基于数据扩增和迁移学习的Mask R-CNN脑CT图像自动分割研究

在临床上,分割脑CT图像上的各个脑区并建模,可以更好地观察病变与各器官的位置关系。目前医生主要通过人工勾画的方式进行分割,不仅费时、费力,而且还容易受主观因素影响。提出一种基于数据扩增和迁移学习的Mask R-CNN卷积神经网络算法,可以更快速地在脑CT图像上自动分割出易受脑出血危及的脑区,如小脑、脑干、基底节区和背侧丘脑等部位。针对2020年7月—2020年12月的100名健康人的1549张脑CT图像,选取其中的80例,共1239张图像作为训练集,其余的20例,共310张图像作为测试集,然后采用Mask R-CNN框架进行训练和预测,最终输出各脑区的坐标、名称与mask掩模。为研究数据扩增和迁移学习对模型训练效果的提升,分别设计了数据扩增和迁移学习的实验,以及U-Net模型的对照组。数据扩增组通过旋转的方式进行数据扩增,将训练集扩增至13629张图像;迁移学习组在MS-COCO上训练好的权重基础上,进行迁移学习。其中,迁移学习组的效果最好。在迁移学习的实验中,测试集m AP为0.9097,平均IOU为0.7362,脑干、小脑、基底节区和背侧丘脑的测试集平均DICE值分别为0.9025、0.8795、0.7818、0.8284。而未进行数据扩增和迁移学习的m AP和平均IOU分别为0.8708、0.7159;数据扩增组则为0.8941、0.7297;U-Net组则为0.8390、0.6711。研究显示,Mask R-CNN卷积神经网络模型可以较好地应用于脑出血常见部位的自动分割,且迁移学习对模型训练效果的提升较大。

基于分数阶微积分正则化的图像处理

全变分正则化方法已被广泛地应用于图像处理,利用此方法可以较好地去除噪声,并保持图像的边缘特征,但得到的优化解会产生"阶梯"效应.为了克服这一缺点,本文通过分数阶微积分正则化方法,建立了一个新的图像处理模型.为了克服此模型中非光滑项对求解带来的困难,本文研究了基于不动点方程的迫近梯度算法.最后,本文利用提出的模型与算法进行了图像去噪、图像去模糊与图像超分辨率实验,实验结果表明分数阶微积分正则化方法能较好的保留图像纹理等细节信息.