粒子群优化的自适应区间二型模糊聚类算法

针对区间二型模糊聚类算法对聚类中心和模糊指数敏感的问题提出粒子群优化的自适应区间二型模糊聚类算法（PSO-AIT2FCM）。利用高斯滤波函数对获得的统计直方图做平滑处理,同时设计波峰与聚类中心的对应规则精准地确定聚类中心。构造新颖的融合直觉模糊信息的目标函数,通过类内紧致和类间分离两个方面的信息共同判断聚类效果。利用粒子群优化算法优秀的全局搜索能力在可行域内寻找合适的模糊指数组合。将该文算法应用于Berkeley图像分割中,实验结果表明该算法能够有效地确定聚类中心和模糊指数的组合并得到良好的分割结果。     

一种面向口腔移植骨分割的SA-UNet网络

在牙齿种植治疗中,口腔移植骨分割对于辅助医生诊断有重要参考价值。口腔CBCT图像具有对比度较低,移植骨边缘模糊等诸多特征,严重制约着现有深度分割网络的应用。研究以U-Net为基准网络,通过设计一种新颖的轻量级Sharp-Attention模块,提出了一种改进的SA-UNet网络模型。具体地,在Sharp模块中,带锐化卷积核的Depthwise卷积操作通过锐化浅层特征以加强特征细节。CBAM模块提升模型对于图像低层信息的关注度。进而,采用新型联合损失函数,缓解样本比例失衡带来的影响。最后,在口腔移植骨数据集上验证了模型的有效性。在模型复杂度方面,与基准网络U-Net相比,在几乎没有增加计算开销的情况下,图像分割精度得到了有效的提升;在分割精度方面,与现有的主流医学分割模型对比,在IoU、Dice系数、Hausdorff距离三个评价指标上的表现最佳,得分达到了0.866 5、0.926 2、0.509 2。     

基于多重注意力机制的多模态脑肿瘤图像分割

本文提出了一种新型的多模态脑肿瘤图像分割方法,该方法将3种注意力机制与传统U-Net模型相结合,从三维多模态MRI医学图像中分割脑肿瘤。所提出的模型分为编码器、解码器、特征融合和瓶颈层4部分,各采用不同的注意力机制,增强了多模态信息提取能力。在特征融合部分,提出了一种新的注意力模块—注意力门控传播模块(AGPM),该模块将通道注意力和注意力门结合起来,沿通道维度和空间维度依次推断注意力映射;瓶颈层部分,在卷积层之间应用了一个多头自注意力层(MHSA)来增强感受野。此外,在模型的瓶颈层部分加入了一种新的注意力模块—多头特征增强模块(MHFEM),来补充多尺度信息。通过在BraTS2020数据集上的实验结果,表明了所提模型的有效性。     

瘢痕疙瘩术后放射治疗的临床分析

目的：探讨瘢痕瘤切除术后放射治疗中采用不同分割方式的疗效。方法：回顾性分析1998年1月至2003年1月间86例瘢痕瘤切除术后在我科行放射治疗患者的疗效,按分割方式分为A组：12-15GY／2-3次。一周内完成。B组：12-15GY／3-5次。一周内完成。C组：12-15GY／6-8次,两周内完成。均于术后24小时开始放疗。结果：A、B、C组局部控制率分别为96．00％、90．00％、83．87％。组间比较均无统计学意义（P均〉0．05）,PAB=0．16;PAc=0．07;PBC=0．15。结论：瘢痕瘤术后放射治疗的总剂量以10-20GY为宜,分割方式对疗效无明显影响。     

基于窗帧差的镜头边界系数模型及其应用

针对视频结构分析提出了一种新的镜头边界系数模型.首先,按照特定的计算方法计算当前帧的窗帧差,使得窗帧差在镜头内与镜头边界呈现不同的特征;然后,采用相应的镜头边界检测算子计算镜头边界相似系数,镜头边界相似系数越大,则该帧越可能是镜头边界;最后,为了提高镜头边界相似系数的检测能力,根据镜头边界相似系数定义了镜头边界系数.镜头边界系数具有良好的特性,可以单独检测镜头边界,也可以与传统的镜头边界检测方法相结合,为镜头边界检测提供了一种鲁棒的框架.实验结果表明,基于镜头边界系数模型的镜头边界检测方法能明显改善镜头边界检测结果.     

基于Chan-Vese模型的树形结构多相水平集图像分割算法

由于Chan-Vese(C-V)模型通过单个水平集的符号将待分割图像划分为目标和背景两个部分,所以当图像的多个目标的轮廓成多连接时,C-V模型将无法表示.为了解决C-V模型在表示目标轮廓上的局限,提出了基于C-V模型的树形结构多相水平集算法.关键策略是通过改变图像背景,使得水平集在新图像上重新收敛;核心技术是依据同时明度对比提出的背景填充技术;算法流程采用多水平集串行收敛方式实现多相分割(n-1次收敛可以实现n相分割,n＞1).实验结果表明,本算法可以表示复杂的区域连接情况(n相分割最多可以表示n连接情况),能够实现多目标分割(n相分割可以实现n-1个目标分割),特别适合于目标中含有子目标的图像.     

像素分割联合深度双分支模型辅助诊断新冠CT图像

基于医学肺部影像开发智能诊断新冠肺炎的深度学习方法能够减轻大量医护人员的工作,且能够提供可靠的准确性,然而深度学习方法的高准确性通常依赖于数据样本的质量.在自然界存在的医学图像数据的来源和处理过程并不单一,数据样本差异性较大和质量不佳会增大深度学习模型提取关键特征的难度,有效的数据预处理和合适的模型设计十分关键.基于肺部CT图像,本论文提出一种像素分割联合双分支模型ReSWNet辅助诊断新冠肺炎感染.该方法首先训练像素分割模型进行分割预处理,实现肺部CT图像无关背景的剔除,然后通过结合了卷积神经网络和自注意力模型优缺点的双分支模型进行肺炎诊断.通过在COVID-CT数据集上对该方法进行验证表明,在诊断准确率、召回率和F1分数等性能指标方面,该方法较基线模型分别提高了8.6%、16.05以及7.71%,最后采用可视化结果热力图为诊断提供了可解释性.     

融合多尺度特征与注意力的脑白质病变分割

针对目前磁共振脑影像上的脑白质病变分割精度较低、小病灶易漏识的问题,提出一种结合多尺度信息与注意力机制的U-Net改进模型用于脑白质病变分割.首先,引入多尺度卷积模块以拓展网络宽度,提升特征捕获能力.其次,引入混合下采样模块,对粗、细两种粒度的下采样特征进行融合以减少下采样过程中的信息损失;同时,引入跨层融合模块,通过对跳跃连接两端的编、解码信息进行融合,降低对等层间的语义差异.最后,在编码阶段采用分散注意力模式,根据深、浅层的不同特点分别设计空间注意力模块和通道注意力模块,以增强网络对病灶区域的关注度.在MICCAI2017 WMHs分割挑战赛提供的公开数据集上与同任务的其它文献算法进行对比,本文算法在召回率和相似系数的性能评估上均获得了有效提升,分别达到了0.834和0.803,这表明本文算法是一种有效的脑白质病变自动分割算法.     

深度卷积神经网络语义分割综述

得益于深度卷积神经网络在特征提取和语义理解的强大能力,基于深度神经网络的语义分割技术逐渐成为计算机视觉研究的热点课题.在无人驾驶、医学图像,甚至是虚拟交互、增强现实等领域都需要精确高效的语义分割技术.语义分割从图像像素级理解出发,为每个像素分配单独的类别标签.针对基于深度神经网络的语义分割技术,根据技术特性的差异,从编码-解码架构、多尺度目标融合、卷积优化、注意力机制、传统-深度结合、策略融合方面展开,对现有模型的优缺点进行梳理和分析,并当前主流语义分割方法在公共数据集实验结果进行对比,总结了该领域当前面临的挑战以及对未来研究方向的展望.     

基于马氏距离的皮肤图像症状识别系统的设计

介绍了一种皮肤图像症状的自动识别系统,利用马氏距离图像识别的算法,经过图像颜色空间转换、自适应法求取阈值进行图像分割、数学形态学后处理和边缘检测、症状区域的轮廓提取和种子填充等图像处理过程,最后提取了皮肤样本的26个特征参数,计算皮肤样本距离黄褐斑、粉刺、黑头、雀斑4种症状的马氏距离,根据马氏距离最小原则对被测皮肤样本进行症状归类.