基于改进卷积神经网络的视网膜血管图像分割

彩色眼底图像视网膜血管分割对于临床医学诊断有重要价值。提出了一种基于改进卷积神经网络的视网膜血管分割方法。首先,将残差学习和密集连接网络(DenseNet)相结合,更充分地利用每一层的特征;通过增加短连接的方式,缩短了低层特征图到高层特征图之间的路径,强化了特征的传播能力。其次,为了提取更多细小血管,在编码器-解码器结构的网络中加入了空洞卷积,在不增加参数的情况下增加感受野。实验结果表明,与现存其他深度学习方法相比,所提出网络结构的参数数量更少,在DRIVE标准数据集上平均准确率达到0.9556,灵敏度达到0.8036,特异性达到0.9778,受试者工作特性(ROC)曲线下的面积(AUC)达到0.9800,比现存其他深度学习方法的分割效果更优。     

基于双流网络的视网膜血管分割方法

对视网膜血管形态特征的分析有助于视网膜相关疾病的诊断。为了能够更准确地分割出视网膜血管,提出一种基于双流网络的分割视网膜血管的方法。首先用具有编码器-解码器结构的卷积神经网络分别对整个血管和细血管进行分割;再将所得到的两个预测图进行融合,对融合后的图像去除伪影和噪声,得到最终的血管分割图。由于单独对细血管进行了分割,因此所提方法可以更有效地分割出一些难以识别的视网膜血管边缘和低对比度区域的细血管像素。实验结果表明,所提方法在DRIVE、STARE和CHASE_DB1三个数据库上的灵敏度分别达到0.8062、0.8308和0.8135,在性能上比其他方法更优。     

基于自适应补偿网络的视网膜血管分割

基于眼底图像的视网膜血管精确分割对眼科疾病诊断意义重大。但视网膜血管结构高度复杂,多尺度及前、背景比例失衡,自动分割困难。因此,本文提出自适应补偿网络（SACom）实现端到端的视网膜血管精确分割。SACom以U型网络为基本框架,首先在编码器端引入可变形卷积提高复杂血管结构信息学习能力;然后在U型网络底部设计自适应多尺度对齐上下文模块提取并聚合多尺度上下文信息,对齐上下文特征;最后在解码器端设计协同补偿分支,融合多级输出提升模型的映射能力,实现精细分割。实验结果表明,SACom可有效提高视网膜血管的分割精度,在DRIVE、CHASE＿DB1和STARE三个公共数据集上的准确率分别达到0.9695、0.9763和0.9753,灵敏度分别达到0.8403、0.8748和0.8506,曲线下面积（AUC）分别达到0.9880、0.9917和0.9919。     

基于机器学习对眼底图像视网膜血管分割方法

眼底图像血管分割对于分析糖尿病视网膜病变具有重要意义。本文分析了U-net[1]的网络结构,搭建了U-net网络模型,实现了基于卷积神经网络的眼底图像血管分割。在DRIVE数据库上的实验结果表明,DRIVE眼底图像数据库细小血管多而杂,依靠人眼分割极其困难,但U-net在对眼底图像血管分割上的特异性、灵敏度、准确率、处理速度等方面明显优于传统的眼底图像血管分割方法。     

基于改进的GAC模型图像分割算法

针对图像分割中经典GAC模型无法准确分割拓扑结构变化的凹陷目标、容易穿越深度凹陷的弱边缘轮廓和无法准确分割含噪声目标的问题,通过利用图像灰色关联度、类间方差和经典GAC模型构造新能量函数,提出了一种改进的GAC模型,该模型可增强经典GAC模型的边界检测能力,减少分割时间。仿真实验验证了改进的GAC模型的正确性和有效性。     

基于全卷积神经网络的多尺度视网膜血管分割

提出了一种基于多尺度特征融合的全卷积神经网络的视网膜血管分割方法,无需手工设计特征和后处理过程。利用跳跃连接构建编码器-解码器结构全卷积神经网络,将高层语义信息和低层特征信息进行融合;利用残差块进一步学习细节和纹理特征;利用不同空洞率的空洞卷积构建多尺度空间金字塔池化结构,进一步扩大感受野,充分结合图像上下文信息;采用类别平衡损失函数解决正负样本不均衡问题。实验结果表明,在DRIVE(Digital Retinal Images for Vessel Extraction)和STARE (Structured Analysis of the Retina)数据集上的准确率分别为95.46%和96.84%,敏感性分别为80.53%和82.99%,特异性分别为97.67%和97.94%,受试者工作特征(ROC)曲线下的面积分别为97.71%和98.17%。所提方法相较于其他方法性能更优。     

基于多尺度小波变换融合的视网膜血管分割

针对眼底视网膜血管细小、轮廓模糊导致血管分割精度低的问题,提出一种多尺度框架下采用小波变换融合血管轮廓特征和细节特征的视网膜血管分割方法。通过预处理增强血管与背景的对比度,在多尺度框架下提取血管轮廓特征和细节特征,并进行图像后处理;采用小波变换融合两幅特征图像,通过计算各尺度对应像素的最大值,得到血管检测图像,最后采用Otsu法进行分割。通过在DRIVE数据集上进行测试实验,得到平均准确率、灵敏度和特异度分别为0.9582,0.7086,0.9806。所提方法能够在准确分割血管轮廓的同时保留较多细小血管分支,准确率较高。     

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.     

基于改进迭代阈值的白细胞图像分割方法

人体外周血五类白细胞数量和所占比例反映了人体的健康状态,人工检查白细胞消耗医务人员的大量精力,如何用智能方法快速、准确进行白细胞智能分类是一个亟待解决的问题,其中白细胞分割的准确性是正确分类的关键。提出了一种改进的迭代阈值图像分割算法,对恢复有丝分裂连线的最小距离方法进行了基于数学和数模分析的预处理改良,提升了白细胞图像分割的精度和效率,解决了血小板粘连、白细胞边界不分明等问题。将白细胞从复杂的血液环境中分离出来,对有丝分裂细胞的多叶核进行最小距离判定并连线,然后定位到每个白细胞,制作数据集,最后用CNN分类。经测试,分割正确率达到了96%以上。实验结果验证了所提分割方法的准确性、高效性和实用性。     

基于超像素仿射传播聚类的视网膜血管分割

提出一种基于超像素仿射传播聚类的视网膜血管分割方法。首先对预处理后的图像提取Hessian最大本征值、Gabor小波、B-COSFIRE滤波特征,构建3维眼底图像像素特征;同时对眼底图像进行超像素分块,并采用一致性准则对所分的超像素块进行筛选,得到超像素候选块;把超像素候选块当作样本点,把候选块内的像素特征的统计平均值当作特征向量,在特征空间中进行仿射传播聚类得出血管类和背景类两个聚类中心;根据血管类和背景类两个聚类中心,采用最近邻方法对眼底像素进行分类,实现对视网膜血管的分割。实验表明:在DRIVE和STARE眼底图像数据库上,本文算法的平均准确率分别为94.63%和94.30%;相较于K-means、模糊C均值(FCM)和其他聚类方法,本方法对血管的识别度高,所分割的视网膜血管有较好的连续性和完整性。     

基于改进DRLSE模型的前列腺磁共振图像分割

在图像引导下的前列腺磁共振图像分割的介入诊断与治疗具有重要意义.本文对距离正则化水平集演化（DRLSE）方法进行了改进并用于前列腺磁共振图像分割.前列腺磁共振图像中靠近膀胱一侧边界较为模糊,靠近尿道一侧及左右两侧边界较为清晰,仅用传统的梯度信息指示函数无法达到理想分割结果.本研究分别采用两个指示函数控制边界清晰段及模糊段的演化,以达到准确分割的目的.此外,还在外部能量函数中增加了能量牵制项,避免演化在虚假边界停止,驱使水平集向灰度波动较大的区域移动,并能在模糊边界停止演化.实验表明利用本方法进行前列腺磁共振图像分割的效果较好;Dice相似性系数（DSC）均值达到96%,接近专家手动分割结果.     

一种改进的三维双路径脑肿瘤图像分割网络

近几年,深度学习在生物医学图像处理中的应用得到了广泛关注.从深度学习的基本理论和医学领域应用出发,提出了一种改进的三维双路径脑肿瘤图像分割网络,用于提高核磁共振成像序列中对脑肿瘤各个区域的检测精度.所提算法以3D-UNet为基础架构,首先,使用改进的双路径网络单元构成类似于UNet的编码-解码器结构,该网络单元在保留原...     

基于改进区域生长法的电力设备红外图像分割

为实现电力设备红外图像中目标设备图像的分割,对传统区域生长法需要人工选择初始种子点,以及易产生过分割与欠分割的不足提出了改进,将红外图像中邻域均值最大的像素点作为种子点,实现种子点的自动选取。提出了使用Sobel算子计算梯度幅值作为附加限定条件的生长准则。改进的区域生长法的分割效果比传统的区域生长法效果更好。     

基于局部线结构约束的FCM聚类视网膜血管分割

提出了一种基于局部线结构约束的模糊C均值(FCM)聚类眼底视网膜血管分割方法。通过预处理增强血管和背景的对比度信息,采用多尺度匹配滤波器和B-COSFIRE滤波器提取像素特征,然后采用局部线结构约束的FCM聚类算法实现视网膜血管分割,最后通过后处理操作去除孤立的噪声点。在DRIVE数据库的实验结果表明,本文方法的平均准确率为94.21%,平均灵敏度为67.21%,平均特异性为98.2%。与特征空间FCM方法相比,本文方法分割的血管结构的连续性较好,提升了对细小血管检测的灵敏度。     

基于改进区域项CV模型的金相图像分割

为了解决传统Chan-Vese(CV)模型难以快速、精确提取金相晶粒的问题,提出一种基于改进区域项CV模型的金相图像分割方法。该方法利用倒数交叉熵阈值选取准则函数替代传统CV模型中能量函数的区域项,构造新的水平集模型。改进模型能够使分割前后图像的倒数交叉熵达到最小,更精确地分割噪声影响严重且局部灰度变化较大的金相图像;考虑到倒数交叉熵计算会增加算法复杂度,通过引入最大绝对中位差,自适应调整曲线内外的能量权重加速曲线的演化,添加距离规范项以避免水平集函数的重新初始化,加速模型的收敛。实验结果表明,与多种模型相比,改进模型在分割结果和分割效率方面均具有明显优势。     

视网膜OCT图像中液体分割方法的研究

光学相干层析成像(OCT)广泛应用于眼科,用于观察视网膜的形态,对病变区域的检测和诊断评估具有重要意义。由于液体的积聚引发的一系列视网膜疾病,针对视网膜OCT图像中的液体检测和分割问题,设计了一种具有全局上下文特征信息的神经网络,利用多尺度的特征提取与融合的方法,提出了一种多尺度的并行提取与高度融合的U型网络模型PH-UNet,这是一种新的用于视网膜OCT图像液体区域分割的深度卷积神经网络。PH-UNet网络通过捕获多尺度的上下文信息,更好地利用信息提取和融合的方法对视网膜OCT图像中液体区域进行端到端的分割。将提出的模型对MICCAI RETOUCH数据集中三种视网膜液体视网膜内液体(IRF)、视网膜下液体(SRF)和色素上皮脱离(PED)进行分割并与其他经典的分割网络模型进行了比较,在precision精确率、dice相似系数、mIoU平均交并比三种指标上取得了最佳效果证明了其优越性。     

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...     

改进图像阈值分割算法的研究

研究了利用阈值对图像进行分割的一般算法。根据图像的特点,从不同的数学角度对阈值的选取进行了分析,改进了基于图像灰度统计特征的边缘强度分割和逐次逼进的阈值迭代算法,并尝试采用多个阈值进行局部分割的算法。对分割结果的对比分析表明,改进后的算法在分割的完整性和一致性上具有更好的效果。     

改进的live-wire交互式胸片图像分割

肺部轮廓提取是计算机辅助诊断(computer-aided detection,CAD)的关键之一,并且能为医生提供可靠的诊断数据。提出了一种交互式肺部分割方法,用优化的Gabor奇滤波器对胸片图像进行滤波得到边缘响应能量图,然后用此边缘响应能量值来构造Live-wire代价函数进行肺部分割。实验表明该算法能正确区分强弱边缘,快速有效地提取出肺部轮廓,与传统算法相比,能减少人机交互次数,更具鲁棒性和效率性的优点。     

一种改进的基于分水岭的图像分割算法

针对分水岭算法过分割现象,提出一种综合分水岭算法、中值过滤算法和归一化割算法的改进算法。该算法首先应用改进型的中值过滤算法对图像进行适当的除噪;然后通过分水岭变换对图像进行了初步分割,最后使用归一化割算法进行图像精度分割。算法集合了分水岭算法、中值过滤算法及归一化割算法的优点,既较好地解决了分水岭算法中过度分割的问题,又降低了归一化割算法的时间复杂度。实验结果表明该算法是一种切实可行的图像分割方法。