基于UNet与ResUNet++模型的宫颈癌放射治疗危及器官自动分割效果对比

目的对比基于UNet与ResUNet++模型的宫颈癌放射治疗危及器官自动分割效果。方法在PyTorch平台搭建UNet与ResUNet++模型。将2023年6月至2024年2月于医院行放射治疗的232例宫颈癌患者的治疗计划作为研究对象,其中194例计划用于模型的训练和验证,38例计划用于测试。危及器官包括肝、膀胱、直肠、脊髓、肾、股骨、股骨头。使用3D-戴斯相似性系数(3D-DSC)及95%豪斯多夫距离(HD95%)评估2种模型的分割结果。结果UNet模型分割结果显示,直肠的3D-DSC较低,为0.847(0.809,0.868),其他危及器官的3D-DSC均较高,位于0.938(0.929,0.945)至0.978(0.975,0.979)范围内;肝和膀胱的HD95%较高,分别为11.449(8.822,13.740)和13.038(11.365,15.699),其他危及器官的HD95%均位于2.638(2.341,2.812)至6.424(5.502,8.071)范围内。ResUNet++模型分割结果显示,直肠的3D-DSC较低,为0.792(0.707,0.855),其他危及器官的3D-DSC均位于0.929(0.876,0.950)至0.977(0.976,0.979)范围内;肝和膀胱的HD95%较高,分别为10.954(8.552,13.460)和13.114(11.066,16.664),其他危及器官的HD95%均位于2.640(2.161,3.029)至6.824(6.050,8.066)范围内。2种模型分割的肝、右肾3D-DSC比较,差异无统计学意义(P>0.05);2种模型分割的其他器官的3D-DSC比较,差异均有统计学意义(P<0.05)。UNet模型分割的左股骨头HD95%低于ResUNet++模型,差异有统计学意义(P<0.05);其余器官的HD95%比较,差异均无统计学意义(P>0.05)。结论UNet与ResUNet++模型均可进行宫颈癌放射治疗危及器官的自动分割,且UNet模型的整体分割效果好于ResUNet++模型。

基于UNet模型燃气管道高后果区分割方法研究

为提升燃气管道设施监测和事故应急响应中的高后果区图像分割精准度和可靠性,通过改进UNet模型结构,使用优化后的Inception Block模块、通道注意力和空间注意力机制的方法,提升模型捕捉关键特征的能力,并引入高斯噪声增强模型鲁棒性,采用保留最佳参数策略得到最优训练参数。然后对SE UNet、UNet++、原始UNet以及改进后UNet模型在航拍图像数据集上的分割效果进行对比和分析。研究结果表明:相对SE UNet、UNet++和原始UNet,改进后UNet模型在分割效果上表现更佳,综合性能优于其他模型。同时,改进后UNet模型提高了分割准确性,降低了误检和漏检风险。研究结果可为燃气管道设施的安全运行和维护提供有力支持。

基于LOFUnet深度卷积神经网络低序级断层多属性识别方法

低序级断层控制圈闭及油气富集,对油气勘探开发具有重要的意义。但其识别描述难度大、效率低,严重制约了该类油藏的勘探开发进程。随着人工智能的发展,深度学习为低序级断层识别提供了新的途径。这里在样本集构建及方法上都有创新之处:建立了同相轴错动、扭动、微扭动地震响应特征的低序级断层样本集,为智能识别奠定了良好的样本库;LOFUnet网络是在UNet基础上进行的改进,可以获取样本中更多低序级断层信息的特征。笔者通过方差属性、倾角属性和振幅属性融合获得新的断层体,用构建的LOFUnet网络进行低序级断层识别。网络通过残差块构建编码器端可以获取更多的低序级断层特征,解决梯度消失问题,提高模型的收敛速度,增强模型的稳定性以及低序级断层检测的精度和效率。选用正演模拟数据和实际地震数据分别对UNet模型、LOFUnet模型进行测试,结果表明,基于LOFUnet深度卷积神经网络低序级断层多属性识别方法提取的信息更加丰富,提高了低序级断层识别的准确度。

基于VGG-UNet的食用菌菌丝体表型参数自动测量方法

食用菌菌丝体表型特征是食用菌种质资源评价和科学育种的重要依据。针对传统阈值分割方法提取菌丝体区域易受到光照不均、菌丝体不规则生长和培养皿内产生代谢物等因素干扰的问题,制作食用菌菌丝体图像数据集,并提出一种基于深度学习的食用菌菌丝体表型参数自动测量方法。将U-Net网络编码器部分替换为VGG16的前13个卷积层,引入预训练权重,构建适用于菌丝体分割的VGG-UNet模型。测试集上对比实验表明,该模型的平均交并比达到98.18%,比原始U-Net模型高0.93个百分点。经该模型获取菌丝体分割图像后,利用OpenCV相关函数计算菌丝体的半径、周长、面积、覆盖度、圆整度这5个表型参数。将人工测量方法与本文方法进行线性回归分析,得出菌丝体半径、周长、面积和覆盖度的决定系数分别为0.979 5、0.991 5、0.975 0和0.975 0,均方根误差分别为2.20 mm、4.73 mm、176.74 mm^(2)和3.16%。经测试,本文方法能准确地完成食用菌菌丝体表型参数自动测量任务,为食用菌表型分析研究提供理论基础。

改进UNet-VAE网络的土壤多类型孔隙三维分割方法

不同类型土壤孔隙结构会随生物活动和非生物作用发生形变,从而影响其生态功能,准确分割不同类型的孔隙结构对于研究孔隙结构与生态功能演变关系具有重要意义。针对单个类别孔隙的分割方法分割精度低、分类标准单一、鲁棒性差,无法准确分割和判别生物孔隙、裂隙等相交部分孔隙结构的问题。该研究针对不同类型孔隙尺度差距大的特点,提出了一种改进UNet-VAE网络模型,实现土壤多类型孔隙分割。改进UNet-VAE网络引入多尺度特征融合注意力模块,以实现多尺度信息融合和冗余信息筛选。结合变分自动编码器生成网络(variational autoencoder,VAE),引入噪声和辅助损失函数,以增强网络的泛化能力和鲁棒性。试验结果表明:改进UNet-VAE方法在土壤多类型孔隙(裂隙、生物孔、不规则孔隙和球状孔隙)三维分割中达到了93.83%的平均准确率,与次优VNet方法相比,平均准确率、精确率、召回率和F1值分别提升了3.32,5.06,8.97和8.63个百分点,特别是对于不规则孔隙4项指标分别提升了4.88,15.46,15.70和15.50个百分点,表明改进UNet-VAE法可准确分割多类型孔隙,也验证了深度学习技术在多类型孔隙判别的有效性,可为揭示土壤孔隙结构与演化研究提供有效工具。

MCJ-UNet:一种双/多通道联合InSAR相位解缠网络

干涉合成孔径雷达(InSAR)可实现地表高程的高效获取,在地形测绘中应用广泛。双/多通道InSAR技术可借助不同通道(基线、频点)的高程模糊度差异,解决相位欠采样问题,完成高程陡变区域的干涉相位解缠,实现InSAR技术在测绘困难区域的有效应用。该文即面向高效高精度相位解缠需求,利用深度学习这一有力工具,结合不同通道的相位特征及相互约束关系,提出了一种双/多通道联合干涉相位解缠网络:Multi-Channel-Joint-UNet(MCJ-UNet)。该网络的构建以双通道(双频、双基线)InSAR为基本观测构型,并可实现向多通道构型的扩展,其构建的核心思路主要包括3点:首先,将干涉相位解缠中的模糊数估计问题转化为语义分割问题,并采用UNet网络完成分割处理;其次,引入挤压激励模块(SE)动态调整信息权重,以增强网络不同通道对其所需信息的感知能力;最后,利用多通道联合约束下的相位残差优化损失函数,实现网络调谐。此外,为避免语义分割结果的边缘细节误差对解缠效果的影响,该文还提出了一种基于多通道联合约束的解缠误差自修正方法,以保证解缠质量。模拟地形仿真数据、真实地形仿真数据以及TerraSAR-X实测数据验证了所提方法的有效性。

基于Res-UNet算法的螺旋溜槽精矿带识别分割方法研究

螺旋溜槽在铁、锡、钛、钽铌等金属及硫、煤等非金属矿的选矿生产中获大量应用,但目前螺旋溜槽的精矿截取调节控制还是依赖于人工,急需开发一种精矿的自适应截取技术代替人工截取以提高螺旋溜槽的生产效率。而实现这一目标的首要任务就是需要解决依赖人工肉眼获取精矿带位置信息的问题,因此提出了一个改进的UNet网络模型Res50-UNet-FD。算法模型使用UNet模型为基础,将残差网络ResNet50代替UNet网络中编码部分的特征提取网络,解决了深层特征提取过程中特征梯度消失以及网络消失的问题,有效提升了螺旋溜槽精矿带特征信息提取的精度。同时,为了改进和优化螺旋溜槽精矿带图像样本数据难易不平衡的问题,利用FocalLoss和DiceLoss的混合损失函数代替原本的CELoss损失函数。经对比,本文算法优于VGG-UNet、Res34-UNet、DC-UNet网络模型,算法模型的mIOU、mPA、F1分数和精确度分别为0.9632、0.9869、0.9870、0.9907。在性能指标上,本文算法无论是mIOU、mPA还是F1分数,整体性能都比VGG-UNet、Res34-UNet、DC-UNet网络模型高,算法的整体性能稳定。本文算法实现了对螺旋溜槽精矿矿带的分割识别,分割精度可以满足生产中对螺旋溜槽精矿分带特征信息识别的需求,为实现螺旋溜槽精矿的自适应截取奠定基础。

基于改进UNet模型的油茶果振动采摘点定位方法

针对非花果同期油茶果采收效率低这一问题,提出一种侧枝振动采摘点定位方法,通过振动侧枝降低树木损伤并实现高效采收。首先构建数据集,对侧枝分段标注,向UNet中添加CloFormer注意力机制并命名为Clo-UNet,实现侧枝的二维重构。其次,在Clo-UNet基础上进一步设计采摘点定位方法并命名为Clo-UNet-Point,该方法优先选择采收离果实最远且最粗的枝条。试验表明,Clo-UNet在验证集上表现优异,其中br_con(连果枝)、danger(危险区)和br_pro(优先采收区域)的平均交并比mIoU分别达到85.36%、86.37%和81.29%,平均像素精度mPA分别达到94.97%、96.17%和89.48%,Clo-UNet在整个数据集上的mIoU和mPA分别比UNet高5.14、6.85个百分点。通过观察验证集647幅图像,Clo-UNet-Point算法在不同光照条件下均能定位到采摘点,平均检测一张图像用时0.15 s。该研究可为未来非花果同期类油茶果的自动化振动采收奠定理论基础。

基于改进的空洞卷积UNet网络提取林地信息方法

为提升大范围林地信息提取的智能化程度及效率,提出了一种基于残差连接的空洞卷积UNet网络(RCD-UNet网络),将残差连接双卷积模块与传统UNet网络进行有机结合以提升模型性能,并以GF-2号高分辨率卫星遥感影像为数据源,开展了南京林地信息提取方法研究。结果表明:引入空洞金字塔池化层(ASPP)模块能够增强模型对上下文的感知能力,林地信息提取的总体精度为95.44%,Kappa系数为82.48%,满足高效、准确提取森林资源空间结构信息的需求,为森林资源管理与调查提供了技术支撑。

基于改进Res-UNet网络的织物瑕疵图像识别方法

复杂花色织物的纹理和色彩常常是非规则的,导致织物表面瑕疵识别难度较高。针对上述问题,研究一种基于改进Res-UNet网络的织物表面瑕疵图像识别方法。采集织物图像并对其实施灰度化、去噪以及直方图均衡化处理,利用蝙蝠算法求取最佳提取网络层数,通过增加特征提取网络层数改进Res-UNet网络,利用改进后的Res-UNet网络识别织物表面瑕疵,并且采用迁移学习算法进一步优化识别模型的参数,实现织物表面瑕疵准确识别。结果表明:本文方法应用下,无论是素色样本,还是花色样本,其识别系数均达到0.9以上,相比基于标签嵌入方法的织物瑕疵识别方法和双路高分辨率转换网络的布匹瑕疵检测方法,本文方法对复杂花色样本的轮廓系数识别更高,适用性更好,识别能力更强。

BBTUNet:基于上下文Transformer的肝脏肿瘤分割算法研究

肝癌是世界范围内最常见的恶性肿瘤之一,严重威胁着人类的生命健康,从计算机断层扫描(Computed Tomography,CT)中精确分割出肝脏肿瘤对后期的临床诊断具有重要的意义。现有的方法虽然实现了肝脏肿瘤的自动化分割,但肝脏肿瘤边界模糊、目标较小、容易漏检等问题尚未很好地解决,肝脏肿瘤的精确分割仍旧是一项极具挑战的任务。针对这些问题,该文提出一种新的分割网络BBTUNet。构建基于Transformer的上下文Bridge,重新设计UNet的跳跃连接结构,有效捕捉多尺度特征之间的上下文关系。在Transformer的前馈神经网络中引入可分离的空洞卷积,提出改进的前馈神经网络BFFN,有效融合全局和局部信息,增强边界特征,细化分割边缘。在3DIRCADB数据集上对模型进行训练和测试,实验结果表明,提出的BBTUNet网络的Dice系数为82.1%,ACC为96.4%,相较于UNet网络,分别提升了10.9%、4.6%,且对于小尺寸、低对比度、边界模糊的肿瘤分割具有显著优势。

基于多尺度Scale-Unet的单样本图像翻译

随着生成对抗网络(GAN)的发展,基于单样本的无监督图像到图像翻译(UI2I)取得了重大进展。然而,以前方法无法捕获图像中的复杂纹理并保留原始内容信息。为解决这个问题,提出了一种基于尺度可变U-Net结构(Scale—Unet)的新型单样本图像翻译结构SUGAN。所提出的SUGAN使用Scale—Unet作为生成器,利用多尺度结构和渐进方法不断改进网络结构,以从粗到细地学习图像特征。同时,提出了尺度像素损失scale-pixel来更好地约束保留原始内容信息,防止信息丢失。实验表明,与SinGAN、TuiGAN、TSIT、StyTR2等公共数据集Summer■Winter、Horse■Zebra上的方法相比,该方法生成图像的SIFID值平均降低了30%。所提方法可更好地保留图像内容信息,同时生成详细逼真的高质量图像。

基于多阶段渐进式UNet压制地震勘探随机噪声

数据处理是地震勘探的关键环节,UNet网络作为典型的神经网络架构之一,近年来也被用于地震勘探领域,作为一种压制随机噪声的手段。UNet网络基于其对称的编码和解码结构,可以提取广泛的上下文信息,但由于其编码部分过度使用下采样操作,容易丢失输入图像的空间细节部分。其次,UNet架构是一种单阶段模型,网络结构简单,在空间精确度和多尺度信息之间难以达到平衡。基于此,提出多阶段渐进式UNet网络(MPUNet),网络前两个阶段采用编码器-解码器学习丰富的多尺度信息,最后一个阶段通过原始分辨率子网络保留精确的空间细节。每两个阶段之间引入监督注意模块,用来重新校准进入下一阶段的特征,以及引入跨阶段特征融合机制,使整个网络框架连接更加紧密,避免有效信息的丢失。人工合成记录和实际地震数据实验结果表明:相比于时频峰值滤波(TFPF)、残差密集网络(RDNet)、传统UNet和加入残差密集块的UNe(t RDBUNet),MPUNet具有更显著的去噪效果,能够有效提高地震数据的信噪比和分辨率,为后续地震资料的分析解释提供了有利的依据。

改进UNet++的杉木CT图像年轮分割

为解决裂纹、虫孔和节子等缺陷影响下的年轮准确分割问题。以医疗CT为实验设备,重构125张杉木横切面CT图像为研究对象,经裁切、旋转、翻转等预处理实现数据扩充,提出改进UNet++模型用于年轮分割。改进UNet++模型采用增加卷积块、下采样层、跳跃连接和上采样层的方式,将学习深度增加至6层,以BCEWithLogitsLoss和ReLU分别作为损失函数和激活函数,RMSProp作为优化函数,对杉木横切面CT图像进行年轮分割,并对年轮分割性能进行评价。结果显示:改进UNet++模型对于杉木横切面CT图像的年轮分割的像素准确率为97.81%,骰子系数为98.89%,交并比为95.29%,平均交并比为84.75%,充分提取杉木年轮特征,分割效果最好。与U-Net模型和UNet++模型相比,改进UNet++模型在多数年轮被裂纹和虫孔切割,无法形成完整圆形闭合曲线的条件下,使分割的年轮具有很好的完整性和连续性,消除分割过程中的断裂和噪声现象;年轮分割结果不受裂纹、节子、虫孔等缺陷影响,结构非常清晰,有效解决多种缺陷干扰下的虫孔误分割和密集年轮欠分割等问题。

基于改进UNet3+的岩心图像颗粒提取算法

在石油勘探过程中,岩心颗粒是研究地质层序、评估油气含量以及认识地质构造的有效资料,对岩心颗粒图像进行颗粒提取有利于地质研究人员后续的深入分析.岩心颗粒图像通常存在颗粒边缘模糊、背景与颗粒色彩复杂的问题.为了改善岩心颗粒提取的效果,本文设计了一种基于改进UNet3+的岩心图像颗粒提取算法.该算法在UNet3+的每个编码层后加入感受野模块(RFB)来扩大网络的感受野,从而有效地解决网络因感受野受限而导致的分割精度低的问题,并在RFB模块后嵌入了卷积块注意力模块(CBAM)使网络更加精确地聚焦于目标区域,提高目标区域的特征权重.实验结果表明,改进后的算法在岩心颗粒图像上具有良好的分割效果,相比原始UNet3+网络,分别在mIoU、mPA和FWIoU上提升了5.43%、2.99%和5.34%.

改进的UNet3+网络高分辨率遥感影像道路提取

为解决UNet3+网络随深度加深出现大量融合冗余操作以至于模型训练时间过长而导致在道路提取中运用较少的问题,对UNet3+网络进行改进,通过删减UNet3+的网络层级使用Bottleneck模块替换原有网络中的卷积层,保留网络特征融合能力的同时降低网络复杂度,并引入混合注意力机制优化模型,构建了一个新的网络模型。将改进方法与几种典型的道路提取模型做对比。实验结果表明:(1)所提方法相较于Unet3+网络在、Recall、IOU、ACC四个指标上分别提升了4.72%、2.46%、4.84%、2.01%,均优于对比算法;(2)对比几个经典的特征提取模型,改进的模型具有更好的识别效果,在道路提取的精度、连接性、完整性等方面均表现出优越性。

基于轻量级UNet的复杂背景字符语义分割网络

针对传统复杂背景字符分割算法的不足,提出了一种基于轻量级UNet的复杂背景字符语义分割网络.网络结构基于UNet,在特征提取模块中,将传统卷积变为深度可分离卷积,减少了网络特征提取模块的参数量以及计算量,并引入残差学习模块解决网络退化问题.在自制数据集以及H-DIBCO2018公开数据集上展开实验,并与FCN8s、AttationUNet和UNet进行比较.实验结果表明:所提出的网络可同时兼顾计算效率与分割精度,具有实用性.

基于UNet++卷积神经网络的重力异常三维密度反演

三维密度反演是地球物理领域的研究热点,而在大数据及人工智能发展的时代背景下如何快速高效地实现重力数据反演显得更为重要.传统反演方法通常需要存储大型系数矩阵,内存占用大,耗费时间长,同时为约束反演结果而加入的正则化约束项参数难以确定;深度学习可以不依赖先验信息,也不需要计算及存储系数矩阵,使得计算效率大大提高.基于此,本文提出了一种基于UNet++网络的重力异常反演方法.首先将UNet++网络中部分参数进行更改:选择在输入数据绝对值较大时梯度更稳定的LeakyReLU作为激活函数;加入了Batch Normalization层,增强了网络的收敛速度及稳定性.然后为了提高网络的全局最优化能力,引入了基于余弦退火的学习率更新策略,使用梯度的一阶以及二阶矩估计的Adam最优化算法,利用数据集与标签集进行网络训练,实现了重力异常的三维密度反演.通过实验验证了UNet++、LeakyReLU更快速稳定的收敛能力,而余弦退火学习率更新策略具有更强的全局寻优能力.含噪模型实验及实际数据反演结果进一步证明该方法的正确性和有效性,及其良好的泛化能力与抗噪能力.

基于UNet的翼型可压缩流场机器学习推理方法

为进一步提升高雷诺数、大迎角(Angle of attack,AoA)和高马赫数下的翼型可压缩流场预测精度和效率,本文提出了一种基于坐标转换方法和UNet神经网络的机器学习推理方法。首先,提出了用于数据前处理的坐标转换方法,将计算流体力学中的物理量和网格信息转换成神经网络空间信息,使流场信息的分布更符合神经网络的输入要求。其次,建立了新型深度UNet神经网络,使模型学习到翼型流场精细复杂的局部流动特征。本文将两种方法结合,建立了翼型可压缩流场机器学习推理方法,得到快速高精度的推理模型。最后,对不同种类翼型的流场与气动力进行预测分析,并与传统机器学习方法预测的结果进行比较。结果表明,本文提出的机器学习推理方法能够较好地预测翼型的可压缩流场,并且能够更好地捕捉高雷诺数下的复杂流动行为以及预测大迎角、高马赫数条件下的流动分离和激波现象。

基于Unet+Attention的胸部CT影像支气管分割算法

目前肺气管分割中,由于CT图像灰度分布复杂,分割目标像素近似,易造成过分割;而且肺气管像素较少,难以得到更多目标特征,造成细小肺气管容易被忽略。针对这些难点,本研究提出结合Unet网络和注意力机制的肺气管分割算法,注意力机制使用的是关注通道域和空间域的卷积块注意力模型(CBAM),该模型提高了气管特征权重。在损失函数方面,针对原始数据中正负样本失衡的问题,引入focal loss损失函数,该函数对标准交叉熵损失函数进行了改进,使难分类样本在训练过程中得到更多关注;最后通过八连通域判断将孤立点去除,保留较大的几个连通域,即最后的肺气管部分。选用由合作医院提供的24组CT影像和43组CTA影像,共计26157张切片图像作为数据集,进行分割实验。结果表明,分割准确率能够达到0.86,过分割率和欠分割率均值为0.28和0.39。经过注意力模块和损失函数的消融实验,在改进前的准确率、过分割率和欠分割率分别为0.81、0.30、0.40,可见其分割效果均不如Unet+Attention方法。与其他常用方法在相同条件下进行比较后,在保证过分割率和欠分割率不变的情况下,所提出的算法得到了最高的准确率,较好地解决了细小气管分割不准确的问题。