基于多个密集连接型2D-CNNs的脑胶质瘤MRI三维分割北大核心CSCD

准确可靠的脑胶质瘤分割是脑胶质瘤诊断、治疗方案制定和治疗效果评价的重要前提。为了有效针对脑胶质瘤MRI的特性和基于CNNs的脑胶质瘤分割方法的不足,提出了一种融合三个密集连接型2D-CNNs分割结果的方法。将三维多模态MRI数据沿轴状面、冠状面和矢状面切片化,并在预处理后的切片上按比例截取33×33大小的图像块,得到三个视图的训练集;将三个训练集分别送入到密集连接型2D-CNNs模型中进行训练,得到三个分割模型;然后,将测试病人的各视图图像块依次输入到训练好的分割模型,得到脑胶质瘤三个视图的粗分割结果;将三个视图的粗分割结果进行融合处理和后处理,得到脑胶质瘤的最终分割结果,并具体划分为水肿、增强和坏死/非增强三种区域。本研究包含了BraTS2018和BraTS2013的数据集并利用Dice系数、阳性预测值、灵敏度三个指标对分割结果进行评价。实验结果表明,所提出的分割方法不仅能够精确的分割脑胶质瘤,而且可以利用多个2D-CNNs实现脑胶质瘤的三维分割。     

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.     

融合多重自注意力和可变形卷积的多模态脑胶质瘤分割

脑胶质瘤的磁共振图像分割对于脑肿瘤的诊断、手术规划以及放疗等治疗方案的确定具有非常重要的意义．针对现有脑肿瘤分割算法分割精度不高边缘分割不精确,易出现假阳性的问题,本文提出一种基于多重自注意力和可变形卷积的Unet改进模型．模型将原始Unet框架的标准卷积替换为残差模块,以防止模型训练过程中出现梯度消失;通过在瓶颈层加入基于Transformer的多重自注意力模块来提取局部特征和全局上下文信息,以更好地挖掘像素间的相关性;在跨层连接处采用可变形卷积来增强模型对形状感知的敏感性,以提升肿瘤边缘特征的提取能力．实验结果表明,所提算法的分割结果评价指标高于使用同样数据集的其他对比模型,而且对肿瘤边缘的分割更加精确．这表明本文算法是一种有效的脑胶质瘤自动分割算法．     

基于3D全卷积神经网络的肺叶自动分割方法

基于电子计算机断层扫描(CT)影像的肺叶分割是医生诊断和治疗肺部疾病的重要参考之一,但肺叶边界的模糊以及手动分割的巨大工作量使得医生难以准确、快速地分割肺叶。为此,提出了一种基于新型3D全卷积神经网络的肺叶自动分割方法。对原始CT图像进行预处理,然后利用预处理后图像训练卷积神经网络,再将待分割图像输入到训练好的网络模型中,实现CT图像中肺叶的自动分割。实验数据包括来自上海市肺科医院的50例肺部疾病患者的CT图像,30例被用于训练,20例被用于测试。对分割结果进行了定量评价,其中Dice系数为0.961,Jaccard相似系数为0.916。实验结果表明该肺叶自动分割算法具有更好的分割性能以及更强的泛化能力,即使在训练集数据较少的情况下,也能够准确、快速的分割肺叶。     

多模态磁共振脑肿瘤图像自动分割算法研究

脑肿瘤图像自动分割的难点在于肿瘤形态各异,且类别不平衡情况比较严重,常规的卷积神经网络难以预测出高精度分割图像。针对以上问题,在原始3D-Unet的基础上提出一种改进模型,以混合膨胀卷积模块代替常规卷积模块,指数级地增大神经元的感受野,同时减小网络深度,避免上采样时无法恢复小目标的情况。同时以混合损失函数代替原来的Dice损失函数,加强稀疏类分类错误时对模型的惩罚,迫使模型更好地学习分类错误的样本。实验结果表明,混合膨胀卷积模块与混合损失函数能分别提高整个肿瘤区域和肿瘤核心区域的预测精度,提出的3D-HDC-Unet模型改善了脑肿瘤自动分割的多项性能参数。     

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.     

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。     

深浅交错式特征融合的人体图像分割方法北大核心CSCD

人体图像分割作为人体行为理解和分析的基础,但要实现精准分割及实时分割是一个巨大的难题,因此提出一种深浅交错式特征融合的全卷积神经网络的方法,应用于人体图像分割。使用全卷积神经网络的卷积层提取丰富的图像特征,对不同深度的特征图由深到浅交错式地拼接并融合。最终将融合特征图送入卷积层输出预测图像,并经过全局阈值分割得到分割结果。在百度人体图像分割数据库上进行实验,其平均覆盖率可以达到89.95%,最佳分割重叠率高达99.31%;分割一幅500×500彩色图像的平均耗时为56ms,实现较好的分割性能。     

基于3D Octave卷积和Bi-RNN注意力网络的高光谱图像分类方法

传统卷积神经网络模型在高光谱图像分类生成特征图的空间维度中存在大量的空间特征信息冗余,而且把高光谱图像单个像元上的光谱带数据看作是无序高维向量进行数据处理,并不符合光谱数据的特性,极大影响了模型的运行效率和分类性能。针对该问题,提出一种三维Octave卷积和双向循环神经网络注意力网络相结合的高光谱图像分类方法。首先,利用三维Octave卷积获取高光谱图像的空间特征的同时减少空间特征冗余信息。其次,利用Bi-RNN光谱注意力网络将光谱带数据视为有序序列以获取高光谱图像的光谱信息。然后,通过全连接层将空间和光谱特征图连接起来实现特征融合。最后,经过softmax输出分类结果。实验结果表明,所提方法在Pavia University和Botswana两个数据集上的分类精度分别达到了99.97%和99.79%,与其他主流算法相比,该方法可以充分利用空间和光谱特征信息,具有更佳的分类性能。     

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。     

基于加权特征融合的多尺度遥感影像分类

针对普通的三维卷积神经网络（3D CNN）从一个尺度上提取特征,会丢失部分细节信息,且对小样本任务表现一般的问题,本文提出了一种三支路的3D CNN,从不同尺度上提取特征后进行加权特征融合,从而获取了更为全面的特征;并引入数据增强技术,从而改善了小样本情形下的分类性能。现有特征融合方法通常对各个支路直接进行拼接,本文采用加权拼接的特征融合方法,将各特征分别乘以一个加权系数后再进行拼接,该系数通过模拟退火算法求取。本文方法在公开数据集Indian Pines,Pavia University,Salinas等上采用10%的数据进行训练,分别得到了98.60%、99.83%、99.97%的总体准确率,与各类对比方法相比,提升了高光谱遥感影像分类问题的准确率。     

改进VGG网络的多聚焦图像的融合方法

为更好地保留原图像信息,提高图像融合性能,提出一种改进VGG卷积神经网络与边缘像素统计特征相结合的融合算法。首先,该算法将完整图像拆分成图像块,以图像块的预处理来获取较高的图像分类,精度达到0.985以上,以改进的VGG卷积神经网络来加快模型收敛速度,当图像块输入到网络当中,可以初步得到二分类的权值矩阵。其次,在高频细节部分,对于左聚焦图像和右聚焦图像的清晰模糊模块分别进行模糊化处理,根据像素点之间的统计特征经阈值分割后得到有明显边界的权值矩阵。最后,结合两次分割的权值矩阵,通过加权求和的融合策略,得到处处清晰的聚焦图像。为说明算法有效性,在实验部分展示其融合主观视觉效果图与信息熵等客观评价,该算法对比其他算法表现突出,可较好地保留原图像的信息。     

残差网络分层融合的高光谱地物分类

高光谱图像具有较高的空间分辨率,蕴含着丰富的空间光谱信息,近年来被广泛用于城市地物分类中。在高光谱图像分类过程中,空间光谱特征的提取直接影响着分类精度;传统的高光谱图像特征提取方法只利用了4或8邻域的像素进行简单卷积处理,因而丢失了大量的复杂、有效信息;卷积神经网络（CNN）虽然可以自动提取空间光谱特征,在保留图像空间信息的同时,简化网络模型,但是,随着网络深度增加,网络分类产生退化现象,而且网络间缺乏相关信息的互补性,从而影响分类精度。该工作引入CNN自动提取空间光谱特征,并且针对CNN深度增加所导致的退化问题,设计了面向地物分类的高光谱特征融合残差网络。首先,为了降低高光谱图像的光谱冗余度,利用PCA提取主要光谱波段;然后,为了逐级提取光谱图像的空间光谱特征,定义了卷积核为16,32,64的低、中、高3层残差网络模块,并利用64个1×1的卷积核对3层特征输出进行卷积,完成维度匹配与特征图融合;接着,对融合后的特征图进行全局平均池化(GAP)生成用于分类的特征向量;最后,引入具有可调节机制的Large-Margin Softmax损失函数,监督模型完成训练过程,实现高光谱图像分类。实验采用Indian Pines,University of Pavia和Salinas地区的高光谱图像来验证方法有效性,设置批次训练的样本集为100,网络训练的初始学习率为0.1,当损失函数稳定后学习率降低为0.001,动量为0.9,权重延迟为0.000 1,最大训练迭代次数为2×104,当3个数据集的样本块像素分别设置为25×25,23×23,27×27,网络深度分别为28,32和28时,3个数据集的分类准确率最高,其平均总体准确率（OA）为98.75%、平均准确率（AA）的评价值为98.1%,平均Kappa系数为0.98。实验结果表明,基于残差网络的分类方法能够自动学习更丰富的空间光谱特征,残差网络层数的增加和不同网络层融合可以提高高光谱分类精度;Large-Margin Softmax实现了类内紧凑和类间分离,可以进一步提高高光谱图像分类精度。     

基于卷积神经网络的水下湍流探测技术

针对水下湍流的复杂性和多变性对水下航行器性能和姿态控制产生的挑战,提出使用卷积神经网络来测量水下湍流的温差耗散率XT。首先,采用功率谱反演法和惠更斯-菲涅尔原理仿真生成了受水下湍流影响的散斑图像数据集。随后,利用卷积神经网络提取这些受湍流影响的散斑图像中的特征信息,并对温差耗散率XT进行估计。最后,通过现场实验数据集验证了所提出方法的可行性。实验结果表明,所提出的神经网络在实地实验数据集和模拟仿真数据集上表现出相似的分类精度和损失曲线,其测量准确率分别为98.8%和99.2%。这一研究为水下环境监测和资源勘探领域提供了重要的参考,对于光学图像处理和湍流研究等相关领域具有实际意义。     

基于改进Swin transformer的遥感图像融合方法

针对现有基于transformer的方法未能充分融合遥感图像多尺度特征的问题,提出一种多光谱-全色融合网络。在融合网络中嵌入一个基于改进Swin transformer的多尺度窗口自注意力模块,在关注全局空间特征的同时,充分融合不同尺寸的特征信息,从而最大程度地保留光谱和空间结构信息。通过不同层级特征的跳跃连接,解码网络预测出原始多光谱图像缺失的纹理部分,最终使用细节注入模型恢复出目标图像。为了提升融合效果,在损失函数中加入了光谱损失和空间结构损失。与其他方法相比,本文提出的方法在WorldView-4、QuickBird和WorldView-2三种卫星数据集的主观视觉效果最好,相比于性能第二的方法,本文方法在三种数据集的相对全局误差指标分别减小了11.99%、0.4%和3.43%。     

基于卷积神经网络的红外与可见光户外图像融合

针对户外环境下红外与可见光图像融合效果不足的问题,提出一种基于卷积神经网络的红外与可见光户外图像融合方法。该方法先利用滚动引导滤波器对输入的红外图像进行预处理,过滤噪声并消除无用信息。然后,利用Curvelet变换将红外图像与可见光图像分解成高频系数与低频系数,利用基于卷积神经网络的深度特征融合规则融合高频系数,采用最小融合规则融合低频系数。实验结果表明,该方法的融合图像在主观视觉与客观定量两方面均获得了较好的结果。     

基于Faster-RCNN和Level-Set的桥小脑角区肿瘤自动精准分割

桥小脑角区（CPA）肿瘤的精准分割在手术治疗、放疗中有重要影响,本文结合更快速区域卷积神经网络（Faster-RCNN）和水平集（Level-Set）方法对CPA肿瘤的自动分割进行了研究.首先,采集317名CPA肿瘤患者的T₁WI-SE序列磁共振图像,使用基于Faster-RCNN主干网络VGG16提取特征,结合区域建议网络（RPN）进行学习训练,建立带有CPA肿瘤位置信息的定位模型,再应用Level-Set对肿瘤进行精准分割.本文对比了不同CPA肿瘤区域勾画范围对分割结果产生的影响,并以精确率、召回率、均值平均精度值（mAP）和戴斯系数（Dice系数）等指标评估了模型定位和分割的性能.实验结果表明,结合Faster-RCNN和Level-Set建立的模型能更有效对CPA肿瘤进行精准分割,减轻临床医生的负担,并提升治疗效果.     

基于小目标类别注意力机制与特征融合的AF-ICNet非结构化场景语义分割方法

针对非结构化道路分割难度大、小目标检测精度较低等问题,构建基于小目标类别注意力机制与特征融合的AF-ICNet轻量级实时语义分割网络。采用空洞空间卷积池化金字塔融合不同尺度特征感受野以增强网络的全局感知能力。嵌入CA注意力机制,建立通道信息和空间位置信息以增强网络对非结构化道路小目标类别语义特征的提取能力。针对类别分布不均衡问题,改进权重交叉熵损失函数。利用AF-ICNet模型对Cityscapes与IDD数据集进行训练,在Cityscapes测试图像中分割的MIoU达到了71.5%,在IDD测试图像中分割的MIoU达到了62.5%。搭建实验测试系统进行实景测试,测试结果表明,AF-ICNet有效提升了非结构化道路及小目标类别的分割精度,并满足测试的实时性要求。     

基于深度体素卷积神经网络的三维模型识别分类

提出一种基于深度体素卷积神经网络的三维(3D)模型识别分类算法,该算法使用体素化技术将3D多边形网格模型转化为体素矩阵,并通过深度体素卷积神经网络提取该矩阵的深层特征,以增强特征的表达能力和差异性。在ModelNet40数据集上的实验结果表明:所提算法对3D网格模型识别分类的准确率能够达到87%左右。所构建的深度体素卷积神经网络能够有效地增强3D模型的特征提取和表达能力,提高对大规模复杂3D网格模型分类识别的准确率,所提方法优于当前的主流方法。     

基于扩张卷积注意力神经网络的高光谱图像分类

为了解决训练样本有限情况下高光谱图像分类精度低的问题,提出了一种结合扩张卷积与注意力机制的三维-二维串联卷积神经网络模型.首先,该模型以串联的三维-二维卷积神经网络作为基础结构,利用三维卷积同时提取高光谱图像的空谱特征,并采用二维卷积进一步提取高级空间语义信息;然后,通过引入扩张卷积增大卷积核感受野,构建了多尺度特征提...