一种基于改进U-net的肺结节分割方法

肺结节分割在肺部疾病的检查和治疗中起着重要作用。肺结节的精确分割,能够帮助医师在检查阶段,发现病人潜在的肺部疾病,从而提供更早的治疗和管理方案,有助于提高患者的生存率和生活质量。但人工手动分割肺结节费时费力且精确度欠佳。因此,肺结节自动化分割技术在临床治疗中的重要性日益凸显。肺结节分割是指通过图像处理技术将肺部医学图像中的肺结节与周围组织分离出来,目前的常用方法主要包括:边缘检测分割方法、区域扩展分割方法、局部特征动态阈值分割方法、单一阈值分割方法、模型驱动的方法,其中,模型驱动方法是近几年兴起的一种高精度分割技术,其包括基于机器学习或深度学习的方法,如卷积神经网络(CNN)。这些方法通过训练模型来自动学习和识别结节的特征,具有较高的准确性和适应性,因此逐渐成为计算机分割肺结节的主流方法。

基于半自动分割技术的膝关节有限元建模

背景:膝关节有限元建模可以深入了解膝关节力学,但其复杂的图像分割工作对于研究人员来说较为困难。随着深度学习技术的发展,深度学习技术已经广泛应用于膝关节有限元建模中。目的:使用3D Swin UNETR结合统计形状模型半自动分割技术来代替膝关节有限元建模中人工分割的步骤。方法:基于MR建立手动(人工)膝关节有限元模型和3D Swin UNETR+统计形状模型分割的半自动膝关节有限元模型,对2个模型施加相同的载荷与边界条件,通过计算Dice相似系数、平均距离以及比较2个模型的等效应力峰值、最大主应力和最大剪切应力来进行验证。结果与结论:①半自动分割模型股骨和胫骨的Dice相似系数均超过98%,平均距离均≤(0.35±0.08)mm;②对手动和半自动有限元模型股骨顶端施加纵向荷载750 N及10 Nm内翻力矩,手动有限元模型半月板等效应力峰值、最大主应力、最大剪切应力为14.12,18.54,7.35 MPa;股骨软骨等效应力峰值、最大主应力、最大剪切应力为2.22,2.15,1.18 MPa;胫骨软骨等效应力峰值、最大主应力、最大剪切应力为2.50,1.91,1.41 MPa;半自动有限元模型半月板等效应力峰值、最大主应力、最大剪切应力为14.93,18.53,7.75 MPa;股骨软骨等效应力峰值、最大主应力、最大剪切应力为2.26,2.18,1.20 MPa;胫骨软骨等效应力峰值、最大主应力、最大剪切应力为2.60,1.91,1.46 MPa;手动和半自动有限元模型等效应力峰值、最大主应力和最大剪切应力之间基本一致,差异无显著性意义(P>0.05);③此次研究所提出的半自动分割技术在创建准确的膝关节有限元模型方面可代替人工分割。

基于改进DGCNN的树木点云分割方法

[目的]通过目标分割为果园喷雾机提供树木的表征信息,使喷雾机能够实现精准喷雾。在分割过程中,对苗圃中的树冠、树干等不同部位进行分割,可以帮助喷雾机对喷雾部分对靶,在果园或苗圃景观中实现自动导航以及精准喷药等操作。与图片相比,点云能够更好地表征树木的三维结构并且受照明条件影响小,因此针对点云树木设计分割算法更适合应用在果园、苗圃等室外环境作业的农业机械。[方法]本文基于DGCNN提出了一种分割精度准确、参数量小的树木点云分割网络——TSNet,它可以很容易被部署在果园喷雾机上。该网络主要具有以下特点:1)该网络是基于DGCNN改进的,可以更好实现点云分割任务;2)网络引入了连续递归门控卷积模块(g^(n)Conv),可以提高树木分割的准确率;3)为避免全局信息损失并增加信息传递效率,我们设计了权重通道用于特征传递。[结果]TSNet分割树木的mIoU达到90.08%,模型大小为0.72 M,优于PointNet、PointNet++、DGCNN、CurveNet、PointMLP和D-PointNet++等常用的点云分割算法。[结论]TSNet能够为苗圃树木检测识别和农业机器人作业提供更准确的感知信息。

基于预训练SAM的提示式三维牙齿分割方法

目前,大多研究采用有监督学习方法在牙齿的三维数据上训练网络,完成分割任务,但在处理缺牙、严重错位或颌部不完整的牙齿时效果不佳,泛化能力较弱。为此,提出了一种基于预训练分割一切模型(segment anything model,SAM)和提示分割技术的方法。首先,在2022年国际医学图像计算和计算机辅助干预会议(MICCAI 2022)的三维牙齿公开数据集上微调模型。然后,将三维牙齿模型投影至多个二维视图,利用SAM网络进行图像分割。再将每个像素的标签映射回原始的三维三角形面片,完成三维牙齿分割。在该数据集中,测试了900个较理想的三维上下牙数据,取得了与主流技术相当的结果。对于缺牙、牙齿错位以及上下颚不完整的复杂情况,本文方法表现出显著优于现有技术的效果,展示了更强的泛化能力和稳定性。

基于交叉融合自注意力的点云语义分割

针对目前点云语义分割算法通常采用简单的串联三维原始坐标信息方式建模几何信息,导致建模不完整问题.提出了交叉融合自注意力网络,在该网络的编码层中设计了交叉融合自注意力机制模块,通过交互学习坐标和特征信息,提高局部细粒度特征描述能力,使得几何信息建模更加完整.同时为了更好地结合浅层与高层特征,提出了一种层级特征融合模块,通过自适应地连接网络不同层,实现不同层的特征整合.在S3DIS、Semantic3D和SemanticKITTI数据集上实验表明:该算法优于RandLA-Net等先进算法.

多尺度特征增强的街景绿色景观分割方法

针对街景图像中景观复杂多样且多种景观相互遮挡,绿色景观分割效果存在相似景观错分、边界分割模糊、细节丢失等问题,提出一种多尺度特征增强的城市绿色景观分割网络。在编码部分改进多尺度残差网络提取上下文信息以区分相似景观,同时构建多级特征聚合增强模块增强目标特征的边缘细节信息。增加双注意力机制,在局部特征上建模丰富的上下文联系。最后,将多级特征聚合增强模块同样引入解码器,并融合多层级特征来提高目标信息的恢复能力完善边缘信息。在公共街景数据集Cityscapes与自制数据集StreetData的消融实验表明,该网络与基础网络相比,平均交并比分别提高2.96%和5.57%。此外,在两个数据集上进行对比实验,该网络较对比模型平均交并比分别高1.25%~5.29%和1.52%~6.95%。定量分析与实验结果表明,该方法能够有效识别街景的绿色景观,实现高精度的城市绿色景观数据提取。

基于对比学习和标签挖掘的点云分割算法

基于深度学习的点云分割算法通过设计复杂的特征提取模块,可以对高维空间点云进行有效的分割.但由于缺乏对边界点集的特征挖掘,使得其对边界分割的精度欠佳.已有将对比学习思想用于点云分割以解决边界区域分割性能不足问题的研究中,忽略了点云无序和稀疏特性,特征提取不够准确.对此,设计了基于对比学习和标签挖掘的点云分割模型CL2M(contrastive learning label mining),通过自注意力机制学习不同位置处点云更为精准的特征,并引入对比学习方法,提高了点云边界处的分割精度.在对比边界学习过程中通过深入挖掘语义空间中的标签并设计了基于标签分布的对比边界学习模块,使得高维空间点云标签分布包含更多的语义信息.CL2M充分利用标签的分布规律计算分布间的距离,可准确划分正负样本,减少了常规硬划分带来的累计错误.在2个公开数据集上进行的实验结果表明,CL2M在多个评价指标上优于既有的点云分割模型,验证了模型的有效性.

基于数据流分割和能耗感知的异构服务器系统任务调度

异构服务器平台为大型系统提供了强大的计算能力,但也带来了系统复杂性和能耗管理方面的挑战。针对异构服务器系统中的依赖任务,深入探讨了基于数据流分割的能耗感知调度问题。首先,对系统环境、依赖任务及数据流传输模式进行了建模,并将能耗感知调度问题表述为一个约束优化问题,以最小化任务的调度完成时间。随后,提出了一种基于数据流分割和任务优先级策略的能耗感知调度算法DSEA。该算法通过优化数据流分割策略、任务优先级和基于权重的能耗分配,为每个任务寻找近似最优的启动时间和服务器分配方案。为了验证所提方法的有效性,从阿里巴巴集群数据集中随机选取了1000个不同长度范围的作业进行仿真实验。实验结果表明,DSEA算法在不同应用场景下较3种现有算法表现出显著的性能优势。

基于前后景分割的图像情感分析

图像是生活中重要的信息源之一,对其所表达的内容进行细节分析,可以更充分地利用信息资源。随着信息化的快速发展,针对图像模态开展情感分析工作已成为目前研究的一大热点。图像情感分析的主要环节依次为:情感特征提取、情感空间的选择、特征融合和情感识别分类。现有的大部分图像情感分析工作以图像整体为单位进行输入,未能充分发挥图像中局部特征的情感作用。如果不能对图像的全局特征和局部特征作出区分,当图像出现清晰度不高、背景噪声较多等问题时,图像的全局特征就会变得较为敏感,特征提取和识别工作将会受到严重干扰,对情感分析的准确性产生一定影响。针对目前图像情感分析存在的不足,提出一种基于前后景分割的图像情感分析方法。该方法以YOLOv5为框架,引入ConvNeXt模块和AFF模块,分别进行特征提取和注意力融合。实验结果表明,与目前比较流行的几种图像情感分析方法相比,该方法对于包含更多情感信息和语义信息的场景更为适用,性能也有所提升。

基于CNN和Transformer交叉教学的半监督医学图像分割

由于医学图像分割领域缺乏高质量的标注数据,半监督学习方法在医学图像语义分割任务中受到高度重视.为了充分利用卷积神经网络(Convolutional Neural Network,CNN)和Transformer在半监督学习中的优势,本文提出一种基于CNN与Transformer交叉教学的半监督医学图像分割方法.该方法将经典的深度协同训练从一致性正则化简化为交叉教学,利用循环伪标签方案使两个网络的预测差异转换为无监督损失,以鼓励两个网络具有一致的低熵预测.所提方法在ISIC 2018数据集上进行实验,在采用20%的标注比例时,Dice系数和Jaccard系数分别达到87.25%和79.17%,相比于监督U-Net++的训练结果分别提升了2.89%和3.53%,并且优于目前主流的半监督学习方法,验证了所提方法在半监督医学图像分割上的有效性和泛化性.

容积调强弧形治疗与射波刀六维颅骨追踪技术对头颈部肿瘤晶格空间分割放疗的剂量学研究

目的对比容积调强弧形治疗(VMAT)和射波刀六维(CK-6D)颅骨追踪技术在头颈部肿瘤晶格放射治疗(LRT)的剂量学和治疗效率的差异,并分析技术优势。方法回顾性选取接受基于VMAT技术(VMAT方案)完成LRT治疗的头颈部肿瘤病人7例,并将病人的CT影像及相关放射治疗结构集导入CK-6D计划系统(CK-6D方案),选择可变(Iris)准直器进行治疗计划设计。2种方案采用相同的处方剂量,比较2种方案下病人的肿瘤靶区(GTV)和晶格肿瘤靶区(GTV-Lattice)的90%体积照射剂量(D_(90))、平均照射剂量(D_(mean))、剂量峰谷比(PVDR)以及消融剂量比(ADR)。测量危及器官的剂量学参数,包括脑干、脊髓、视交叉的D_(max),腮腺的D_(mean),0.05~1 cm^(3)体积的皮肤接受的照射剂量(D_(0.05 mL)-D_(1mL))和Dmean等。采用配对t检验比较2个方案的治疗时间、Gamma通过率、PVDR、ADR和跳数(MU)。结果与VMAT方案相比,CK-6D方案GTV的D_(mean)降低,而GTV-Lattice的D_(90)和D_(mean)升高(均P<0.05);其余剂量参数在2方案间的差异无统计学意义(均P>0.05)。CK-6D方案的治疗时间、PVDR和MU均高于VMAT方案(均P<0.05)。2个方案间的Gamma通过率和ADR差异无统计学意义(均P>0.05)。结论头颈部肿瘤LRT治疗中,CK-6D相比VMAT技术,在肿瘤靶区内可实现更高的PVDR和更大的剂量梯度。但需要结合治疗时间的因素来权衡选取合适的技术以优化治疗效果和效率。

基于叠合分割和改进YOLOv8的10kV柱上设备缺陷检测方法

针对10kV柱上设备缺陷检测中存在识别目标较小和背景干扰严重的问题,提出了基于叠合分割和改进YOLOv8的10kV柱上设备缺陷检测方法。针对待检测目标较小的问题,提出了将检测图片4等分分割的同时引入黄金分割率的叠合分割思想,从而放大识别目标,提高检测精度;针对原版YOLOv8在检测目标时易受背景干扰与目标定位不准的情况,提出了添加GAM注意力机制与替换损失函数的方法,从而提高目标权重占比。该方法在自建的CCDD(column equipment detection dataset)数据集上进行了实验,实验结果表明,该方法对缺陷的平均检测精确度达到了86.7%,召回率达到了83.2%,相较于原版YOLOv8准确率提高7.1%的同时,mAP@0.5提高了9.9%,为10kV柱上设备缺陷检测提供了新方法。

基于局部上下文关系与自适应感知学习的细粒度肺部分割

肺部CT图像分割是计算机辅助诊断系统识别肺癌等疾病的基础步骤,但肺部组织的多样性易造成CT图像的肺部区域出现局部噪点,且心脏等器官的介入也易导致肺部边缘模糊。为解决上述问题,提出一种结合局部上下文关系建模与自适应感知学习的U型卷积网络模型。针对肺部区域的局部噪点,模型通过周边信息对肺部特征构建多层次的上下文关系,增强网络对多样肺细胞的识别能力。针对边界难以区分的问题,设计了自适应感知学习模块:模块设计了混合注意力从通道层面与空间层面引导模型赋予肺部区域更多的关注;自适应感知模块之间由下至上的特征融合机制增强了模型识别肺部特征的鲁棒性。该方法在LUNA和SHCXR两个肺部分割数据集上取得了98.58%和97.68%分割精度,较其他分割方法平均提升了0.34%和0.25%,可为进一步的肺部疾病分析提供有力支持。

基于对抗学习和一致性正则的半监督语义分割方法

为了降低语义分割任务对像素级标签的需求,提出一种基于对抗学习和Mean teachers模型的半监督语义分割方法。该方法训练过程分为两个阶段,第一阶段在分割网络之后连接判别网络,通过对抗学习使分割网络预测结果逐渐接近真实标签;第二阶利用第一阶段的网络参数做指数移动平均得到教师网络,与分割网络做一致性训练,使模型性能进一步提升。使用PASCAL VOC 2012数据集进行实验,结果表明在使用相同数量的标签训练下,该方法的分割图的质量和评价指标mIoU优于现有半监督语义分割方法。

基于Transformer与注意力机制的肺部肿瘤分割方法

肺部肿瘤的准确分割对于肿瘤的诊断和治疗具有重要作用,然而肺部肿瘤分割中存在病灶与周围组织的对比度低、肿瘤与正常组织易粘连和背景噪声大等问题。针对这些问题,本文提出了一种基于Transformer和注意力机制的肺部肿瘤分割方法。在Transformer编码器阶段引入全局和局部的注意力机制,使得网络可以同时关注全局和局部的上下文信息;在跳跃连接阶段,使用通道优先卷积注意力机制,可以增强复杂病灶的空间感知能力和降低通道维度冗余,从而提高肿瘤的分割精度。在私有数据集GDPH和公共数据集LUNG1上的测试结果表明,本文方法相比其他8种分割方法,Dice指标在两个数据集上表现最优,分别为90.96%和88.18%,可以为临床的诊疗提供可靠辅助。

基于扩展型活性膜系统的彩色图像分割方法

为克服优化算法易陷入局部最优和收敛速度慢的局限,提高扩展膜系统在图像处理领域的优化性能,提出一种基于扩展型活性膜系统(P system)的改进北方苍鹰优化(improved northern goshawk optimization,INGO)算法——PINGO.采用北方苍鹰优化算法作为基本膜中的进化规则,通过更新苍鹰的状态进化基本膜中的对象,将INGO算法作为局部进化规则来进化子膜中的对象.该系统根据活性膜自身的特点在基本膜中溶解或产生子膜,通信规则用于实现不同膜之间的信息交换与共享,避免算法陷入局部最优.在数据集BSD300和BSD500上,分别采用海鸥优化(seagull optimization algorithm,SOA)算法、灰狼优化(grey wolf optimizer,GWO)算法、INGO算法和PINGO算法,对不同优化阈值个数的图像进行分割.结果表明,PINGO算法在分割后的图像上的峰值信噪比均优于其他算法,特征相似度最优值也占了83%,在保持色彩与纹理的同时提高了分割的准确性.研究结果表明了所提彩色图像分割方法的有效性.

基于交叉协同注意力网络的小样本肠道息肉图像语义分割

目的:提高肠道息肉图像语义分割模型对查询图片中未知目标的分割性能。方法:提出一种基于交叉协同注意力网络的小样本肠道息肉图像语义分割方法。首先,利用预训练的VGG-16网络提取支持图片和查询图片的视觉特征;然后,利用支持特征和查询特征建立分支间特征的交叉融合,促进分支间特征语义的对齐;最后,利用无参数的度量方法,逐像素实现查询图片中每一位置的像素分类。结果:在Kvasir-SEG等4个开源的肠道息肉图像数据集中,本研究所提出方法的前景背景交并比(FB-IoU)分值均优于经典的医学图像语义分割模型U-Net。结论:基于交叉协同注意力网络的小样本肠道息肉图像语义分割方法可以精准定位支持图片和查询图片中的息肉区域,具有较好的分割性能。

基于改进YOLOv8的交通场景实例分割算法

提出一种基于改进型YOLOv8的实例分割算法(DE-YOLO)。为减少图像中复杂背景的干扰,引入高效多尺度注意力机制,跨维交互使各特征组内空间语义特征平均分布。在主干网络部分,使用可变形卷积DCNv2结合C2f卷积层,突破原始卷积限制,提升可变性。为减小有害梯度并提升检测器精度,采用动态非单调聚焦机制Wise-交并比(WIoU)替代联合完全交并(CIoU)损失函数进行质量评估,优化检测框定位,提升分割精度。同时,通过开启Mixup数据增强处理,充实数据集,丰富训练特征,提升模型学习能力。实验结果表明,DE-YOLO在城市景观数据集Cityscapes中的掩模平均精度均值(mAPmask)较基准模型YOLOv8n-seg提高了2.0百分点,IoU阈值为0.5时的平均精度提升了3.2百分点,所提算法在提升精度的同时,保持了优良的检测速度和较少的参数量,模型参数量较同类模型低2.2~31.3百分点。

基于局部上下文融合的息肉语义分割模型

为了准确分割息肉,提出了局部上下文融合的分割模型,该模型引入局部上下文注意力机制来过滤掉无关的特征信息,并增强对重要区域的关注。通过多核扩展卷积捕获不同尺度的特征,以提高息肉边界分割的精度。引入金字塔上下文选择模块,利用较浅层编码器特征补偿深层编码器丢失的低级信息,使模型能够适应各种大小的息肉。该模型在Kvasir-SEG、EndoScene和CVC-ClinicDB数据集上分别达到了97.67%、97.19%和99.23%的准确率,平均交并比分别为91.2%、88.31%和94.75%,比现有经典方法有更好的准确性和泛化性,验证了该模型在息肉分割任务中的优越性能。本文模型在息肉分割准确性方面得到提升,为息肉分割提供更为精准的辅助。

基于CT影像的肺组织分割方法综述

CT影像具有空间分辨率高的优点,是肺部疾病影像学诊断的首选方式。肺部病灶的检测和测量、肺功能的定量分析均需要精确的肺组织分割。为解决CT影像由于噪声、伪影、部分容积效应等干扰而导致的肺部各组织之间灰度交叠、边界模糊、难以分离的问题,系统地综述了针对肺部各个分割对象的有效解决方法。从肺实质分割、肺血管分割、肺气道分割、肺叶分割、肺结节分割以及肺部病变组织的分割等方面,详细分析了面临的挑战性问题和当前研究进展,并阐述了肺组织分割方法的发展趋势。