基于改进U-Net网络的多尺度番茄病害分割算法

针对当前农作物病害分割与识别模型病斑分割精度低、数据集不充分、训练速度过慢等问题,构建了一种基于改进的U-Net网络多尺度番茄叶部病害分割算法。在U-Net网络结构基础上进行改进,减小图像输入尺寸,在编码器中使用非对称Inception多通道卷积替换传统卷积,实现多尺度提取病害特征,提升模型准确度;在解码器中加入注意力模块,关注番茄病害边缘,减小上采样噪声;引入GN加速模型收敛,并将改进U-Net网络用在PlantVillage数据集上进行预训练,提高模型的分割准确度和速度。改进后的方法准确率、召回率和MIoU分别为92.9%、91.1%、93.6%,实验结果表明,该方法能够有效地提高模型对番茄的病害分割性能。     

基于3D深度残差网络与级联U-Net的缺血性脑卒中病灶分割算法

为了解决人工勾画缺血性脑卒中病灶费时费力且易引入主观差异的问题,提出了一种基于三维（3D）深度残差网络与级联U-Net的自动分割算法。首先,为了有效利用图像的3D上下文信息并改善类不平衡现象,将脑卒中核磁共振图像（MRI）采样成图像块作为网络输入;然后,利用基于3D深度残差网络与级联U-Net的分割模型对图像块进行特征提取,获得粗分割结果;最后,对粗分割结果进行精分割处理。在ISLES数据集上的实验结果表明,该算法的Dice系数可达到0.81,精确度可达到0.81,灵敏度可达到0.81,平均对称表面距离（ASSD）距离系数为1.32,HD为22.67。所提算法与3D U-Net算法、基于水平集算法、基于模糊C均值（FCM）算法和基于卷积神经网络（CNN）算法相比分割性能更好。     

基于多尺度残差路径的U型视网膜血管分割

针对视网膜血管形态结构复杂、特征信息多变的特点，提出一种结合残差网络和多尺度特征融合的U型视网膜分割算法。依次采用限制对比度直方图均衡化和局部自适应Gamma对原始视网膜图像进行预处理，得到血管增强、亮度提升的图像；将其输入至搭建的U型网络中进行端到端训练，该网络将U-Net原始卷积块替换为残差卷积块，实现对特征的复用，首尾的并行多分支结构和底部的金字塔池化结构扩大提取特征的感受野，在解码阶段加入带有注意力机制的跳跃连接改善视网膜血管的分割性能；通过sigmoid激活函数得到最终分割结果。在DRIVE数据集上进行实验，该算法准确率、敏感度和AUC分别为96.34%、84.61%和98.53%。     

结合注意力的3D卷积网络脑胶质瘤分割算法

为了提升脑胶质瘤分割精度，提出一种结合注意力机制的3D卷积神经网络算法。输入3个不同尺度的图像块，经过9个卷积层和1个分类层后得到3个不同的分类结果，将分类结果与注意力学习到的权重相乘并逐体素相加得到输出。此外该算法采用了一种混合Dice损失函数与Focal损失函数的超参数损失函数。实验表明，该算法的Dice系数在整体区域、核心区域以及增强区域分别达到了95.31%、80.12%、82.25%。与已有的一种脑胶质瘤分割算法deepmedic相比，整体区域、核心区域以及增强区域的Dice系数分别提升了3%、2%、6%。在脑胶质瘤分割方面，具有重要的临床意义。     

引入注意力机制和多视角融合的脑肿瘤MR图像U-Net分割模型

目的 脑肿瘤核磁共振（magnetic resonance,MR）图像分割对评估病情和治疗患者具有重要意义。虽然深度卷积网络在医学图像分割中取得了良好表现,但由于脑胶质瘤的恶性程度与外观表现有巨大差异,脑肿瘤MR图像分割仍是一项巨大挑战。图像语义分割的精度取决于图像特征的提取和处理效果。传统的U-Net网络以一种低效的拼接方式集成高层次特征和低层次特征,从而导致图像有效信息丢失,此外还存在未能充分利用上下文信息和空间信息的问题。对此,本文提出一种基于注意力机制和多视角融合U-Net算法,实现脑肿瘤MR图像的分割。方法 在U-Net的解码和编码模块之间用多尺度特征融合模块代替传统的卷积层,进行多尺度特征映射的提取与融合;在解码模块的级联结构中添加注意力机制,增加有效信息的权重,避免信息冗余;通过融合多个视角训练的模型引入3维图像的空间信息。结果 提出的模型在BraTS18（Multimodal Brain Tumor Segmentation Challenge 2018）提供的脑肿瘤MR图像数据集上进行验证,在肿瘤整体区域、肿瘤核心区域和肿瘤增强区域的Dice score分别为0.907、0.838和0.819,与其他方法进行对比,较次优方法分别提升了0.9%、1.3%和0.6%。结论 本文方法改进了传统U-Net网络提取和利用图像语义特征不足的问题,并引入了3维MR图像的空间信息,使得肿瘤分割结果更加准确,具有良好的研究和应用价值。     

多尺度判别条件生成对抗网络的前列腺MRI图像分割方法

目的 由MRI（magnetic resonance imaging）得到的影像具有分辨率高、软组织对比好等优点,使得医生能更精确地获得需要的信息,精确的前列腺MRI分割是计算机辅助检测和诊断算法的必要预处理阶段。因此临床上需要一种自动或半自动的前列腺分割算法,为各种各样的临床应用提供具有鲁棒性、高质量的结果。提出一种多尺度判别条件生成对抗网络对前列腺MRI图像进行自动分割以满足临床实践的需求。方法 提出的分割方法是基于条件生成对抗网络,由生成器和判别器两部分组成。生成器由类似U-Net的卷积神经网络组成,根据输入的MRI生成前列腺区域的掩膜;判别器是一个多尺度判别器,同一网络结构,输入图像尺寸不同的两个判别器。为了训练稳定,本文方法使用了特征匹配损失。在网络训练过程中使用对抗训练机制迭代地优化生成器和判别器,直至判别器和生成器同时收敛为止。训练好的生成器即可完成前列腺MRI分割。结果 实验数据来自PROMISE12前列腺分割比赛和安徽医科大学第一附属医院,以Dice相似性系数和Hausdorff距离作为评价指标,本文算法的Dice相似性系数为88.9%,Hausdorff距离为5.3 mm,与U-Net、DSCNN（deeply-supervised convolutional neured network）等方法相比,本文算法分割更准确,鲁棒性更高。在测试阶段,每幅图像仅需不到1 s的时间即可完成分割,超出了专门医生的分割速度。结论 提出了一种多尺度判别条件生成对抗网络来分割前列腺,从定量和定性分析可以看出本文算法的有效性,能够准确地对前列腺进行分割,达到了实时分割要求,符合临床诊断和治疗需求。     

基于多通路CNN的多模态MRI神经胶质瘤分割

由于传统卷积神经网络CNN(Convolutional Neural Networks)受卷积核尺度的限制,容易丢失磁共振成像MRI(Magnetic Resonance Imaging)脑肿瘤图像的全局信息,而且卷积、池化的过程会导致网络浅层的部分信息丢失,造成基于CNN的脑肿瘤分割特征信息不足,分割精度不高。针对上述问题,提出一种具有全局通路,同时结合网络浅层信息的多通路CNN模型,用来完成多模态MRI脑部神经胶质瘤的全自动分割任务。算法主要思想:将三维多模态MRI图像沿轴向切片化,在相同序列的切片上按比例选取尺度为33×33像素的图像块,得到训练集;将训练集图像块输入多通路CNN模型进行训练;将测试集输入训练好的模型,将脑肿瘤从脑部MRI图像中正确分割出来,并具体划分为坏死、水肿、增强和非增强四种区域,利用模型评估参数Dice系数、敏感度(Sensitivity)系数和特异度(Specificity)系数评测模型的质量。实验结果表明,该方法操作简单,能够有效地完成脑肿瘤的分割任务。     

基于U-Net的多尺度特征增强视网膜血管分割算法

针对传统视网膜血管分割算法存在血管分割精度低和病灶区域误分割等缺点,提出一种基于U-Net的多尺度特征增强视网膜血管分割算法（MFEU-Net）。首先,为解决梯度消失问题,设计一种改进的特征信息增强残差模块（FIE-RM）替代U-Net的卷积块;其次,为扩大感受野并提高对血管信息特征的抽取能力,在U-Net的底部引入多尺度密集空洞卷积模块;最后,为减少编解码过程中的信息损失,在U-Net的跳跃连接处构建多尺度通道增强模块。在DRIVE(Digital Retinal Images for Vessel Extraction)和CHASE＿DB1数据集上的实验结果表明,与在视网膜血管分割方面表现次优的算法CS-Net(Channel and Spatial attention Network)相比,MFEU-Net的F1分数分别提高了0.35和1.55个百分点,曲线下面积（AUC）分别提高了0.34和1.50个百分点,这验证了MFEU-Net可以有效提高对视网膜血管分割的准确性和鲁棒性。     

基于特征融合的边缘引导乳腺超声图像分割方法

针对乳腺超声图像边缘模糊、斑点噪声多、对比度低等问题,提出了一种融合多特征的边缘引导多尺度选择性核U-Net(Edge-guided Multi-scale Selective Kernel U-Net, EMSK U-Net)方法。EMSK U-Net采用基于U-Net的对称编解码结构可以适应小数据集医学图像分割的特点,将扩张卷积与传统卷积构成选择性核模块作用于编码路径,并提取下采样过程中的选择性核特征进行边缘检测任务,在丰富图像空间信息的同时细化边缘信息,有效缓解斑点噪声和边缘模糊的问题,在一定程度上可以提升小目标的检测精度。然后在解码路径通过多尺度特征加权聚合获取丰富的深层语义信息,多种信息之间相互补充,从而提升网络的分割性能。在3个公开的乳腺超声图像数据集上的实验结果表明,与其他分割方法相比,EMSK U-Net算法各项指标表现良好,分割性能有显著提升。     

基于改进U-Net的关节滑膜磁共振图像的分割

为了准确诊断滑膜炎患者病情，医生主要依靠手工标注和勾画的方法来提取磁共振图像（MRI）中的滑膜增生区域，该方法耗时长、效率低，具有一定的主观性且图像信息利用率低。针对这一问题，提出了一种新的关节滑膜分割算法，即2D ResU-net分割算法。首先，将残差网络（ResNet）中的两层结构的残差块融入到U-Net中，构建2D ResU-net；然后，将样本数据集分为训练集和测试集，而后对训练集进行数据增广；最后，将增广后的所有训练样本用于网络模型的训练。为了检测模型的分割效果，选取测试集中含滑膜炎的断层图像进行分割测试，最终平均分割精度指标可达到：Dice相似系数（DSC）69.98%，交并比（IOU）指标79.90%，体积重叠误差（VOE）系数12.11%。与U-Net算法相比，2D ResU-net算法的DSC系数提升了10.72%，IOU指标升高了4.24%，VOE系数降低了11.57%。实验结果表明，该算法对于MRI图像中的滑膜增生区域可以实现较好的分割效果，能够辅助医生对病情做出及时诊断。     

多尺度特征融合的脊柱X线图像分割方法

为了精确地从X线图像中分割脊柱,提出了一种基于深度学习的脊柱X线图像分割方法,使用基于多尺度特征融合的U-Net网络进行分割。将U-Net模型中的卷积层替换成类Inception网络来提取不同尺度的特征,并进行多尺度融合。同时在跳跃连接前增加残差连接层,并在首次上采样前添加卷积块注意力模块。该模型对20幅脊柱X线图像进行验证,Dice系数为0.845 7,与近期X线脊柱图像分割方法相比,提高了0.135 1。     

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。     

结合灰度直方图和细胞自动机的多模态MRI脑胶质瘤分割

为了解决脑胶质瘤边界模糊、复杂而导致的分割不准确问题,提出了一种将灰度直方图（gray level histogram,GLH）与改进的细胞自动机相结合的脑胶质瘤分割算法。首先,对脑胶质瘤的T2加权图像和液体衰减反转（FLAIR）图像进行融合;然后,利用灰度直方图特性增强脑胶质瘤区域;最后,以加权距离为特征向量用改进的细胞自动机进行分割,并得到脑胶质瘤各组织分割结果。在20组BraTS2015（brain tumor segmentation）数据库数据和10组临床脑胶质瘤数据上进行分割实验,整个肿瘤区域及核心肿瘤区域的平均分割准确率分别达到90.76%和89.73%。实验结果表明,相对于对比方法,所提算法不仅能更好地分割出对比度明显的胶质瘤区域,还在一定程度上解决了模糊胶质瘤区域分割不准确的问题。该算法在保持不增加算法复杂度的同时,亦提高了算法分割的准确性和鲁棒性。     

基于U-Net改进的多尺度融合超声神经分割算法研究

大量传统的颈部超声神经检测算法,检测敏感性低,假阳性数量大,低层特征利用率不足。而颈部超声图像数量较少,边缘模糊且对噪声敏感。对此,提出一种改进型U-Net分支融合算法：改进损失函数,获得高质量的候选样本;使用多尺度卷积结构替换原结构中普通卷积层,增强特征提取能力;结合扩张卷积替换中、深层池化操作,提高低层特征利用率。通过对比实验验证了所提算法的算法性能。实验表明,与传统的U-Net和SegNet卷积网络对于小尺寸超声神经分割的结果相比,所提算法的分割效果较两者分别提升了近9%和17%,且对于正常尺寸和小尺寸的神经分割均有较高的分割精度。     

改进U-Net网络的遥感图像水质分割算法

针对遥感图像中一般水体、黑臭水体以及富营养化水体形状不规则以及相似难以准确分割的问题，选取研究区创建富含3类水体的数据集，利用深度学习卷积网络模型对3类水体数据集进行训练与测试。根据测试效果分析提出基于改进U-Net网络的遥感水质分割算法，改进卷积深度及在编码阶段输入层引入ASPP模块获取更加复杂的光谱信息，提高分割精度。实验表明，所提出的改进型U-Net分割算法能够显著提升水质分类的精确度和分割效果，从而实现一般、黑臭及富营养化水体的准确分类。     

位置感知循环卷积与多尺度输入的视网膜血管分割方法

针对视网膜图像血管纹理复杂，微小血管极多，成像对比度低的问题，提出一种结合位置感知循环卷积（position aware circular convolution,ParC）、多尺度分辨率输入的视网膜血管分割方法。使用带有普通卷积、位置感知循环卷积、ECA(efficient channel attention)注意力的卷积模块（ParC-ECA block）来充分提取输入眼底图像的全局、局部特征信息；在级联的下采样路径中，提出多尺度输入模块（multi-scale input block）来对每一层级的特征信息进行加强，找回丢失的细节信息，避免因细节丢失而引起的网络性能下降；在跳跃连接中使用残差双注意力模块（residual spatial channel attention block,RSCA），在保持网络每一层级原始特征传递的基础上，对其进行背景干扰噪声过滤和血管特征强化，进一步提升分割性能。提出的方法在DRIVE数据集和CHASE＿DB1数据集上进行了实验，其AUC分别为98.53%和98.81%,ACC分别为95.81%和96.84%,F1-score分别为83.55%和8...     

改进U-Net的高分辨率遥感图像轻量化分割

针对传统图像分割方法分割效率低下,遥感图像特征复杂多样,复杂场景下分割性能受到限制等问题,在基于U-Net网络架构的基础上,提出一种能够较好提取遥感图像特征并兼顾效率的改进U-Net模型.首先,以EfficientNetV2作为U-Net的编码网络,增强特征提取能力,提高训练和推理效率,然后在解码部分使用卷积结构重参数化方法并结合通道注意力机制,几乎不增加推理时间的前提下提升网络性能,最后结合多尺度卷积融合模块,提高网络对不同尺度目标的特征提取能力和更好地结合上下文信息.实验表明,改进的网络在遥感图像分割性能提升的同时分割效率也提高.     

基于改进U-Net的水草图像分割方法

无人艇（USV）在河道水面作业过程中,水草会缠绕推进器,这是整个业界应用都遇到的困扰。针对水面图像中水草分布的全局性、分散性以及边缘和纹理的复杂性,对U-Net进行改进并用于对图像所有的像素进行分类,以减少网络特征信息的丢失,并加强全局和局部特征的提取,从而提高分割性能。首先,采集多地多时段水草图像数据,制作了一个比较全面的水草语义分割数据集;其次,提出在U-Net中引入三个尺度的图像输入,从而使得网络对特征进行充分提取,并引进三种上采样图像的损失函数来平衡三种尺度的输入图像带来的总体损失;此外,还提出了一种混合注意力模块并引入到网络中,其包含空洞卷积和通道注意增强两个分支;最后,在新构建的水草数据集上对所提网络进行验证。实验结果显示,所提方法的准确率、均交并比（mIoU）和平均像素精度（mPA）值分别可达96.8%、91.22%和95.29%,与U-Net(VGG16)分割方法相比,分别提高了4.62个百分点、3.87个百分点和3.12个百分点。所提方法可应用于水面无人艇对水草的检测,并进行相应的路径规划来实现水草避让。     

基于密集多尺度空洞卷积的脑胶质瘤图像语义分割方法

对脑胶质瘤核磁共振图像进行语义分割是医学图像处理的一个研究热点。目前的分割方法均使用池化层进行下采样，存在空间位置信息损失问题，导致分割结果不精确、无效计算量高。为了提高分割效果和计算效率，提出一种新的语义分割方法。该方法使用空洞卷积代替池化层，获得了信息更丰富的特征图，进行多尺度空洞卷积改进，消除空洞卷积中网格问题和边缘特征无效问题，使用密集连接获取不同尺度的特征，保证方法的鲁棒性并降低计算量。使用Brats2017的数据进行实验验证，结果表明，该方法在分割整体肿瘤区域和增强肿瘤区域时效果良好，dice相对性系数分别达到0.912和0.88。     

基于多小波分析与SOFM的MR图像分割算法研究

有效地实现MRI脑图像的分割是临床疾病诊断的一个难题.针对目前MRI脑图像分割算法在图像分割的速度和精度上不理想的问题,提出了一种将多小波分析与SOFM相结合的MWSOFM算法.该算法先对MRI脑图像进行多小波分解得到小波系数金字塔,再用SOFM算法对图像从塔顶开始从上往下逐层进行聚类,最终得到分割结果.对不同分辨率的MRI脑图像的仿真实验表明,在高分辨率的情况下,MWSOFM不但加快了分割的速度,而且提高了聚类精确度,分割效果得到明显改善.