基于监督下降方法的左心室超声图像分割

针对基于表观模型的图像分割算法在特征点迭代定位过程中计算量过大、对非线性局部特征的优化较为困难等问题,采用一种基于监督学习的梯度下降算法,建立4层多分辨率金字塔模型,并使用一种基于巴氏系数的特征提取函数（B-SIFT）替代原方法中的尺度不变特征变换（SIFT）特征,对左心室心内膜及心外膜进行特征点定位。首先对训练集进行归一化处理,统一经食道超声心动图像（TEE）的尺度;然后建立基于多分辨率金字塔和B-SIFT特征的监督下降模型,得到特征点趋近于真实值的梯度下降方向序列;最后将得到的方向序列作用于测试集中,得到最终的左心室分割结果。将该方法与传统监督下降方法进行对比,其得到的分割平均误差相比传统监督下降方法降低了47%,迭代得到的最终值相对单一尺度的梯度下降算法更加逼近真实值。     

基于DeepLabv3+的轻量级电力线语义分割方法

针对电力巡检中传统视觉电力线识别精度不高,现有基于深度学习的电力线分割速度慢的问题,提出一种基于DeepLabv3+的轻量级电力线语义分割方法。首先使用Mobilenetv2替换原始主干网络Xception,并对ASPP模块进行先降维后升维的操作,在不降低模型感受野和分割精度的情况了减少了模型的参数量。使用Focal Loss和Dice Loss组合的损失函数加强了模型对电力线的分割效果,最后采用多尺度特征融合和注意力机制进一步减少了分割结果中的图像噪点。改进的DeepLabv3+相较于原网络分割速度提升了108.65%,mIoU和mPA分别提升了1.58%和2.09%。     

基于卷积神经网络的超声图像左心室分割方法

超声图像左心室的分割在临床上对医生的作用巨大。由于超声图像含有大量噪声，轮廓特征不明显，目前的卷积神经网络（CNN）方法对左心室分割容易得到不必要的区域，并且分割目标不完整。为了解决上述问题，在全卷积神经网络（FCN）基础上加入了关键点定位和求取图像凸包方法对分割结果进行优化。首先采用FCN获取初步的分割结果；然后为了去除分割结果中的错误区域，提出一种CNN定位左心室三个关键点的位置，通过关键点筛选掉分割结果中不必要的区域；最后为保证剩余区域能够组合成一个完整的心室，利用求取图像凸包算法将所有有效区域进行合并。实验结果表明，在超声图像左心室分割效果上，所提方法能够在普通FCN的基础上获得很大的提升，在交并比评价标准下，该方法获取的左心室结果能够比传统CNN方法提升近15%。     

基于DeepLabv3+的遥感建筑物语义分割算法

针对遥感图像语义分割中的小目标分割不全、边界精度不高,以及模型参数量大、实时性达不到需求等问题,通过改进DeepLabv3+网络来满足遥感语义分割任务中对精度和实时性的要求.该算法首先将高分辨率的遥感图像裁剪为统一尺寸的低分辨率图像,便于针对小目标物的分割和批量训练.其次,使用轻量级网络MobileNet作为特征提取基干网络并在编码阶段后引入通道间注意力模块,在保证不损失分割性能的前提下,极大地减少了模型的参数量,使模型搭载在移动端和嵌入式设备上成为可能.最后,为了解决正负样本不均衡对模型性能产生的影响,将Focal loss和Dice loss合并起来充当损失函数进行网络训练.最终在马萨诸塞州建筑数据集上,相较于引入双注意力机制的DeepLabv3+网络,其分割像素精度(PA)和交并比(IoU)分别仅损失0.6和1.1个百分点,但模型大小仅为20.1 MB,为双注意力DeepLabv3+模型的1/7左右,在中央处理器(CPU)单张分割耗时上仅为399 ms,分割效率为其两倍多.该算法在充分保证分割精度的同时,能尽可能地提升模型的便携性和实时性.     

基于MRI图像的左心室分割方法研究现状与发展

心脏的磁共振图像（Magnetic Resonance Imaging，MRI）对比度强、分辨率高、能够准确描述心脏的解剖功能，因此被认为是准确评估心脏挤压能力的金标准。在心脏的核磁共振图像上准确分割出左心室是准确评估左心室功能的前提。阐述了磁共振图像左心室分割的基本特点和难点，针对现阶段具有代表性的4种MRI左心室分割算法的基本原理、分割效果及时间效率等特点进行了归纳与总结。总结分析了MRI左心室分割领域面临的一些问题和发展方向。     

左心室超声图像分割及特征分析

针对M型左心室的剖面超声图像进行研究。采用基于区域灰度扩展的CV水平集方法,通过限制能量扩展的方向,去除了相关的干扰,有效地提取了左心室的内外膜。在准确地提取了心肌边界后,对左心室的相关特征进行了纹理变化分析。结果表明,心肌运动的过程中收缩期和舒张期的共生矩阵各特性参数、分形维等均有定量的差别,可将相关的纹理参数用于正常心肌与病变心肌的定量分析上,方便医生进行准确的病理判断。     

深层聚合残差密集网络的超声图像左心室分割

目的 超声图像是临床医学中应用最广泛的医学图像之一,但左心室超声图像一般具有强噪声、弱边缘和组织结构复杂等问题,其图像分割难度较大。临床上需要一种效率高、质量好的超声图像左心室分割算法。本文提出一种基于深层聚合残差密集网络（deep layer aggregation for residual dense network,DLA-RDNet）的超声图像左心室分割算法。方法 对获取的超声图像进行形态学操作,定位目标区域,得到目标图像。构建残差密集网络（residual dense network,RDNet）用于提取图像特征,并将RDNet得到的层次信息通过深层聚合（deep layer aggregation,DLA）的方式紧密融合到一起,得到分割网络DLA-RDNet,用于实现对超声图像左心室的精确分割。通过深监督（deep supervision,DS）方式为网络剪枝,简化网络结构,提升网络运行速度。结果 数据测试集的实验结果表明,所提算法平均准确率为95.68%,平均交并比为97.13%,平均相似性系数为97.15%,平均垂直距离为0.31 mm,分割轮廓合格率为99.32%。与6种分割算法相比,所提算法的分割精度更高。在测试阶段,每幅图像仅需不到1 s的时间即可完成分割,远远超出了专业医生的分割速度。结论 提出了一种深层聚合残差密集神经网络对超声图像左心室进行分割,通过主、客观对比实验表明本文算法的有效性,能够较对比方法更实时准确地对超声图像左心室进行分割,符合临床医学中超声图像左心室分割的需求。     

改进DeepLabv3+和XGBoost的羊骨架切割方法

为实现羊骨架自动切割,提出一种基于DeepLabv3+和XGBoost的羊骨架切割方法。该方法通过研究DeepLabV3+网络架构,基于ResNet-101搭建了4种基础网络,通过调整空洞卷积的扩张率和引入可形变卷积核的方法设计改进了2种ASPP结构。共搭建8种羊骨架特征部位分割网络,按照6∶2∶2的比例划分数据集。与DeepLabv3+进行对比实验,优化后DeepLabv3+的mIoU、PA和F值分别为0.849、0.870和0.879,能够较好地实现羊骨架特征部位分割。基于分割结果对羊骨架特征部位进行特征提取,共获得35组形位特征参数,对特征集进行归一化等预处理操作。基于XGBoost搭建羊骨架切割位置预测模型,模型均方根误差MSE为8.18,拟合度R2为0.949,坐标残差绝对平均值为2.47像素点,模型具有较强的预测能力和泛化能力。基于机器人平台进行切割实验,采用3组样本进行对比实验,羊骨架切割精度为3.25?mm,理论效率为413只/h,约提升37.9%,结果表明该方法有效可行且具备较高精度。     

改进DeepLabv3+网络的图书书脊分割算法

图书定位是实现图书馆智能化发展的重要技术之一,精确的书脊分割算法成为实现该目标的一大难题。基于以上情况,提出改进DeepLabv3+网络的图书书脊分割算法,以解决图书密集排列、图书存在倾斜角度和书脊纹理极相似等情况下的书脊分割难点。首先,为了提取图书图像更密集的金字塔特征,将原始DeepLabv3+网络中的空洞金字塔池化（ASPP）替换为多空洞率、多尺度的DenseASPP (Dense Atrous Spatial Pyramid Pooling)模块;其次,针对原始DeepLabv3+网络对大长宽比的目标对象分割边界不敏感的问题,在DenseASPP模块的支路加入条形池化（SP）模块以增强书脊的长条形特征;最后,参考ViT (Vision Transformer)中的多头自注意（MHSA）机制,提出一种全局信息增强的自注意模块,以增强网络获取长距离特征的能力。将所提算法在开源数据库上进行对比测试,实验结果表明,与原始DeepLabv3+网络分割算法相比,所提算法在近竖直书脊数据库上的平均交并比（MIoU）提升了1.8个百分点;在倾斜书脊数据库上的MIoU提升了4.1个百分点,达到了...     

基于空间分频的超声图像分割注意力网络

针对医学超声影像噪点多、边界模糊,器官轮廓很难界定的问题,提出了一种基于空间分频的超声图像分割注意力网络（SFDA-Net）。首先,借助Octave卷积在整个网络中对图像实现了高、低频并行处理,从而获得更加多元的信息。然后,加入卷积块注意模块（CBAM）,使图像特征恢复时更加关注有效信息,以减小分割目标整体区域的缺失。最后,使用Focal Tversky Loss作为目标函数,从而降低简单样本的权重并加强对困难样本的关注,以及降低各个类别间因像素误判而引入的误差。通过多组对比实验可知,SFDA-Net的参数量低于原UNet++,而分割精度提高了6.2个百分点,Dice得分提高了8.76个百分点,类别平均像素准确率（mPA）提升至84.09%,平均交并比（mIoU）提升至75.79%。SFDA-Net在降低参数量的同时稳步提高了网络性能,实现了更为准确的超声心动图分割。     

多阶U-Net甲状腺超声图像自动分割方法

甲状腺超声图像广泛应用于甲状腺相关疾病的诊断。针对甲状腺超声图像对比度低、边缘模糊以及散斑噪声严重等问题,提出一种基于多阶U-Net的深度卷积网络模型,用于实现甲状腺腺体与甲状腺结节的自动分割。该模型以U-Net为基本网络框架,通过不断进阶的特征融合,以实现图像边缘的信息提取。同时,在模型中使用了一种多尺度残差卷积模块以进一步提升分割精度。对比实验结果表明,该模型相较于其他方法能够获得更好的分割结果,具有一定的临床应用价值。     

基于DeepLabv3的随机褶皱防伪图案识别研究

针对现有防伪技术可靠性较低、容易被仿制、防伪成本高昂等问题,基于DeepLabv3,提出一种由热膨胀系数失配产生压缩应力形成随机褶皱防伪标识图.案的识别方法.具体采用深度卷积网络分类算法中DeepLabv3进行分类识别,通过优化全连接层并设置不同的神经元节点,提高识别网络的分类准确率,缩减训练时间,训练准确率达96.5...     

基于随机游走的医学超声图像分割

医学超声图像不可避免地存在斑点噪声、弱边界等问题,很难达到满意的分割效果。随机游走算法对噪声具有鲁棒性,对弱边界有良好的提取能力。将此算法应用于医学超声图像分割,通过融合区域信息与用户指定的种子点信息,借助于电路模拟以及组合Dirichlet问题,可以得到每个非种子点到标记了目标点或者背景点的概率,并对其赋予概率中最大的种子点所对应的标记,从而实现图像的分割。实验结果表明,该方法对医学超声图像的分割是有效的。此算法通过求解稀疏的、对称的、正定的线性方程的系统来获得Dirichlet问题的解,使计算速度大为提高。     

基于阈值分割的脂肪肝超声图像分类方法

研究了一种基于阈值分割的脂肪肝超声图像分类方法。该方法在最小化假阴性错误率的基础上尽量减小假阳性错误,获得服从正态分布的正常肝和脂肪肝图像灰度的置信区间。利用各自的区间阈值对超声图像进行分割,通过比较两幅分割图像进行分类。实验验证表明,不论是测试数据还是训练数据,该方法对正常肝正确识别率均为100%,对脂肪肝正确识别率均为96.3%。与BP神经网络方法比较表明,该方法在分类准确性上与神经网络方法相当,但比BP网络方法花费了更少的时间。     

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.     

针对弱边缘信息的左心室图像分割算法

基于距离正则水平集模型（DRLSE）的左心室MR图像分割算法对梯度信息有很强的依赖性,在图像弱边缘区域容易陷入局部最优,且对初始轮廓的选取敏感。为降低算法对初始轮廓的敏感程度,提高其在左心室图像弱边缘的分割能力,提出一种适用于弱边缘信息的左心室分割算法。在DRLSE的基础上,该分割算法提出运用拟合方法计算基于变异系数分割模型（PSM）的新局部项,算法依靠梯度与图像局部信息驱动曲线演化,降低了DRLSE对初始轮廓的敏感度;引入形状约束力,克服DRLSE算法在左心室外膜弱边界处出现边界泄露的情况。为验证所提算法分割的准确性,基于多伦多市患病儿童医院影像科提供的数据库,利用DRLSE、保持凸性水平集模型（CPLSE）模型、U-Net网络以及提出的内膜算法对心内膜进行分割;利用DRLSE、引入外膜形状约束力的DRLSE模型（DRLSE-shape）、U-Net网络以及提出的外膜算法对心外膜进行分割。实验结果表明,针对左心室内、外膜,所提算法优于上述算法,能降低DRLSE对初始轮廓的敏感程度,提升对左心室弱边界MR图像分割的精确度。     

基于纹理相似栈的超声图像分割方法

超声图像高噪声、低对比度的特点使其含噪图像的纹理信息较难提取。为此,提出一种基于自适应相似栈的聚类分割方法。对超声图像进行自适应去噪获得估计图像,结合超声图像和估计图像建立基于非局部搜索的相似栈列,应用相似栈列对超声图像纹理特征值进行修正,并使用K-means聚类将超声图像划分为互不重叠的区域。实验结果表明,该方法分割结果与人工分割结果的重合度达到93. 28%,在差异较大的样本下重合度标准差为2. 07%,从而验证其可对超声图像实现稳定有效的分割。     

基于模糊数模型的医学超声图像分割方法

针对基于模糊推理的医学超声图像分割方法存在算法复杂度高及灵活性较差等问题,提出了一种基于模糊数模型的医学超声图像分割方法。用局部直方图间相似性匹配和自适应平滑方法对输入图像进行预处理得到相似图像和平滑图像,通过一种基于模糊数模型的模糊控制方法处理生成的相似图像和平滑图像,实现医学超声图像的分割。实验结果表明,该方法简化了处理过程,降低了算法复杂度,对医学超声图像能够进行有效分割。