基于深度学习的颈部淋巴结超声图像分割方法

提出一种基于掩膜区域卷积神经网络(Mask R-CNN)结构的方法,实现对颈部淋巴结超声图像的分割.采用迁移学习方法训练网络,获取颈部淋巴结图像的分割结果.实验结果表明,该方法的Dice系数达到了0.9124,相较U-Net网络提高了13.74％,显著提高了颈部淋巴结超声图像的精确度.     

基于改进BM3D算法的椒盐噪声去噪

在处理由椒盐噪声污染的高对比度图像时,使用传统的三维块匹配算法（Block-Matching and 3D filtering,BM3D）去噪不能有效保留图像的边缘和纹理细节,在图像的边缘会出现边缘振铃效应。为了改善传统BM3D算法在处理椒盐噪声时的不足,提出了用边缘方向代替水平方向搜索相似块的BM3D改进去噪算法。实验结果表明,改进BM3D算法获得的相似块数量是传统BM3D算法的3倍,峰值信噪比（PSNR）也得到进一步提高,在去除椒盐噪声的同时也使图像边缘得到有效保留。     

基于深度学习的手骨X射线图像骨龄评估

骨龄评估是研究儿童内分泌、遗传因子和生长障碍的常用临床手段,传统骨龄评估方法耗时较长,易受评估者主观因素影响产生误差,而现有自动提取临床特征的骨龄评估方法精度低且泛化能力差。提出一种基于深度学习的端到端手骨X射线图像自动骨龄评估方法。去除Inception ResNet V2网络的Softmax层优化结构,在Inception模块中增加非对称卷积核提高特征图分类精度,引入残差连接结构避免梯度消失或爆炸问题,同时采用均方误差损失函数对骨龄评估回归性能进行评价,并使用分层K折交叉验证法保证数据集样本分类均衡。实验结果表明,与采用BoNet网络的骨龄评估方法相比,该方法评估的骨龄与真实骨龄平均绝对误差减少0.4230岁,骨龄预测精度更高。