基于三维卷积神经网络的肺结节识别研究

针对传统计算机辅助检测系统中肺结节检测存在大量假阳性的问题,提出一种基于三维卷积神经网络的肺结节识别方法。首先,将传统二维卷积神经网络扩展为三维卷积神经网络,充分挖掘肺结节的三维特征,增强特征的表达能力;其次,将密集连接网络与SENet相结合,在加强特征传递和复用的同时,通过特征重标定自适应学习特征权重;另外,引入focal loss作为网络的分类损失函数,提高对难样本的学习。在LUNA16数据集上的实验结果表明:与当前的主流深度学习算法相比,所提网络模型在平均每组CT图像中假阳个数为1和4时的检出率达到了0.911和0.934,CPM得分为0.891,优于大部分主流算法。     

基于编码-解码卷积神经网络的遥感图像语义分割

农村地区遥感图像语义分割是进行城乡规划、植被以及农用地检测的基础。农村地区高分辨率遥感图像含有较为复杂的地物信息,对其进行语义分割难度较大。基于此,提出一种改进的对称编码-解码网络结构SegProNet,利用池化索引与卷积融合语义信息及图像特征,通过1×1卷积构建Bottleneck层进一步提取细节、减少参数量,逐步加深过滤器深度以构建端到端的语义分割网络,改进激活函数进一步提升网络性能。实验结果表明,在CCF卫星数据集上,所提方法及经典语义分割网络U-Net、SegNet的准确率分别为98.4%,80.3%,98.1%,所提方法较其他方法更优。     

基于深度学习的无人车夜视图像语义分割

为了增强无人车对夜视图像的场景理解,在夜间模式下更快更精确地探测和识别周围环境,将深度学习应用于夜视图像的场景语义分割,提出了一种基于卷积-反卷积神经网络的无人车夜视图像语义分割方法。在传统的卷积神经网络中加入反卷积网络,构建卷积-反卷积神经网络,无需手工选取特征。通过像素到像素的学习和训练,得到图像语义分割模型,可直接用该模型预测夜视图像中每个像素所属的场景语义类别,实现无人车夜间行驶时的环境感知。实验结果表明,该方法具有较好的准确性和实时性,平均IU达到68.47。     

面向病理图像分割的边缘感知网络

提出了一种针对病理切片图像的端到端语义分割方法--边缘感知网络（BPNet）,以提高病理图像分割精度。BPNet网络首先在解码器阶段增加边缘感知模块,改善网络对于病理图像边缘的特征信息提取能力。然后,采用自适应通道注意力模块弥补不同层次特征间的语义差距,进一步加强网络的特征聚合能力。在此基础上,设计了一种基于结构和边缘的联合损失函数,以实现最佳的病理图像分割结果。在GlaS和MoNuSeg两个公开病理数据集上的分割实验结果表明,所提方法的Dice系数得分在两个数据集上分别达到92.21%和81.18%,有效提升了病理图像的分割精度。     

基于U-Net的盐体识别方法

卷积神经网络在计算机视觉领域取得重大突破，利用其强大的图像处理能力，将地下沉积盐体的识别问题转化为图像语义分割问题，应用深度卷积神经网络实现盐体地震图像的像素级语义分割.本文在U-Net基础上，增加网络深度并同时引入批归一化和Dropout处理，使得神经网络模型具有更高的可信度和更强的泛化能力.通过实验发现，在卷积层之后引入批归一化处理，并在池化层和叠加层之后引入Dropout可以稳定提升模型对盐体图像的分割性能.     

基于多层感知机和多尺度特征提取的肝脏分割网络

肝脏精准分割对于肝癌的定位与治疗至关重要,针对肝脏形状尺寸不一以及边缘和病灶区域分割难度较大等问题,提出了一个基于多层感知机和多尺度特征提取的肝脏分割网络(M2U-Net)。该网络分为卷积阶段和多层感知机阶段。在卷积阶段的编码器部分加入挤压激励模块,突出特定的肝脏分割任务,抑制无关背景区域;在多层感知机阶段加入标记化多层感知机模块,减小模型复杂度。过渡层增加了多尺度特征提取模块,适应不同尺度肝脏的分割以及细节区域的分割;在LiTS数据集和东方肝胆医院提供的数据集上的实验结果表明,此分割网络在三个评价指标上结果均优于U-Net、U-Net++和CE-Net等分割网络。     

类别非均衡遥感图像语义分割的全卷积网络方法

基于U-Net模型,提出了一个全卷积网络(FCN)模型,用于高分辨率遥感图像语义分割,其中数据预处理采用了数据标准化和数据增强,模型训练过程采用Adam优化器,模型性能评估采用平均Jaccard指数。为提高小类预测的准确率,模型中采用了加权交叉熵损失函数和自适应阈值方法。在DSTL数据集上进行了实验,结果表明所提方法将预测结果的平均Jaccard指数从0.611提升到0.636,可实现对高分辨率遥感图像端到端的精确分类。     

自适应尺度信息的U型视网膜血管分割算法

针对视网膜血管形态结构和尺度信息复杂多变的特点,提出一种自适应血管形态结构和尺度信息的U型视网膜血管分割算法。首先采用二维K-L(Karhunen-Loeve)变换(即霍特林变换)综合分析彩色图像三通道的频带信息,从而得到视网膜灰度图像以及多尺度形态学滤波增强血管与背景的对比度信息。然后将预处理图像经U型分割模型对图像进行端对端训练,并利用局部信息熵采样进行数据增强。该网络编码部分的密集可变形卷积结构根据上下特征层信息有效地捕捉图像中多种尺度信息和形状结构,底部金字塔型的多尺度空洞卷积扩大局部感受野,同时解码阶段带有Attention机制的反卷积网络将底层与高层特征映射有效结合,解决权重分散和图像纹理损失的问题。最后通过SoftMax激活函数得到最终的分割结果。在DRIVE(Digital Retinal Images for Vessel Extraction)与STARE(Structured Analysis of the Retina)数据集上对该算法进行了仿真,准确率分别达到97.48%与96.83%,特异性分别达到98.83%与97.75%,总体性能优于现有算法。     

基于深度特征融合的癌症病理图像分割网络

卷积神经网络在癌症病理图像分割中具有突出表现,但在临床应用上依然面临着切片染色多样、分辨率差异大等挑战.针对上述问题,提出了一种病灶分割网络HU-Net,提高了癌症病理图像的分割精度.HU-Net使用U-Net网络作为基本结构,利用经过预训练的EfficientNet-B4作为网络特征编码器,解码器部分在U-Net网络...     

基于密集卷积和域自适应的高光谱图像分类

针对常规的高光谱图像分类算法不能很好地解决不同图像中的频谱偏移的问题,提出了一种基于密集卷积和域自适应的高光谱图像分类算法,首先在源域中使用密集卷积进行深度特征学习,然后应用域自适应技术转移到目标域。目前的域自适应高光谱图像分类框架中常用卷积神经网络进行特征学习,但是当深度增加时会出现因梯度消失而导致分类精度下降的情况,因此本文通过引入密集卷积进行深度特征学习,提高域自适应高光谱图像分类的精度。在Indiana高光谱数据集和Pavia高光谱数据集上验证所提算法的有效性,整体分类精度分别为61.06%和89.63%,与其他域自适应高光谱图像分类方法对比,所提方法具有更好的分类精度。     

基于Dense-UNet++的关节滑膜磁共振图像分割

为解决以往基于深度学习的滑膜磁共振图像分割模型存在的分割精度较低、鲁棒性较差、训练耗时等问题,本文提出了一种基于Dense-UNet++网络的新模型,将DenseNet模块插入UNet++网络中,并使用Swish激活函数进行训练.利用1 036张滑膜磁共振图像数据增广后的14 512张滑膜图像对模型进行训练,并利用68张图像进行测试.结果显示,模型的平均DSC系数为0.819 9,交叉联合度量（IOU）为0.927 9.相较于UNet、ResUNet和VGG-UNet++网络结构,DSC系数和IOU均有提升,DSC振荡系数降低.另外在应用于相同滑膜图像数据集和使用相同的网络结构时,Swish函数相比ReLu函数有助于提升分割精度.实验结果表明,本文提出的算法对于滑膜磁共振图像的病灶区域的分割有较好的效果,能够辅助医生对病情做出判断.     

基于改进U-Net的量子点STM图像分割

为提升量子点图像分割精度,降低特征识别误差,提出一种基于改进U-Net的量子点图像分割方法.首先,在预处理阶段,设计了以色彩通道为权值的灰度化算法,以提升后续分割效果.其次,在STM图像分割部分,在原始U-Net结构上引入中间过渡层以均衡网络各层特征.而后,建立数据集,并通过实验对比不同分割算法的精确度、召回率、F-measure.最后,将分割算法应用于量子点的特征识别,并测试了不同分割方式对应用的影响.实验结果显示,改进灰度化方法保留细节信息丰富,明显提升了量子点分割精度;改进U-Net的平均精确率、召回率、F-measure相较原始网络分别提升了13.83%、2.16%、8.13%.同时,实验数据表明由于分割精度的提升,量子点数量、纵横比等特征参数的识别更加精确.     

基于图的加权核K均值的图像多尺度分割

提出改进的最小割(IMC)模型以避免分割出小的孤立点集,研究了改进的最小割模型与加权核K均值之间的等价关系,列举了几种常见的用于建立图割模型边权值的相似度函数,并分析了其对分割结果的影响.在此基础上.设计了一个摹于图的加权核K均值图像多尺度分割方法,该方法既避免了基于图割的图像分割中图谱的求解问题,又避免了加权核K均值方法中核矩阵的选取问题,同时实现了对图像多尺度的分割.通过对该方法进行抗噪性能的分析,以及在光学图像上对实验结果进行比较,验证了所提出方法的有效性.     

利用对称区域生长算法实现三维ICT图像的快速分割

图像分割作为一种基础的分析手段在工业计算机断层(Industrial Computed Tomography,ICT)检侧中有着广泛的应用.随着CT扫描方式从二维断层扫描向三维立体扫描的发展,对于CT图像的分析也由二维图像处理发展为三维序列图像处理,所以传统的图像分割手段已经不能很好地适应这种需求了.以目前在计算机视觉...     

基于改进LVQ算法的肺结节识别与分类

目前,肺癌的是发病率最高的肿瘤,若能在早期发现癌变并进行相应治疗,将极大的提高患者的生存率。肺癌的症状在早期表现为肺结节。以提高肺结节检测识别率并进行良恶性分类为目的,提出了一种改进的LVQ分类器算法。首先使用C-V算法对原始图像进行肺实质分割,再使用最优阈值法进行感兴趣区域提取,并进行特征提取和特征归一化。使用多次聚类算法检测肺结节。使用基于改进的LVQ分类器进行肺结节的良恶性进行分类。利用改进后的LVQ分类器在LIDC数据集上进行实验,得到了对良性结节的确诊率为87.3%,对恶性结节的确诊率为80.8%。实验结果表明,改进后的算法在良恶性结节分类上具有较高的确诊率,有助于提高医生的工作效率,实现肺结节的辅助发现。     

基于密集多尺度U-net网络的电影心脏磁共振图像右心室自动分割

右心室分割对心脏功能评估具有重要意义.然而，右心室结构复杂，传统分割方法效果欠佳.本文提出一种密集多尺度U-net（DMU-net）网络用于分割右心室，首先对56例数据进行归一化、增强及感兴趣区域提取的预处理；然后结合多尺度融合和嵌套密集连接结构搭建网络；最后利用预处理后的数据对DMU-net网络进行训练和验证，并对15例仅提取感兴趣区域的数据进行测试.本文方法与手动分割的Dice系数和豪斯多夫距离平均值分别为0.862和4.44 mm，优于文献中其它分割效果较好的方法；舒张末期容积、收缩末期容积、射血分数及每搏输出量的相关系数为0.992、0.960、0.987和0.982.结果表明，使用本文方法的分割结果与手动分割结果重合度高、差异性小，有望为心脏疾病诊断提供参考.     

基于UNet深度学习算法的东海大型漂浮藻类遥感监测

基于语义分割神经网络UNet,利用GOCI(Geostationary Ocean Color Imager)卫星传感器数据,构建出能够有效提取大型漂浮藻类的深度学习模型,实现了对大型漂浮藻类信息端到端、像素到像素的分割识别。验证结果表明:所提出的深度学习模型对验证集中大型漂浮藻类的平均识别精度达到88.54%;通过与传统的归一化植被指数法和替代型漂浮藻类指数法进行对比,发现基于UNet构建的大型漂浮藻类监测模型具有更高的准确率且受云的影响较小。利用UNet大型漂浮藻类提取模型的识别结果对2017年东海藻类暴发过程进行了分析,模型显示出很好的实用性。     

A Generative Adversarial Network for Infrared and Visible Image Fusion Based on Semantic Segmentation

This paper proposes a new generative adversarial network for infrared and visible image fusion based on semantic segmentation (SSGAN), which can consider not only the low-level features of infrared and visible images, but also the high-level semantic information. Source images can be divided into foregrounds and backgrounds by semantic masks. The generator with a dual-encoder-single-decoder framework is used to extract the feature of foregrounds and backgrounds by different encoder paths. Moreover, the discriminator’s input image is designed based on semantic segmentation, which is obtained by combining the foregrounds of the infrared images with the backgrounds of the visible images. Consequently, the prominence of thermal targets in the infrared images and texture details in the visible images can be preserved in the fused images simultaneously. Qualitative and quantitative experiments on publicly available datasets demonstrate that the proposed approach can significantly outperform the state-of-the-art methods.     

Color balloon snakes for face segmentation

In this paper, a new color balloon snake model is introduced and used for face segmentation in color images. It is an extension of existing balloon snake models. Based on a coarse detection of facial features, the method combines a skin-tone distribution model and a boundary diffusion model to search for the facial boundary. The skin distribution is a single Gaussian, which is proposed to extract the skin-tone region in the RGB space. The diffusion model, which is invented to diffuse the facial boundary, is a one-dimensional Gauss revolution surface. The parameters are evaluated based on an AdaBoost face detection method. The color snakes are weighted by the distributions, and the external forces evolve dynamically to reach the boundary, which depends on the balance between the internal and external forces. Experiments were conducted, and the results show that the model provides desired segmentation outcomes. It is robust against complex backgrounds and lighting pollution.