基于3D‑Ghost卷积神经网络的脑胶质瘤MRI图像分割算法3D‑GA‑Unet

脑胶质瘤是由于大脑和脊髓胶质癌变产生的、最常见的原发性颅脑肿瘤,其中恶性脑胶质瘤占比大且致死率高。利用磁共振成像(MRI)图像对脑胶质瘤定量分割和分级是目前诊治脑胶质瘤的主要方法。为提升脑胶质瘤的分割精度与速度,提出一种基于3D-Ghost卷积神经网络(CNN)的脑胶质瘤MRI图像分割算法:3D-GA-Unet。3DGA-Unet以3D U-Net(3D U-shaped Network)为基础框架,设计基于3D-Ghost CNN模块,利用线性运算增加有用信息输出、减少传统CNN中的冗余特征;添加基于坐标注意力(CA)的模块,利于获取更多于分割精度有利的图像信息。在公共脑胶质瘤数据集BraTS2018进行训练和验证,实验结果表明,3D-GA-Unet脑胶质瘤分割结果的周围水肿区域(WT)、坏死核心区域(TC)和增强肿瘤区域(ET)的平均Dice相似系数(DSC)分别达到0.8632、0.8473和0.8036,平均敏感度分别达到0.8676、0.9492和0.8315。3D-GA-Unet能精准分割脑胶质瘤图像,进一步提升分割效率,对脑胶质瘤的临床诊断有积极的意义。

不同光照条件下含噪遥感图像边缘检测算法

针对不同光照条件导致遥感图像采集过程中形成随机噪声的问题,研究不同光照条件下含噪遥感图像边缘检测算法,以此提升遥感图像配准、识别的精度。针对不同光照条件下遥感图像获取过程中的随机高斯噪声,将邻域均值滤波算法与中值滤波算法相结合构建加窗中值滤波算法,利用该算法对含噪遥感图像实施滤波处理,消除遥感图像内的各类噪声。针对去噪后的遥感图像,利用Canny算子进行图像梯度计算,并进行最大值约束。对约束后的遥感图像梯度直方图采用最大类间方差法自适应检测和连接边缘的高、低阈值,通过跟踪边缘像素点,完成遥感图像边缘检测。测试结果表明,该算法可最大限度上还原实际遥感图像,准确检测图像边缘信息,提升遥感图像配准、识别的精度。