一种融合CNN和Swin Transformer的医学显微图像分割模型

医学显微图像分割在临床诊断和病理分析中具有重要应用价值。然而,由于显微图像具有形状、纹理、大小等复杂的视觉特征,因此要精确分割显微图像是一项困难的任务。文中提出了一种新的分割模型UMSTC,该模型基于U型结构,并通过将U-net模型和Swin Transformer模型进行融合来兼顾图像的细节特征和宏观特征,并保持建模完整性。具体来说,UMSTC模型的下采样部分采用Swin Transformer网络来优化其内含的注意力机制,以提取微观和宏观特征;上采样部分基于CNN网络反卷积操作,并通过残差机制接收和融合下采样阶段的特征图,以减小图像合成精度损失。实验结果表明,所提出的UMSTC分割模型比目前主流的医学图像语义分割模型具有更好的分割效果,其中mPA提高了约3%~5%,mIoU提高了约3%~8%,且分割结果具有更高的主观视觉质量和更少的噪点。因此,UMSTC模型在医学显微图像分割领域具有广泛的应用前景。

医学显微图像分割方法研究进展

医学显微图像分割是医学图像处理中的一个经典难题。针对近年来出现的新方法、新理论,对各种分割方法进行了系统论述,主要包括基于数学形态学方法、神经网络分割、模糊分割、小波分析、遗传算法、统计方法和基于特定模型等方法的图像分割。由于显微图像的复杂性,采用单一方法很难准确分割,故对混合方法也作了一定论述。文中还简要讨论了各种方法的特点和局限性。同时对分割的评价体系也做了简要论述。

基于改进3D-PCNN的中药材彩色显微图像分割

为有效提取中药材彩色显微图像的目标信息,提出了一种基于改进三维脉冲耦合神经网络的图像自动分割方法.首先,从适合处理中药材彩色显微图像的角度出发,对传统模型进行简化与改进;其次,采用RGB颜色空间,利用最大信息熵选择性排列图像,并将结果作为改进模型的输入,进而完成图像分割;最后,用最大综合判定准则选取最佳分割结果,并与最大香农熵、最小交叉熵、色差对比度进行比较.实验结果表明,本文方法可以精确自动地分割中药材彩色显微图像,克服了最大香农熵、最小交叉熵、色差对比度的缺点,分割效率明显优于传统方法.

结合显著性与GrabCut的无角毛类浮游植物显微图像分割

针对无角毛类浮游植物显微图像,结合显著区域检测和GrabCut算法,提出一种新颖的浮游植物细胞自动分割方法。首先,基于视觉注意机制的计算模型,检测输入图像的显著区域;然后,对生成的显著图进行预分割以获得浮游植物细胞的位置;再把细胞的位置信息用于初始化GrabCut算法,并迭代执行GrabCut;最后,应用去噪和平滑技术来输出细胞。实验表明该方法提取的前景目标形态完整、轮廓清晰、边缘规则。

基于特征灰度和分水岭变换的甲藻横沟区域分割

针对分水岭变换存在的过分割问题,提出了一种新的图像分割方法。该方法利用灰度包容球获取图像特征灰度集合,通过降低图像中灰度级数目减少无意义的局部极小值区域,对灰度重构后的梯度图像极小值区域采用自动阈值法进行标记并对标记加以质心、形状和面积约束,对修改后的梯度图像采用分水岭变换实现甲藻显微图像中横沟区域的分割。实验证明,该方法可比传统方法更合理地分割出横沟区域,有效抑制了过分割现象。

多特征聚类与粘连分离模型的细胞抹片图像分割与分类

胰腺癌的诊断非常重要,而细胞抹片显微图像的病理分析是其诊断的主要手段。图像的准确自动分割和分类是病理分析的重要环节,因此本文提出了一种新的胰腺细胞抹片显微图像自动分割与分类算法。在分割方面,首先采用多特征Mean-shift聚类算法(MFMS)定位细胞核区域;接着采用弹性数学形态学结合角点检测的去粘连模型(CSM)对粘连重叠细胞核进行去粘连处理,实现了分割的准确性和鲁棒性。在分类方面,首先针对分割的细胞核提取了4个形状特征和138个不同颜色空间的纹理特征;然后结合支持向量机(SVM)和链式遗传算法(CAGA)实现封装式特征选择;最后将优选特征送入SVM进行分类,完成了胰腺细胞抹片显微图像的分类识别。本文采用了15幅图像一共461个细胞核进行测试。实验结果显示,本文算法可以实现不同类型的胰腺细胞抹片显微图像的自动分割与准确分类。就分割来说,本文算法可获得较高的正确率(93.46%±7.24%);就正常和癌变细胞的分类来说,本文算法可获得较高的分类正确率(96.55%±0.99%)、灵敏度(96.10%±3.08%)和特异度(96.80%±1.48%)。