结合切片上下文信息的多阶段胰腺定位与分割

当前基于深度学习的胰腺分割主要存在以下问题:(1)胰腺的解剖特异性导致深度网络模型容易受到复杂多变背景的干扰;(2)传统两阶段分割方法在粗分割阶段将整张CT图像作为输入,导致依赖粗分割结果得到的定位不够准确;(3)传统两阶段分割方法忽略了切片间的上下文信息,限制了定位和后续分割结果的提升.针对上述问题,本文提出了结合切片上下文信息的多阶段胰腺定位与分割方法.第一阶段利用解剖先验定位粗略缩小输入区域;第二阶段先使用所设计的DASU-Net进行粗略分割,接着利用切片上下文信息优化分割结果;第三阶段使用单张切片定位进一步减少不相关背景,并使用DASU-Net完成精细分割.实验结果表明,本文所提方法能够有效提高胰腺分割的准确率.

多阶段冠状动脉CTA三维分割算法

冠脉血管CTA(computed tomography angiongraphy)的分割是判断血管堵塞的首要一步,也是后续三维重建、定性分析等医学诊断的先决条件。本文提出多阶段方式完成冠状动脉从粗到细逐级分割。为了减少非心脏组织给神经网络训练带来的影响,首先采用基于自适应阈值的方法预提取心脏区域。然后提出以V-net作为基础网络框架的深度全卷积网络,扩大了每一层卷积核的第三维通道,充分利用血管空间连续性,增加了网络学习能力。第一阶段提取的心脏区域结合对应标签作为下阶段全卷积网络的训练数据,来实现精确的冠脉血管分割,最后通过水平集函数迭代优化血管边缘轮廓,得到分割结果。本文提出的方法对血管分割的平均Jaccard达到了0.813,Dice达到了0.903,能够对冠脉CTA进行准确的三维分割。

分水岭算法和基于MRF的层次聚类相结合的混合无监督图像分割算法

提出一种新的混合多阶段无监督图像分割算法。在第一阶段,通过分水岭算法得到一幅过度分割的图像,该图像中的所有小区域作为初始聚类状态将在接下来的层次聚类阶段中被合并。在第二阶段,一种新的启发式的基于Bayesian方法和Markov随机域的计算模型被用于基于区域的层次聚类算法,该算法用来合并初始分割结果中的邻接区域,以改进分水岭算法的分割效果。深入分析了该计算模型中两个相互作用的部分。通过对多种不同种类图像使用该算法进行分割,表明这种多阶段的方法适合无监督分割,它按照视觉一致的方式合并区域,并且比传统的层次聚类算法快很多。

分离复杂背景下的文档图像二值化方法

目的二值化方法的主要依据是像素的颜色和对比度等低级语义特征,辨别出与文字具有相似低级特征的复杂背景是二值化亟待解决的问题。针对文档图像二值化复杂背景分离问题,提出一种分离文档图像复杂背景的二阶段二值化方法。方法该方法分为易误判像素筛选和二值化分割两个处理阶段,根据两个阶段的分工构建不同结构的两个网络,前者强化对复杂背景中易误判像素识别和分离能力,后者着重文字像素准确预测,以此提升整个二值化方法在复杂背景图像上的处理效果;两个网络各司其职,可在压缩参数量的前提下出色完成各自任务,进一步提高网络效率。同时,为了增强文字目标细节处理能力,提出一种非对称编码—解码结构,给出两种组合方式。结果实验在文本图像二值化比赛(competition on document image binarization,DIBCO)的DIBCO2016、DIBCO2017以及DIBCO2018数据集上与其他方法进行比较,本文方法在DIBCO2018中FM(F-measure)为92.35%,仅比经过特殊预处理的方法差0.17%,综合效果均优于其他方法;在DIBCO2017和DIBCO2016中FM分别为93.46%和92.13%,综合效果在所有方法中最好。实验结果表明,非对称编码—解码结构二值化分割的各项指标均有不同程度的提升。结论提出的二阶段方法能够有效区分复杂背景,进一步提升二值化效果,并在DIBCO数据集上取得了优异成绩。开源代码网址为https://github.com/wjlbnw/Mask_Detail_Net。