复杂背景下的红外探测虚警抑制方法研究

虚警抑制是红外小目标检测系统中的重要任务之一,在复杂场景下,存在着大量与目标灰度特征相似的干扰易被识别为虚警,现有方法难以准确、高效地区分目标并滤除虚警。本文提出了一种基于目标相对运动推理法的高鲁棒性红外虚警抑制方法,通过对上报目标进行运动信息提取,并分析目标间的相对运动关系,以构建运动信息匹配表,最终根据运动信息匹配结果进行投票信息选择,以滤除上报信息中的虚警。在8种包含虚警的复杂场景下进行了实验,包括背景相对相机静止目标移动的场景、目标相对相机静止虚警移动的场景、相机画面剧烈抖动的场景以及所有检测目标均为虚警的场景。实验结果表明,本文提出的方法在以上场景中都能够准确滤除虚警,同时可以在所有候选目标均为虚警的场景下保持虚警率为0。基于相对运动推理的方法可以实现复杂场景中的虚警抑制,在不同场景中表现稳定、快捷、滤除率高。

颞骨CT内面神经、迷路、听骨结构深度学习的自动化分割方法

目的探讨神经网络的深度学习方法,进行颞骨CT内面神经、迷路及听骨结构的自动化分割的可行性和精确性。方法选择常规颞骨CT检查患者的数据,随机分为两组,一组为训练集(20例),另一组为测试集(5例)。在上述颞骨CT中采用手工分割的方法,分割出迷路、听骨及面神经结构。选择三维卷积神经网络3D U-Net作为深度学习中的神经网络结构部分,通过对训练集的训练,得到该网络的平均精度。用该网络模型对5组测试集中的不同解剖标志自动分割的结果与手工分割的结果进行测试,分别获得面神经、迷路及听小骨的测试精度。并将上述精度与另一种基于三维卷积神经网络结构的V-Net网络模型获得的精度进行比较。结果在颞骨CT标本中,采用面神经、迷路及听小骨分别对3D U-Net-plus和V-Net网络结构的自动分割进行训练,在训练样本中,3D U-Net-plus网络结构的平均误差为0.016,V-Net网络结构的平均误差为0.035,两者差异有统计学意义(P<0.05);利用3D U-Net-plus神经网络自动分割的迷路、听小骨及面神经与手工分割图像的Dice相似指数分别为0.618±0.107、0.584±0.089和0.313±0.069,利用V-Net神经网络自动分割的迷路、听小骨、面神经与手工分割图像的Dice相似指数分别为0.322±0.089、0.176±0.100和0.128±0.077,两者差异有统计学意义(P<0.001)。结论采用3D U-Net-plus神经网络,在颞骨内听骨、迷路及面神经的自动识别和分割方面具有可行性,该方法优于V-Net神经网络。随着网络结构的优化和学习样本的扩大,其将更加接近人工分割的效果。

三维卷积神经网络在中耳手术相关颞骨影像自动分割中的应用探索

目的:研究基于三维卷积神经网络3DU-net神经网络的深度学习方法,在临床常规颞骨CT影像中,对中耳手术相关的迷路、面神经和听骨进行全自动分割的可行性。方法:随机调取门诊常规行颞骨CT检查患者的薄层CT扫描数据30例为正常结构组,既往耳蜗、面神经和听骨形态或走行变异者各1例为异常结构组。所有数据由两位临床医生在Mimics 20.0软件中,对面神经、迷路和听骨3个结构进行手工初分割和精细分割,同时利用3DU-Net对上述数据进行深度学习。分别对正常结构组中测试集5例和异常结构组中的迷路、听骨和面神经进行手工分割与自动分割的Dice相似指数(DSC)比较。结果:利用3DU-net网络结构对常规颞骨CT中迷路、听骨和面神经进行自动分割,其DSC分别为0.79±0.03、0.64±0.05和0.49±0.09;对异常的迷路、听骨和面神经的识别,其DSC也可达到0.71、0.54和0.40。结论:根据颞骨解剖特点,采用3DU-net神经网络结构,可以实现对迷路、听骨和面神经的全自动化分割,并获得接近手工分割的精度,该方法可行、快捷、准确度高。