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.     

基于改进U-Net++的CT影像肺结节分割算法

卷积神经网络的语义分割模型未有效利用特征权重信息,导致在医学图像复杂场景中分割边界出现欠分割现象.针对该问题,基于融合自适应加权聚合策略提出一种改进的U-Net++网络,并将其应用于电子计算机断层扫描影像肺结节分割.该模型首先在卷积神经网络中提取出不同深度特征语义级别的信息,再结合权重聚合模块,自适应地学习各层特征的权...     

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。     

基于软掩膜前景分割和多信息融合重排序的行人重识别方法

为了提升行人重识别算法的检索准确率,提出了基于软掩膜前景分割和多信息融合重排序的行人重识别算法。通过基于U-Net的软掩膜前景分割算法去除图像背景信息,同时减缓图像分割边界的突变,以保留图像中行人的关键信息;通过基于孪生深度网络的多信息融合重排序算法融合行人图像的多种信息,提升检索结果质量。实验结果表明,提出的两种方法是对行人重识别算法流程的有效补充,可作为提升准确率的有效方法应用于多数现有行人重识别算法中。     

结合残差U-Net神经网络和DIP的PET图像降噪

由于正电子发射型计算机断层显像(PET)噪声较大,现有图像降噪效果不理想,提出了一种结合残差U-Net神经网络和深度图像先验(DIP)的PET图像降噪.在U-Net网络中引入残差学习,提高网络表达能力和收敛速度;提出一种无训练数据的DIP算法,将神经网络解释为图像的参数化,利用图像噪声参数化后呈现高阻抗的特性将其去除,...     

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nnU-Net的乳腺DCE-MR图像中乳房和腺体自动分割

在乳腺动态增强磁共振（DCE-MR）图像中,乳房分割和腺体分割是进行乳腺癌风险评估的关键步骤.为实现在三维脂肪抑制乳腺DCE-MR图像中乳房和腺体的自动分割,本文提出一种基于nnU-Net的自动分割模型,利用U-Net分层学习图像特征的优势,融合深层特征与浅层特征,得到乳房分割和腺体分割结果.同时,基于nnU-Net策略,所使用的模型能根据图像参数自动进行预处理和数据扩增,并动态调整网络结构和参数配置.实验结果表明,在具有多样化参数的三维脂肪抑制乳腺DCE-MR图像数据集上,该模型能准确、有效地实现乳房和腺体分割,平均Dice相似系数分别达到0.969±0.007和0.893±0.054.     

融合注意力和Inception模块的脑白质病变端到端分割

针对目前磁共振脑影像上脑白质高信号区域的自动分割存在分割精度较低和细小病灶易漏识等问题,提出一种融合注意力和Inception的U-Net分割模型。在U-Net的编码阶段加入Inception模块以增加网络宽度,使其具有多尺度特征的提取能力,并加入注意力模块以增强网络对分割目标的关注度,两者的加入和融合可以有效提升网络的特征提取和表达能力。同时,在解码阶段的每一个卷积层上增加残差连接,可以提高网络的优化速度。此外,针对样本不均衡易导致分割结果中假阴性过多的问题,采用具有均衡调节能力的Tversky损失函数优化网络训练。实验结果表明,所提方法能够较好地分割脑白质的高信号区域,特别是小病灶区,且各项分割指标优于多个对比方法。     

基于级联网络的膝关节图像分割与模型构建

采用膝关节模型进行电磁仿真是计算膝关节局部射频功率沉积（SAR）的主要方法,为了构建膝关节模型,本文提出了一种包含两个卷积神经网络——U-Net的级联网络结构,用于膝关节磁共振图像的分割．第一个网络在整幅图上分割肌肉、脂肪等占比较大的组织,并从分割结果中预测软骨与半月板的大致位置信息,第二个网络基于该信息在一个更小的子图上分割小组织以提高分割精度．两个网络均采用焦点损失函数,它们的分割结果合并在一起构成膝关节模型．我们将该方法与其它4种方法的分割结果进行了定量指标的对比研究,并分别构建膝关节模型,计算局部SAR值．结果表明本文提出的级联网络结构可以更精确的构建用于SAR仿真的膝关节模型．     

基于组合优化神经网络的航空发动机叶片损伤图像分割

采用PNN网络和RBF网络相融合的方法对航空发动机叶片损伤图像进行分割,选取损伤图像80个像素点的RGB值和HSV值分别作为PNN网络和RBF网络的输入样本;针对PNN网络和RBF网络的不足,采用GA算法优化PNN网络和RBF网络的输入参数;考虑到叶片损伤图像采集过程中不确定因素对分割结果的影响,采用D-S证据理论将两种网络分割结果进行融合,进而得到最终的叶片损伤图像分割结果;在30组测试样本中正确识别组数为29,识别率高达96.67%,实践表明,该方法有效地克服了凭借单一识别网络和单一信息源进行叶片损伤图像分割的不足,实现了对叶片损伤图像的高效分割。     

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。     

基于迁移学习的原子力显微镜成像恢复方法

受限于探针针尖结构尺寸,用原子力显微镜进行微纳测量时会产生图像边缘失真.提出了一种基于迁移学习的原子力显微镜成像恢复方法,通过迁移学习训练源模型和靶模型实现一维栅格成像恢复.该方法采用数学形态法中的腐蚀算法生成栅格点云数据,通过U-Net网络源模型从点云中提取针尖卷积效应的特征向量,将权重参数迁移至U-Net网络靶模型,靶模型在自适应正则化方法下进行监督学习.实验结果表明,该方法能有效恢复一维栅格的原子力显微镜测量图像,提高横向分辨力,可用于纳米栅格的线宽检测上.     

基于小波变换和残差网络的磁共振影像分割方法

为了提高磁共振图像分割的准确度,提出一种基于残差网络和小波变换的磁共振图像分割方法.采用离散小波变换对核共振图像的不同序列进行融合,使融合图像包含更加丰富的纹理信息和结构信息;提出了包含通道注意力模块和空间注意力模块的残差网络模型,使网络重点关注于目标分割区域,并加入残差块来缓解深度神经网络的梯度消失问题.最终在公开的...     

结合小波融合和深度学习的脑胶质瘤自动分割

针对水肿区域边界模糊和瘤内结构复杂多变导致的脑胶质瘤分割不精确问题,本文提出了一种基于小波融合和3D-UNet网络的脑胶质瘤磁共振图像自动分割算法.首先,对脑胶质瘤磁共振图像的T1、T1ce、T2、Flair四种模态进行小波融合以及偏置场校正;然后,提取待分类的图像块;再利用提取的图像块训练3D-UNet网络以对图像块中的像素进行分类;最后加载损失率较小的网络模型进行分割,并采用基于连通区域的轮廓提取方法,以降低假阳性率.对57组Brats2018（Brain Tumor Segmentation 2018）磁共振图像测试集进行分割的结果显示,肿瘤的整体、核心和水肿部分的平均分割准确率（DSC）分别达到90.64%、80.74%和86.37%,这表明该算法分割脑胶质瘤准确率较高,与金标准相近.相比多模态图像融合前,该算法在减少输入网络数据量和图像冗余信息的同时,还一定程度上解决了胶质瘤边界模糊、分割不精确的问题,提高了分割的准确度和鲁棒性.     

基于语义分割和可见光谱图的作物叶部病斑分割方法

病害严重影响作物品质,并造成经济损失。病斑分割是病害定量诊断的重要过程,其分割结果可为后续的识别和严重度估算提供有效依据。由于病斑具有不规则性和复杂性,且自然环境下病斑可见光谱图像易受光照变化等影响,传统的图像处理方法对病斑图像分割存在准确率低、普适性低和鲁棒性不高等问题。该工作提出了基于语义分割和可见光谱图像的作物叶部病害病斑分割方法。首先,以花生褐斑病、烟草赤星病为研究对象,使用尼康D300s单反相机共采集到165张可见光谱图像。通过Matlab Image Labeler APP对病害可见光谱图像进行像素标记,分别标记出褐斑病病斑、赤星病病斑和背景区域。其次,对标记后的数据采用水平翻转、垂直翻转、改变亮度等图像扩充方式,获得1 850份增强后样本数据集。为了节约计算成本,将数据集的像素分辨率调整为300×300。最后,基于FCN, SegNet和U-Net 3种语义分割网络,构建4种作物叶部病害病斑分割模型,探索了数据增强、病害类别对病斑分割模型的影响,并采用4种分割指标评价模型效果。结果表明：仅对于病斑分割,图像增强能够提高模型的分割精度,增强后FCN模型的平均精度(MP)和平...     

用于SAR估计的基于U-Net网络的快速膝关节模型重建

膝关节高场磁共振成像（MRI）时,射频功率沉积（SAR）是一个关键的安全指标.目前对于局部SAR的准确估计只能通过电磁仿真实现,这就要求得到每一个个体的膝关节模型.本文提出一种针对低场磁共振图像的基于卷积神经网络的分割方法,以实现膝关节磁共振图像的快速重建.数据集来自于矢位T₁加权自旋回波图像,将膝关节组织按照"肌肉-脂肪-骨骼"模型进行简化,除脂肪与骨骼之外的其他组织归类为肌肉.采用一种全卷积的神经网络,即U-Net进行逐层的图像分割,卷积层数为4,训练采用交叉熵函数.本文对图像的自动分割结果与手动标注结果进行了定量的比较.此外,采用3 T正交鸟笼线圈进行了SAR仿真,结果验证了组织简化对于SAR估计的可行性,并且所提方法构建的模型可以得到较为精准的局部SAR分布.     

基于聚类算法的血管直径测量研究

血管形态的变化与疾病密切相关,血管直径是血管形态的主要参数之一,测量血管直径有助于疾病的筛查与预防。提出一种基于聚类算法的血管直径测量方法,对微血管进行测量。大多数显微血管图像(如光学显微成像或光声显微成像)中存在噪声,通过非线性变换函数对显微图像进行增强;使用训练后的U-Net网络模型进行图像分割;利用结合聚类算法以及射线算法的测量方法对分割得到的血管进行测量,得到血管直径。实验表明,算法与传统测量结果一致(P0.05),与传统算法相比,本算法的测量精度得到提升,将测量误差由4.21%降低至2.27%,满足血管测量的准确度需求。     

非刚体配准在肝癌手术中的应用

提出了一种在由MR图像引导的肝癌手术中对癌症肿块定位的方法。该方法采用非刚体配准技术,将手术前获得的含有清晰肝癌肿块的CT图像与手术中实时获得的MR图像配准,从而确定MR图像中的癌症肿块的位置。该方法分为三个步骤:将CT和MR图像中的肝脏部位分割出来;对分割后的图像采用仿射变换进行粗配准;采用自由形变模型对图像进行精确配准。配准后肝脏表面的距离误差在1.5mm之内;通过视觉检查,其结果令人十分满意。