基于改进UNet的视网膜血管分割算法

针对视网膜血管结构复杂、图像对比度低、细节区域分割不精准问题,提出一种基于改进UNet的分割算法.首先,结合Diverse Branch Block多分支、多尺度思想,在编解码路径上增加DBB-ConvNet模块,该模块组合了不同尺度、不同复杂度的分支来丰富特征空间的多样性,进而提升网络的特征学习和表达能力;其次,为加强特征重用,避免冗余特征影响,在网络底端加入Dense-net密集连接;最后,为进一步提升分割效果,在跳跃连接用BConvLSTM结合非线性函数处理编解码路径间的特征映射,替换原始的简单串联.该算法在公开数据集DRIVE和CHASE＿DB1上的实验结果表明,对比其他算法,本文所提出的算法在视觉和各项客观评价指标上均有较好的分割效果.与U-Net算法相比,在两种数据集上本文所提算法在精确率、F1值上分别提升了1.97%、2.04%与2.05%、5.86%.     

基于改进U-Net的视网膜血管分割

针对传统算法在眼底视网膜血管分割过程中存在特征提取困难、细节区域分割不精确的问题,本文在U-Net网络的基础上进行改进,提出了一种能更好进行血管分割的算法CSD-UNet。首先,在编码和解码阶段使用了卷积注意力模块,通过引入注意力机制对血管的细微结构进行通道和空间增强;其次,采用了SoftPool的池化方法,保证在下采样阶段保留更多原始信息,增加感受野;最后,选择密集上采样卷积作为本算法的上采样方法,产生像素级预测且捕获更多细节信息。在公开数据集DRIVE、CHASE＿DB1上验证该算法,结果表明,该算法较现有的先进算法在分割效果上有一定的提升。     

基于改进U-Net的视网膜血管图像分割

在眼科疾病的诊断中,对视网膜血管进行分割是非常有效的一种方法。在方法使用中,经常会遇到由于视网膜血管背景对比度低及血管末梢细节复杂导致的血管分割难度较大的问题,通过在设计网络的过程中在基础U-net网络中引入残差学习,注意力机制等模块,并将两者巧妙地结合在一起,提出一种新型的基于U-net的RAU-net视网膜血管图像分割算法。首先,在网络的编码器阶段加入残差模块,解决了模型网络加深导致梯度爆炸以及梯度消失的问题。其次,在网络的解码器阶段引入注意力门（attention gate, AU）模块,用来抑制不必要的特征,从而使模型产生更高的精度。通过在DRIVE数据集上进行验证,该算法的准确率、灵敏度、特异性和F₁-score分别达到了0.7832,0.9815,0.9568和0.8192。分割效果相对于普通监督学习算法较为良好。     

基于深度残差UNet网络的电气设备红外图像分割方法

红外图像处理是实现电气故障诊断的有效手段,而电气设备分割是故障检测的关键环节。针对复杂背景下红外图像电气设备分割难问题,本文采用深度残差网络与UNet网络相结合,深度残差网络替代VGG16对UNet网络进行特征提取和编码,构建深度残差系列Res-Unet网络实现对电气设备的分割。以电流互感器和断路器两种电气设备红外图像分割为例测试Res-Unet网络分割效果,并与传统的UNet网络和Deeplabv3+网络进行对比。通过对数量为876的样本进行测试,实验结果表明,Res18-UNet能够准确地分割电气设备,对电流互感器和断路器的分割准确率超93%,平均交并比大于89%,且分割准确性优于UNet及Deeplabv3+网络模型,为实现电气故障智能诊断奠定基础。     

基于视网膜血管模型的图像分割与血管提取

本文采用非线性图像处理方法,对眼底图像进行去噪增强和分析,提取血管中心线,以便于对视网膜血管网络进行定量描述和定量分析。实验表明该方法能好地从非荧光眼底图像中提取出膜血管网络。     

基于血管分割的视网膜图像无参考质量评价方法

为了研究不同失真类型和不同失真程度对血管分割 的影 响,本文将图像的失真类型和失真程度量化为图像血管分割精确度,由于现有公开库中包含 血管分割标签 的图像中均为低失真甚至无失真图像,因此本文构建了一个视网膜失真图像数据库,共包含 2种失真类型, 每种失真类型的图像均有8个等级的失真程度,共552幅视网膜失真图像,并将每幅失真图 像对应的血管 分割精确度作为该图像的标签。此外,本文提出了一种基于血管分割方法的视网膜图像无参 考质量评价方 法,通过提取视网膜图像的像素值统计特征、图像纹理特征以及血管形状特征得到最终视网 膜图像的质量。 在提出的数据库上测试结果显示,皮尔逊线性相关系数值高于0.96, 斯皮尔曼等级相关系数值高于0.95。 与现有评价方法相比,该方法优于传统的无参考评价方法,更能够客观的反映不同失真图像 对血管分割这一应用的影响。     

基于可控图像分割的快速视网膜血管提取算法

针对多数视网膜血管提取算法实时性不强和分割 精度不高的问题,提出了一种基于可控图像分割的 快速视网膜血管提取算法。首先,对视网膜G分量图像的灰 度进行反转和自适应直方图均衡化,应用结 构元素为“菱形”和“圆盘形”的形态学“开”运算平滑图像背景和增强血管对比度,消除 视盘后阈值分割并二值 化得到不含视盘的分割图像。其次,根据在灰度图像中检测到的视盘构建掩膜,再次对 视网膜绿色分 量图像自适应直方图均衡化后进行阈值分割,并和掩膜进行逻辑“与”运算得到含有掩膜的 分割图像。最后, 将不含视盘的分割图像与含有掩膜的分割图像进行逻辑“与”运算,并融合边界信息获得最 终的视网膜血管 结构。实验结果表明,本文算法能有效提取视网膜眼底图像的血管网络,有较强的实时性和 较高的分割精度。     

基于RAU-net的视网膜血管图像分割

在眼科疾病的诊断中,对视网膜血管进行分割是非常有效的一种方法。在方法使用中,经常会遇到由于视网膜血管背景对比度低及血管末梢细节复杂导致的血管分割难度较大的问题,通过在设计网络的过程中在基础U-net网络中引入残差学习,注意力机制等模块,并将两者巧妙地结合在一起,提出一种新型的基于U-net的RAU-net视网膜血管图像分割算法。首先,在网络的编码器阶段加入残差模块,解决了模型网络加深导致梯度爆炸以及梯度消失的问题。其次,在网络的解码器阶段引入注意力门（attention gate, AU）模块,用来抑制不必要的特征,从而使模型产生更高的精度。通过在DRIVE数据集上进行验证,该算法的准确率、灵敏度、特异性和F₁-score分别达到了0.7832,0.9815,0.9568和0.8192。分割效果相对于普通监督学习算法较为良好。     

基于HESSIAN多尺度因子的视网膜血管分割方法

在医学领域,许多疾病会引起眼底视网膜血管结构和形态的变化,及时对其检测分析可起到疾病预防作用。针对视网膜血管的连续树杈状图像特征,运用对线段结构有良好检测能力的Hessian矩阵进行视网膜血管分割,然而仅使用单尺度难以分割整个血管网络。文章使用一种基于Hessian多尺度因子的分割方法,构造高斯二维核函数引入空间尺度因子,实现视网膜血管的全面分割。仿真结果表明,多尺度因子在正确分割大血管脉络的同时,对微小血管也具有较好的分割能力。     

基于强化特征提取的视网膜血管分割

视网膜血管的分割精确率对眼科疾病和糖尿病早期诊断有着重要影响。面对现有方法在微血管与病变区域分割性能差的问题,本文提出一种强化提取血管特征的分割模型。该模型在编码部位引入多尺度特征提取残差模块(multi-scale feature extraction residual module,MFE-residual) 和多级残差空洞卷积层,用来扩展感受野,学习多层次图像特征,提高模型对血管信息的利用率;下采样和短连接部位分别融入轻量化注意力机制和多通道注意力模块,增加模型对血管的识别度,降低误分割的可能性。本文基于DRIVE和STARE两种公开数据集进行了实验,来验证改 进模型的分割能力。结果表明,两种数据上的准确率分别为0.965 2和0.971 5,灵敏度分别为0.820 5和0.825 6,与其他算法相比,分割性能更有优势。     

基于U-Net网络改进算法的视网膜血管分割研究北大核心CSCD

针对视网膜图像血管细小,细节特征丢失、梯度下降、爆炸而导致分割效果差的问题,本文提出了一种引入残差块、循环卷积模块和空间通道挤压激励模块的U-Net视网膜血管图像分割模型。首先通过使用一系列随机增强来扩展训练集并对数据集进行预处理,然后在U-Net模型中引入残差块,避免随着网络深度增加,分割准确率达到饱和然后迅速退化以及优化计算成本;并将U-Net网络的底部替换为循环卷积模块,提取图像低层次的特征,并不断的进行特征积累,增强上下文之间的语义信息,获得更有效的分割模型;最后在卷积层之间嵌入空间通道挤压激励模块,通过找到特征较好的通道,强调这一通道,压缩不相关的通道使得网络模型能够加强关键语义特征信息的学习,通过训练过程学习到有效的特征信息,同时增强抗干扰能力。通过在DRIVE数据集上的验证结果可得,本文所提模型的准确率为98.42%,灵敏度达到了82.36%,特异值达到了98.86%。通过和其他网络分割方法比较,本文所提分割方法具有更优的分割效果。     

基于改进3D UNet的前列腺MR图像分割

针对前列腺磁共振 (magnetic resonance, MR)图像边缘模糊、对比度较低,灰度值分布不均衡而导致分割精度较差的问题,提出了一种结合双路径注意力(dual path attention,DPA) 和多尺度特征聚合(multi-scale feature aggregation,MFA) 模块的改进3D UNet网络模型。首先,对数据集进行重采样和裁剪处理以适应模型输入。然后,在3D UNet网络的编码器各层引入DPA 并添加残差连接,加强特征的 编码能力。同时,在网络解码器中加入MFA模块,以充分利用空间上下文信息,增强语义信息。最后,在公开数据集PROMISE12上进行验证,所提出的模型的Dice系数为89.90%,Hausdorff 距离为9.37 mm。相比较于其他模型,所提出模型的分割结果更优,且参数量和运算量更少。     

基于多尺度一致性与注意力机制的视网膜血管分割网络

针对现有的视网膜血管分割方法存在对微血管和毛细血管的分割能力不足,导致血管断连和末端血管漏分,造成视网膜血管分割性能不佳的问题,本文提出一种基于多尺度一致性与注意力机制的视网膜血管分割网络(multi-scale consistency and attention mechanism U-Net, MCAU-Net)。首先,该网络在瓶颈特征层嵌入注意力细化模块(attention refinement module, ARM),能有效细化瓶颈层冗余的特征,抑制背景等无关像素的权值。其次,将上下文特征融合模块(context fusion module, CFM)与传统的跳跃连接相结合,以此补充在特征提取过程中逐渐丢失的信息,加强网络对微血管和毛细血管的构建能力。最后,基于网络的多尺度输出设计了一种多尺度一致性的训练方式,以增强网络对不同尺度特征的敏感性。在DRIVE和CHASE＿DB1公开数据集上进行的对比实验表明本文网络具有良好的分割性能。     

线算子引导Gabor小波的视网膜血管分割

视网膜血管自动分割能辅助诊断某些眼底疾病和系统性血管疾病。为了提高血管自动分割的效率,因此提出了一种线算子引导Gabor小波的视网膜血管分割方法。利用线算子检测血管方向的最优匹配角,将其作为Gabor小波变换的旋转角构建4个不同尺度的Gabor小波,并提取4维Gabor小波特征,加上两个线强度和预处理后的图像灰度,构建7维特征向量,采用SVM进行分类。与其他基于Gabor小波的方法相比,本方法只需计算最优匹配角所对应方向的Gabor小波特征,大大降低了多尺度Gabor小波特征提取的计算量,此外线算子特征与Gabor小波特征的良好互补性,有利于提高血管与背景的辨别度。在DRIVE眼底数据库上进行实验,其平均准确率、灵敏度及特异性分别为0. 936 1、0. 823 8及0. 955 4,获得了不错的分割性能。     

一种基于改进的PCNN的视网膜血管树提取方法

根据脉冲耦合神经网络（PCNN）动态点火特性和视网膜血管网络区域结构特征,提出了一种基于改进型PCNN（IPCNN）的视网膜血管树提取方法。该方法对二维高斯匹配滤波预处理增强后的眼底图像运用IPCNN分割出增强图像的血管网络,然后对分割得到的血管网络结合区域连通性特征,采用长度滤波算子滤除噪声,提取出最终的血管树。通过...     

基于改进水平集方法的粘连细胞分割

传统水平集方法对粘连细胞分割效果差,同时在分割过程中需要不断地重新初始化水平集函数。为了解决传统水平集方法在粘连细胞分割上的不足,提出了一种基于颜色特征的水平集方法。该方法将能够约束水平集函数与符号距离函数之间偏差的变分公式作为内部能量项,从而无需重新初始化水平集函数;把结合图像颜色特征信息的能量函数作为模型的外部能量项,以改进粘连细胞的分割效果。实验结果表明,该方法能有效地分割粘连细胞,算法实现比较简单。     

一种改进的模糊C-均值图像分割算法

图像分割是图像处理中是一个重要问题.在FCM方法的基础上,对其参数m和算法的运行速度进行改进,实验结果表明,该改进在优化算法的速度和分割效果上都有显著的提高.