larger receptive field and generating denser encoded feature maps. Also, the advantages of the pyramid module with spatial continuity have been taken for multi-thickness perception, detail refinement, and contextual feature fusion. Additionally, the effectiveness of different normalization approaches has been discussed on different datasets with specific properties. Finally, sufficient comparative experiments have been enforced on three retinal vessel segmentation datasets, DRIVE, CHASE_DB1, and the STARE dataset with unhealthy samples. As a result, the proposed method outperforms the work of predecessors and achieves state-of-the-art performance.     

基于多聚类中心和PCNN的医学图像融合算法

提出一种基于K-means Clustering和脉冲耦合神经网络(PCNN)的图像融合的方法,首先,以多特征信息为聚类方式利用K-means Clustering分割提取源图像的对应特征点,通过归类合并建立多模医学图像的特征点集合,根据特征点分布将图像划分为纹理区域和非纹理区域,纹理区域对应系数输入PCNN得到点火映射图,根据点火次数选择融合系数,非纹理区域的系数通过双通道PCNN进行融合。实验结果表明,该算法能够精确划分图像纹理区域,进而利用PCNN和双通道PCNN在图像不同区域系数选择各自的优势,融合图像纹理清晰,质量改善。     

基于LSTM网络和特征融合的通信干扰识别

针对现有通信干扰信号识别方法识别效果不佳的问题,提出了一种基于长短时记忆网络(Long Short-Term Memory,LSTM)和特征融合的通信干扰识别方法.该方法利用LSTM网络提取干扰信号的特征,通过LSTM强大的序列特征提取能力提升干扰信号特征提取的性能;通过提取信号的时域和频域特征后进行特征融合,使用全连...     

基于多尺度特征结合细节恢复的单幅图像去雾方法

为提高单幅图像去雾方法的准确性及其去雾结果的细节可见性,该文提出一种基于多尺度特征结合细节恢复的单幅图像去雾方法。首先,根据雾在图像中的分布特性及成像原理,设计多尺度特征提取模块及多尺度特征融合模块,从而有效提取有雾图像中与雾相关的多尺度特征并进行非线性加权融合。其次,构造基于所设计多尺度特征提取模块和多尺度特征融合模块的端到端去雾网络,并利用该网络获得初步去雾结果。再次,构造基于图像分块的细节恢复网络以提取细节信息。最后,将细节恢复网络提取出的细节信息与去雾网络得到的初步去雾结果融合得到最终清晰的去雾图像,实现对去雾后图像视觉效果的增强。实验结果表明,与已有代表性的图像去雾方法相比,所提方法能够对合成图像及真实图像中的雾进行有效去除,且去雾结果细节信息保留完整。     

深度全卷积网络对MRI膀胱图像的分割

大多数膀胱癌患者的膀胱肿瘤组织和膀胱壁组织互相渗透，各自的大小、形状变化多样，位置不固定，且膀胱MRI（Magnetic Resonance Imaging）图像中存在复杂的噪声和伪影，这使得将肿瘤和膀胱壁两者精确分割出来为下一步治疗进行诊断和定量分析成为难题。文中提出一种以U-net作为基础网络框架的深度全卷积网络，用残差网络子模块代替普通的卷积层进行下采样，通过空洞卷积来提取特征图不同感受野的信息，从而对不同尺度的特征图进行并行分支下采样。针对数据集小的问题，提出对图像加入高斯噪声、调节亮度和各向异性扩散滤波三种方法来进行数据扩增。实验结果表明，文中提出的方法对肿瘤分割的DSC（Dice similarity coefficient）值达到了0.9058，对膀胱壁分割的DSC值达到了0.9038，能够达到很好的分割效果。