基于卷积和注意力机制的医学细胞核图像分割网络EI北大核心CSCD

深度学习在细胞核分割中具有重要作用,但在病理诊断中仍面临着细胞核图像的细微特征难以提取、核边缘模糊等问题。针对上述问题,本文提出了一种结合注意力机制的细胞核分割网络。该网络使用U型网络(UNet)作为基本结构,以深度可分离残差卷积(DSRC)模块作为特征编码,避免丢失细胞核边界信息;特征解码引入坐标注意力(CA)加强特征空间上远程距离,突出细胞核位置的关键信息;最后,设计语义信息融合(SIF)模块整合深浅层特征,改善分割效果。在2018数据科学碗(DSB2018)和三阴乳腺癌(TNBC)数据集上分别进行实验,所提方法的精确率在两个数据集上分别为92.01%、89.21%,灵敏度为90.09%、91.10%,平均交并比为89.01%、89.12%。实验结果表明,本文所提方法能有效分割细胞核细微区域,提升分割准确度,为临床诊断提供可靠依据。     

结合上下文和注意力机制改进的视盘分割模型

青光眼为多发性眼底疾病,是致盲的主要原因之一。眼底图像来源广,质量参差不齐,且视盘区域具有多尺度性特征,融合上下文信息有利于准确分割多尺度视盘边界。以U-Net为基础,结合上下文信息和卷积注意力模块（CBAM）,提出了一种改进的视盘分割模型,包括：（1）使用实例-批处理归一化（IBN）模块与注意力机制改进主干网络ResNet34,提升分割模型的泛化性和图像通道特征的提取能力;（2）提出一种多层次上下文信息提取（MCE）模块处理主干网络输出的特征,融合上下文信息增强分割模型对视盘边缘特征的提取能力;（3）使用Transformer机制替换U-Net中的跳跃连接和上采样,进一步提高视盘多尺度特征和图像通道特征的提取能力。将改进的分割模型与U-Net、U-Net++、DeeplabV3+、FCN和PSPNet分割模型进行视盘分割精度比较,结果表明提出的分割模型具有更好的分割效果,Dice、MIoU、MPA和FPS指标分别为98.18%、96.45%、98.11%和17.56 Img/s。该研究成果可为青光眼的早期诊断提供技术支撑。     

结合通道权重更新与密集残差金字塔空间注意力的皮肤病变分割方法

皮肤病变分割是计算机辅助诊断黑色素瘤的关键步骤。为了精确提取出皮肤病变区域,本研究基于U-Net提出一种新的皮肤病变分割方法。该方法引入通道权重更新模块和密集残差金字塔空间注意力模块,分别从通道和空间上提取有效信息,突出病变特征,抑制无关特征,从而提升网络对病变区域的分割精度;此外,构造了一种加权边界损失函数,通过对病变轮廓进行强监督,减少病变边缘特征的丢失。实验表明在ISIC 2018和PH2皮肤镜图像数据集中,该方法的Dice系数分别达到了91.3%、92.2%,相比U-Net提升了5.0%、4.3%。     

基于自注意力的双通路全脊柱 X 光图像分割模型

全脊柱X光图像（包含脊柱、骶骨及髂骨）分割是目前脊椎疾病智能诊断中首要关键的环节。针对U-Net语义分割算法在全脊柱X光图像多区域分割精度较差的问题,提出一种双通道语义分割算法DAU-Net,通过空间通道与语义通道分别学习空间信息特征与图像语义特征,并在解码器端对两类特征进行融合,获取脊柱X光图像中更精准的分割边界。在空间通道中,使用空洞卷积及残差模块扩大视野域并保留更多远端特征信息。此外,将自注意力机制引入语义通道,并设计不同的自注意力编码与自注意力解码模块构建全局关联信息,实现对多个目标骨骼区域语义分割。实验结果表明,DAU-Net能够有效提高脊柱X光图像上的分割精度,相比U-Net、ResU-Net、Attention U-Net、U-Net++,Dice系数分别提高4.00%、1.90%、4.60%、1.19%。     

基于U型稠密特征融合的皮肤病灶分割

皮肤病灶图像分割可作为医学相关类疾病辅助诊断的重要依据。针对皮肤病灶区域结构复杂和尺度信息参差错落的特点,提出一种基于U型稠密特征融合的皮肤病灶分割方法。编码器利用稠密网络结构和空洞空间金字塔池化充分提取特征与融合,由稠密空间注意力模块与深度可分离卷积解码深层特征,防止病灶区域周围噪声干扰,同时引入融合压缩注意力模块进一步提高分割性能,通过二值交叉熵与Jaccard系数结合的损失函数优化。在ISBI 2016皮肤病灶数据集进行仿真评估,Jaccard相似度和Dice系数分别达到86.87%和92.98%,有助于提高皮肤病灶诊断效率。     

融合Vnet和边缘特征的肺结节分割算法

目的:针对肺结节分割过程中存在边缘信息丢失、边界分割模糊问题,在Vnet基础上改进BSR-Vnet算法。方法:首先,利用边缘关键点选择算法和空洞卷积改进BFB边缘特征增强模块,集成进编码器中,用以保留更多边缘信息;其次,用空间-通道压缩激励模块sc-SE引入双注意力机制,代替Vnet的瓶颈结构,提取非局部上下文信息;最后,利用Vnet原有的残差结构,使用混合空洞卷积构造残差空洞模块RDB代替原本的解码器,用于扩大感受野,提取更多特征细节。结果:本文改进的BSR-Vnet应用在公共数据集LIDC-IDRI上,在Dice系数上达到了87.94%的结果。结论:与基础Vnet方法相比,该模型有效保留了更多的边缘结构和信息,提取了更多上下文信息,使肺结节分割结果更为精确。 【关键词】肺结节分割;Vnet网络;空洞卷积;注意力机制;边缘关键点选择算法     

基于注意力机制的生物医学文本分类模型

对生物医学文本进行准确分类，是促进医院信息化发展的一个重要途径。本研究提出一种基于注意力机制的双层次文本分类模型，用于对生物医学文本进行有效分类。该模型结合卷积神经网络与循环神经网络的优势，对用户输入的疾病文本进行特征提取。首先，在第一层次通过Bi-GRU通道与Bi-LSTM通道提取文本中的上下文关联信息，同时，为增强模型的特征提取能力，在该层次引入注意力机制。其次，将两个通道提取到的时序特征进行特征拼接，并将拼接后的结果传入第二层次，从而进一步提取文本的局部特征，最后利用分类器输出最终的分类结果。对生物医学文本进行分类性能评估，结果表明，与基线模型相比，该模型的分类准确率可达91.45%，具有显著的分类性能。     

多感受野的轻量化YOLOv4用于检测肺结核

肺结核疾病特征错综复杂,人工筛查成本较高,缺少规范的数据集。当前基于卷积神经网络的检测模型结构复杂、参数量大且检测精度有待进一步提高,为此提出一种改进的轻量化YOLOv4的肺结核检测模型。首先选取300例实际病例,制作一套规范的数据集,用于评估模型的性能;随后通过残差通道注意力模块改进MobileNetv3的结构,并作为YOLOv4的主干提取器,进一步减少参数量并融合上下文信息;然后在主干提取器的3个有效特征层后加入多感受野模块,有效增强低特征层的信息提取能力并降低对小型肺结核病灶的漏检率;最后,将以上改进的模块与YOLOv4的多尺度结构相结合,构建一种多感受野的轻量化YOLOv4的肺结核检测模型。与原始YOLOv4相比,该模型的参数量减少了约47%,平均精准度（mAP）值提升至96.60%,漏检率降低至6%,验证该模型能有效辅助影像科医师诊断肺结核。     

基于改进Unet与动态阈值可变FCMSPCNN的医学图像分割

针对深度学习的医学图像分割模型训练时间长和精度不精的问题,提出结合动态阈值可变FCMSPCNN的多尺度上下文编解码结构和注意力机制的CoA Unet(Context Attention Unet)分割方法。首先,使用动态阈值可变的FCMSPCNN预分割出目标矩形区域并使用掩码遮盖背景部分;然后,更深层卷积块加入快捷连接交叉融合不同层次的特征,并通过注意力门突出对目标特征的学习;最后,在编解码器最底层加入改进的多尺度上下文提取器可以更好地提取目标特征信息。模型分别在LiTs和DRIVE数据集上进行验证,肝脏分割指标Miou、Aver＿HD、Aver＿Dice分别为0.890 5、6.369 9、0.947 7,视网膜血管分割指标分别为0.589 2、9.255 9、0.740 9。实验表明,预处理能缩短4.3%～20.33%的训练时间并提升2%～6%分割精度,与其他5种分割方法相比,CoA Unet能取得更好的整体分割性能。     

双重降维通道注意力门控U-Net的胰腺CT分割

从腹部CT图像中分割并重建胰腺3D模型对于辅助疾病诊疗有重要意义。由于胰腺在图像中占比小且与周边组织难以区分等原因，现有方法准确性和稳定性不足。本研究提出一种双重降维和通道注意力门控U型网络，在编码路径中以双重降维模块加强浅层特征空间有效信息提取，在编解码连接中嵌入通道注意力门控模块从通道层级过滤冗余特征。在NIH发布的胰腺分割公开数据集上(包括82例CT图像)进行实验，采用集合相似度(DSC)、召回率(R)和精确率(P)验证分割性能，使用三维顶点距离误差(VDE)评估3D重建效果。DSC、R和P值分别达到82.35%±5.76%、81.07%±8.50%、84.04%±5.40%,VDE降低至1.27±0.90,优于U-Net和Attention-Unet等方法。结果表明，所提出方法能够提高胰腺CT图像分割性能，重建的3D模型能够更好反映个体胰腺实际情况。     

基于边缘监督的肝部超声图像包膜分割网络

肝纤维化、肝硬化的早期发现对临床治疗和预后评估具有重要意义。而肝包膜的形态和纹理特征是计算机辅助肝硬化诊断的重要依据。本文提出一种基于边缘监督的肝部超声图像包膜分割网络。该网络以常用的分割模型UNet为基础，引入空洞卷积，扩大感受野；同时，添加了边缘监督模块，从而将特征学习主要聚焦在图像梯度较大的部分；此外，还设计了混合加权损失函数，来缓解肝包膜部分与其他区域之间的极度不平衡情况。实验结果表明，本文提出的ES-UNet网络结构平均Dice系数相比原始UNet提高了0.171 5，平均交并比（MIoU）提高了0.021 5，其他指标也有较明显的提高，可见，本文算法的各个组件对模型分割性能的优化都有一定的贡献，改进后的模型可以实现肝包膜的精确分割。     

基于多监督注意力机制神经网络的脑胶质瘤循环肿瘤细胞分割算法

为了提升脑胶质瘤循环肿瘤细胞的分割准确率,解决人工分割中肉眼分辨边界困难、目标占比小和操作流程繁琐等问题,提出一种端到端的像素级分割算法。针对数据特征,提出一种基于多监督机制的混合损失函数用以提升预测区域与目标区域的交并比,同时训练网络向预测正确目标个数的方向收敛;其次,在网络中逐层加入卷积块注意力机制模块,使得网络能在空间、通道层面重点学习数据特征,进一步提升预测准确率;最后,通过采用混合训练的方式,只需一个网络模型就能直接分割出细胞核、细胞质区域,缩减训练流程。实验结果表明,此分割算法对比U-Net网络在召回率、精确率以及Dice系数方面均有显著提升,在细胞核分割方面,分别达到92.20%、86.56%、88.27%;在细胞质分割方面,分别达到89.33%、85.31%、86.33%。     

脑肿瘤分割算法研究

由于医学成像技术的复杂性和胶质瘤表面高度的异质性,对人脑神经胶质瘤的图像分割是医学影像分析中最具挑战性的任务之一。本研究对UNet++医学图像分割网络进行了改进,改进后的网络能够融合全尺度下的粗粒度语义和细粒度语义信息。在公开的BraTS脑肿瘤分割数据集中的335例图像上进行分割实验,采用2D与3D对比分割实验综合评价改进后网络的分割性能,将分割结果与UNet,UNet++,UNet3+医学图像分割网络的结果进行对比。在Dice相似度系数(DSC),95%Hausdorff表面距离(HSD95),Sensitivity,PPV等4个指标基础上,2D对比分割实现的指标均值分别为:83.70%,1.7,88.40%,84.96%;3D对比分割实验的指标均值为:90.79%,0.242,91.23%,91.06%。实验结果表明,改进的算法使神经胶质瘤的分割结果与金标准在区域上有更多的重叠,可以更好的完成脑胶质瘤的分割。在临床应用中,可望帮助神经外科医生高效地分离脑肿瘤与人脑周围组织,从而实现快速的计算机诊疗。     

基于空洞卷积神经网络的心律失常分类算法

本文提出了一种基于卷积网络的心电信号分类算法,设计了空洞卷积池化金字塔模块,通过不同尺寸的空洞卷积提取信息,再将各通道的信息聚合,在增强网络的特征提取能力的同时可以降低参数量。本文聚焦于窦性心律、房性早搏、心动过速以及心动过缓4种分类,使用的心电图数据集来自医院的实测数据,数据集包含75000名不同检测者的心电记录。经过测试,本文提出的模型在该数据集上取得了0.89的F1值,另外在CinC2017数据集上也达到了0.87的F1值。实验结果表明该分类算法具有优秀的特征提取和分类能力,在心电信号的实时分类中具备应用前景。     

基于深浅特征融合的深度卷积残差网络的脑电情绪识别模型

基于脑电信号的智能情绪识别系统具有便携性、高时间分辨率、实时性等特点,能够在健康、娱乐、教育等多个领域实现情绪监控与调节的应用。但由于脑电信号的非平稳性和个体差异性,传统分类器难以深入提取脑电信号中潜在的与情绪语义相关的特征。为了有效地提取脑电特征,提高脑电-情绪识别的准确性,提出一种新型的基于深浅特征融合的深度卷积残差网络情绪识别模型,主要包括浅层-深层特征提取两个模块和分类模块。首先,通过设计多层不同卷积核的卷积层,以实现浅层时-空特征提取;其次,将所提取的浅层时-空特征输入到双向GRU网络和注意力机制网络,进一步提取得到浅层-深层融合特征;最后,将浅层-深层融合特征输入到全连接层进行分类。使用DEAP数据集中76 800个脑电样本进行基于被试独立的留一交叉验证,在效价和唤醒度的维度上,跨个体、跨试次、跨时间的二分类准确率分别为96.95%和97.22%,比现有同类模型的最优识别性能分别提升3.53%和4.25%。另外,模型的性能也在MAHNOB-HCI和SEED数据集上得到验证。结果表明,提出的模型能有效地提取与情绪语义相关的脑电特征。