融合纹理特征和注意力机制的异常脑MRI分割方法

异常脑磁共振图像(MRI)分割是临床应用的一个重要环节。目前,深度学习被广泛应用到异常脑图像分割任务中。然而由于异常脑结构复杂,肿瘤区域面积小,现有分割方法依然存在特征信息提取不充分、一些先验知识难以获得等问题。为了解决以上问题,本研究在U-Net网络的基础上,提出了一种双U-Net(DU-Net)分割模型。该模型首先将预处理后的MRI提取纹理特征,把提供额外边界信息的纹理特征图像和T1图像共同输入到DU-sub1网络中,其中双编码器子网络结合残差模块,并在解码过程中融入多尺度注意力机制模块进行特征还原,关注特征信息。最后通过DU-sub2网络将脑MRI分割为肿瘤部分、脑脊液、脑灰质和脑白质。DU-sub1和DU-sub2在异常脑MRI分割中分别起到粗略分割和精细分割的作用。在BraTS 2020数据集上进行了训练和测试,该模型分割结果中肿瘤部分、脑脊液、脑灰质和脑白质的平均DICE系数分别为0.831、0.917、0.905、0.911。该方法可以为临床诊断提供帮助,对后期的治疗具有一定的指导意义。

结合纹理特征的SVM海冰分类方法研究

海冰分类是遥感监测领域中的重要应用之一,海冰分类的准确性对于评估海冰冰情、保证航海安全和开辟北极航道具有重要的意义。针对海冰分类问题,本文选用Sentinel-1遥感数据,结合纹理特征分析,提出了一种改进的SAR海冰分类方法。该方法选用灰度共生矩阵提取特征值,通过实验得到适宜用于海冰分类的多特征组合,在此基础上利用支持向量机开展SAR海冰类型的分类研究。实验结果表明,该方法可以实现对海冰SAR图像中一年冰、多年冰和海水3种类型识别,与传统的海冰分类方法神经网络和最大似然法相比较,使用SVM分类方法,结合纹理特征开展海冰类型监测是可行的,同时也表明多特征组合有利于提高SAR图像的分类精度,从而验证了本方法的有效性,为海冰分类提供了一种新思路。

基于三维卷积神经网络的低剂量CT肺结节检测

为提高早期肺癌筛查过程中肺结节的检出率,提出利用三维卷积神经网络进行低剂量CT肺结节检测。首先采用多方向形态学滤波算法对低剂量序列CT图像进行预处理;接着,利用改进三维区域生长与凸包算法相结合进行肺实质分割;然后提取三维候选结节,为了解决卷积神经网络对样本不平衡的敏感问题,对三维候选结节正样本进行旋转和光照处理;最后在不同的网络参数下,对ELCAP数据库中50个序列低剂量肺癌筛查数据进行4组实验。实验结果表明,通过对网络参数的不断优化,准确度、灵敏度、特异度以及ROC曲线的AUC值分别达到了84.6%、88.89%、80.32%及0.924 4。该方法能够正确地对低剂量CT肺结节进行检测,与文献所提出肺结节检测算法相比,准确度、灵敏度和特异度分别平均提高了5.37%、5.6%和10.42%,综合性能较强,可以为肺癌筛查提供有效的帮助。

多模态3D卷积神经网络脑部胶质瘤分割方法

由于大多数脑部胶质瘤边界有水肿且内部结构复杂,分割胶质瘤及瘤内结构难度较大。提出一种新的基于多模态MRI 3D卷积神经网络(CNN)脑部胶质瘤及瘤内各结构的自动分割算法。首先,标准化由T1、T1c、T2、FLAIR 4个MRI模态组成的输入图像。其次,构建10个卷积层,2个全连接层的3D CNN。卷积层采用3×3×3的3D卷积核;全连接层采用PRe Lu激励函数,并结合dropout技术防止过拟合。构建的3D CNN分割胶质瘤和瘤内各结构精度高,与专家手动分割的结果接近。实验结果表明,构建的多模态3D CNN能够准确地分割MRI多模态图像脑部胶质瘤及瘤内各结构,具有重要的临床意义。

一种符合医学数字影像与通讯标准的医学影像管理系统的设计

医学影像的存储与传输在数字化医疗快速发展的今天占据着非常重要的地位。为了实现医学数字影像与通讯(DICOM)医学影像在局域网上的传输和查询,本文设计了一个符合DICOM标准的医学影像管理系统。该系统能对DICOM格式文件进行解析,并在数据库中把DICOM影像文件与对应的病历信息进行关联存储,可以给医院影像科提供完全数字化的影像和数据。此研究工作不仅满足了医院影像中心对大量影像数据存储的需求,同时也促进了PACS系统的发展。

基于低剂量CT图像的肺实质分割方法

为了提高早期肺癌筛查中肺结节计算机辅助检测、辅助诊断的准确性,提出一种多种方法结合的低剂量CT图像肺实质自动分割算法。首先利用改进的多方向形态学滤波算法进行预处理;然后利用聚类法、flood-fill算法去除背景,实现粗分割;接着利用引入霍夫变换的改进三维区域生长算法去除气管和主支气管树;最后利用分水岭算法和二维凸包算法实现肺实质细分割。实验结果通过对ELCAP数据库中的50个低剂量CT序列利用本研究算法进行处理,验证了该算法的有效性,正确分割率达到95.75%。为肺结节检测等后期的诊断提供了有价值的参考信息。

基于深度卷积神经网络的低剂量CT肺部去噪

为了降低低剂量CT肺部噪声对肺癌筛查后期诊断的影响,该文提出一种基于深度卷积神经网络的低剂量CT肺部去噪算法。以完整的CT肺部图像作为输入,池化层对输入图像进行降维处理;批规范化解决随着网络深度的增加性能降低的问题;引入残差学习,学习模型中每一层的残差,最后输出去噪图像。与经典去噪算法实验结果对比,所提方法在解决去噪方面达到了很好的滤波效果,同时也较好地保留了肺部图像的细节信息,大大优于传统的去噪算法。

基于Freeman链码的病变肺实质分割

针对传统的肺实质分割方法对临床上的大面积病变肺的分割效果不理想,提出一种结合改进模糊C均值聚类与Freeman链码算法的肺实质分割方法。用改进模糊C均值聚类算法对CT图像粗分割,结合Freeman链码算法生成的三链码差对缺失的肺实质边缘进行修复,获得完整的肺实质区域。从LIDC数据库中选取20个CT序列图像进行实验,平均分割精度为96%。实验结果表明,无论肺部有无大面积病变,该算法对肺部CT图像均具有理想的分割效果,无需人工干预,算法鲁棒性强。

基于肺部CT图像中肺实质分割的研究进展

肺部CT图像中肺实质的精确分割是肺部疾病诊断和治疗的一个重要步骤,也是制约计算机辅助检测技术广泛应用于肺部疾病诊断领域的主要瓶颈之一。基于近年来肺部CT图像中肺实质分割的研究进展,对其分割过程中的5个步骤进行综述,包括预处理、初分割、精分割、左右肺分离、边缘修补。最后展望了肺部CT图像中肺实质分割的发展方向。

基于深度残差学习的乘性噪声去噪方法

图像去噪是数字图像处理中最基本的研究内容,也是一项十分关键的技术,一直以来是图像处理领域的难点。图像去噪的好坏直接影响后续图像边缘检测、特征提取、图像分割和模式识别等图像处理。为有效去除乘性噪声的影响,提出一种深度残差学习的乘性噪声去噪方法。该方法通过引入残差优化,解决了卷积神经网络在层数较多时,随着层数加深,梯度在传播过程中逐渐消失的问题。与4种经典去噪算法进行比较,结果表明,该方法在有效去除乘性噪声的同时,可以更好地保留图像的边缘和纹理区域的细节信息,为后续的图像分割、配准和目标识别等奠定基础。

基于NSCT和CLAHE的乳腺钼靶X线图像微钙化点增强方法

针对微钙化点容易漏检的问题,提出一种非下采样轮廓波变换结合对比度受限自适应直方图均衡的乳腺图像微钙化点增强新算法。对乳腺图像预处理,提取乳房区域并将胸肌区域去除;再对图像进行非下采样轮廓波变换提取多尺度、多方向的子带,对其中的多个高频子带采用高斯拉普拉斯算子检测边缘并增强;进一步采用对比度受限自适应直方图均衡算法,提高图像局部小区域的对比度,实现乳腺图像微钙化点增强算法。结果表明该方法是一种有效的乳腺钼靶图像微钙化点增强方法,为微钙化点检测和乳腺癌诊断提供支持。

基于典型医学图像的分类技术研究进展

分类是医学图像在计算机辅助诊断和模式识别领域的一个研究热点。精确地对人体解剖结构和病变区域进行分类能够最大程度辅助医生更精确、更快速地诊断病情。针对医学图像的特殊性,首先从图像预处理、图像分割、特征提取及分类方法4个方面对典型医学图像分类进行总结分析;然后介绍分析了深度学习理论在医学图像分类中的应用;最后提出现有的医学图像分类研究方法的不足,展望了深度学习领域的最新理论在医学图像分类领域的发展趋势。