基于深监督跨尺度注意力网络的深度图像超分辨率重建

消费级深度相机拍摄的深度图像具有分辨率较低的问题,深度图像超分辨率重建是解决该问题的有效方法 .为了提高重建性能,提出一种基于深监督跨尺度注意力网络的深度图像超分辨率重建算法.网络逐级放大,在损失函数中对每一级的输出都进行约束,实现深监督的目的 .采用高阶跨尺度注意力模块,将多尺度特征尺度内及跨尺度相关性与注意力机制结合起来,实现多尺度特征的自适应调整.采用内层为宽激活残差、外层为基本残差的双层残差块作为网络基本构成元素,以提高网络对复杂非线性关系的学习能力.实验结果表明,本文算法在主观视觉效果和客观质量评价指标方面都优于当前主流的深度图像超分辨率重建算法.

高效单图像超分辨率重建:深监督对称蒸馏网络

过去几十年,卷积神经网络(Convolutional Neural Networks,CNNs)在单图像超分辨率(Single Image Super-Resolution,SISR)方面取得了明显的进展.现在大部分基于CNNs的方法都致力于构造新的架构去提升重建性能,这通常依赖大量计算和存储成本,难以应用于移动设备.提出了一种新颖的基于深监督对称蒸馏网络的高效单图像超分辨率重建方法(Deeply-Supervised Symmetry Distillation Network,DSSD),通过构造高频特征递归模块(High-frequency Feature Recursive Module,HFRM)和对称退化模块(Symmetry Degradation Module,SDM)缓解教师网络中提取高分辨率(High-Resolution,HR)高频信息不够准确这一问题.为了约束教师网络中提取的高频特征,采用深监督方法使教师网络蒸馏的知识与学生网络互补.在DIV2K数据集上的实验表明,DSSD有效增强了单图像超分辨率(SISR)的性能,HFRM和SDM的引入能够有效帮助DSSD提取更多图像高频细节.

面向高度近视条纹损伤的深监督特征聚合网络

目的条纹状损伤是高度近视向病理性近视发展过程中的一种重要眼底改变。临床研究表明,在无创的眼底光学相干断层扫描(optical coherence tomography,OCT)图像中,条纹状损伤主要表现为视网膜色素上皮层—Bruch’s膜—脉络膜毛细血管复合体(retinal pigment epithelium-Bruch’s membrane-choriocapillario complex,RBCC)损伤,具体包括RBCC异常和近视牵引纹。由于OCT图像中条纹损伤存在目标小、边界模糊等问题,其自动分割极具挑战性。本文提出了一种基于特征聚合下采样和密集语义流监督的特征融合分割网络(deep-supervision and feature-aggregation based network,DSFA-Net),用于实现OCT图像中条纹损伤的自动分割。方法为减少网络参数量,DSFA-Net以通道减半的U-Net为基准网络,在编码器路径中设计并嵌入特征聚合下采样模块(feature aggregation pooling module,FAPM),使得网络在下采样过程中保留更多的上下文和局部信息,在解码器路径中设计并嵌入一种新的深监督模块——密集语义流监督模块(dense semantic flow supervision module,DSFSM),使得网络在解码过程中聚合不同分辨率图像之间的细节和语义信息。结果方法在上海市第一人民医院提供的751幅2维眼底OCT B扫描图像上进行验证与评估。相比于U-Net,本文方法在参数量降低53.19%的情况下,平均Dice相似系数(Dice similarity coefficient,DSC)、Jaccard和敏感度指标分别提高了4.30%、4.60%和2.35%。与多种较流行的语义分割网络相比,本文网络在保持最小网络参数量的同时,分割性能取得了较明显提升。为了更加客观地评估FAPM与DSFSM模块的性能,本文同时进行了一系列消融实验。在基准网络添加FAPM模块后,平均DSC、Jaccard和敏感度指标分别提高了1.05%、1.35%和3.35%。在基准网络添加DSFSM模块后,平均DSC、Jaccard和敏感度指标分别提高了4.90%、5.35%和5.90%。在基准网络添加FAPM与DSFSM模块后,平均DSC、Jaccard和敏感度指标分别提高了6.00%、6.45%和5.50%。消融实验的结果表明,本文提出的DSFSM和FAPM模块可以有效提升网络的分割性能。结论本文提出的DSFA-Net提升了眼底OCT图像中条纹损伤的分割精度,具备潜在的临床应用价值。

基于改进STANet的遥感图像变化检测算法

遥感图像变化检测是为了识别出双时相图像之间的显著变化。给定2个在不同时间拍摄的配准图像,光照变化和错配误差会掩盖真实物体的变化,探索不同时空像素之间的关系可以提高遥感图像变化检测方法的性能。在Spatial Temporal Attention Neural Network(STANet)中,提出了一种基于孪生的时空注意力神经网络。在其基础上进行改进:①对距离度量模块由于线性插值导致的变化特征间隙模糊问题,设计了对距离特征的上采样模块,使得变化区域间隙更加明显,虚警率更低;②针对STANet的Pyramid Spatial Temporal Attention Module(PAM)模块计算开销大的问题,引用了新的Coordinate Attention(CA)模块,在降低运算开销的基础上,更好地识别了不同空间、通道的特征;③针对STANet对Residual Network(ResNet)提取出的特征图利用不充分的问题,加入了深监督模块,利用中间层的特征计算一个权重衰减的loss,起到正则化的作用。实验表明,改进之后的网络将基线模型的F1得分从81.6提高到86.1。在公共遥感图像数据集上的实验结果表明,改进的方法优于其他几种先进的方法。

基于改进TransU-Net的乳腺肿瘤分割算法研究

针对超声乳腺肿瘤图像中存在的高散斑噪声较多、肿瘤边缘模糊以及形状复杂多样等问题,文章在TransU-Net的基础上进行改进,提出了基于TransU-Net的多路径特征融合网络(MFF-Net)。文章分析了MFF-Net的整体结构、多路径特征融合提取模块以及深监督机制,通过实验验证了MSF-Net在处理边缘模糊和形状复杂多样的乳腺超声图像方面的有效性。结果显示,MSF-Net在多个评价指标上优于现有的主流方法。

基于深度卷积神经网络的肺结节检测算法

在传统的肺结节检测算法中,存在检测敏感度低,假阳性数量大的问题。针对这一问题,提出了基于深度卷积神经网络(CNN)的肺结节检测算法。首先,有目的性地简化传统的全卷积分割网络;然后,创新地加入对部分CNN层的深监督并使用改进的加权损失函数,获得高质量的候选肺结节,保证高敏感度;其次,设计了基于多尺度上下文信息的三维深度CNN来增强对图像的特征提取;最后,将训练得到的融合分类模型用于候选结节分类,以达到降低假阳率的目的。所提算法使用了LUNA16数据集,并通过对比实验验证算法的性能。在检测阶段,当每个CT检测出的候选结节数为50.2时,获得的敏感度为94.3%,与传统的全卷积分割网络相比提升了4.2个百分点;在分类阶段,竞争性能指标达到0.874。实验结果表明,所提算法能够有效提高检测敏感度和降低假阳率。

改进的U-Net网络用于视网膜血管分割

视网膜血管的形态结构信息可以为糖尿病、高血压等疾病提供诊断依据。现有的大部分算法通过融合血管不同阶段的特征信息来提升分割精度,却忽略了融合后浅层信息在采样过程中容易被稀释,且上采样次数越多,稀释越严重的问题。为此提出了一种融合概率分布注意力的提升算法用以解决上述问题。该算法基于U-Net模型,首先利用多个串行提升块学习血管浅层的特征信息,然后在提升块中引入概率分布注意力机制用来改变浅层信息的概率分布,提升浅层信息在最终分割任务中的贡献度,最后利用深度监督非对称聚合补充各提升块的梯度流,以避免模型在训练过程中产生梯度消失的问题。在DRIVE、STARE数据集上与近年来不同算法进行了对比,其中SP值分别为0.9857、0.9917,相较于第二名提升了0.2%、0.25%,均优于目前最新的算法结果。实验证明了提出的提升算法能较好地改善血管前期信息,一定程度上解决了信息稀释问题,提高了对视网膜血管的分割效果。

森林资源监督与森林资源管理关系的思考

本文主要结合实际情况,就森林资源监督和管理之间关系进行分析,然后提出了正确处理森林资源监督和管理的对策,希望通过本次研究对更好的提升森林资源监督管理质量有一定助益。

任务引导的径向基网络对乳腺病理图像有丝分裂检测

有丝分裂数目是判别乳腺癌恶性程度的重要指标,在诊断、治疗及预后中具有重要的意义.然而,在临床实践上乳腺癌切片中有丝分裂细胞的检测主要是通过病理学医生进行人工计数,这个过程繁琐耗时且具有很强主观性.本文提出了一种乳腺病理图像有丝分裂自动检测的两阶段方法.在第一个阶段,利用卷积神经网络作为主干融合深监督与注意力机制进行有丝分裂细胞候选块的定位.在第二个阶段,将获取的候选块输入融合了径向基函数网络的验证模型,进一步提高有丝细胞识别准确率.针对有丝细胞类内存在较大差异的问题,本文通过任务来引导径向基函数中心的确定,利用径向基函数的“局部响应”特性来表达有丝分裂细胞的形态多样性.通过在弱标签数据集ICPR 2014和AMIDA 2013上进行评估,本文所提出的网络模型取得了最优的F-score,与竞争方法相比,分别提高了5.4%和3.0%,从而证明了该方法对于有丝分裂检测的有效性.

从局部到区域分层的乳腺病理图像有丝分裂检测

统计乳腺癌组织学图像中有丝分裂细胞的数量是乳腺癌分级和预后的重要诊断依据。目前有丝分裂细胞计数主要由病理学家手工进行,是一项费时费力的任务。为解决这一具有挑战性的有丝分裂细胞检测问题,本研究提出了一种从局部到区域分层的乳腺癌病理学图像有丝分裂检测方法。框架整体由两阶段构成,第一阶段为细胞定位网络,从整切片图像中筛查、定位候选的有丝分裂细胞图像块,同时引入深监督机制与解耦的检测头来提升性能;第二阶段为有丝细胞验证网络,负责对大量的候选细胞图像块进一步细化分类,使用基于图注意机制的上下文融合网络,通过整合大范围的区域特征来调节局部中心块的原有响应,从而得到更准确分类结果。在ICPR MITOSIS 2014、ICPR MITOSIS 2012和TUPAC16数据集上分别使用960、35和649个高倍视野图像(HPF)作为训练集,240、15和7个HPF作为测试集,分别取得0.676、0.809和0.797的F-Score,其中召回率均取得了最优结果,分别为0.878、0858、0.875。所提出的有丝分裂自动检测方法能够高效的检测病理切片中的癌细胞,具有良好的临床应用价值。

一种高分辨率遥感影像房屋建筑区提取方法

本文将房屋建筑区作为分类研究对象,以西安市“北京二号”融合后影像作为研究影像源,在Deeplab V3+模型的基础上,加入“深监督”的优化策略进行分类提取试验,并与人工采集标志对比。试验结果表明,基于深监督结构的Deeplab V3+分类提取模型分类提取的房屋建筑区,总体准确率为0.990 4;对成片的房屋建筑区,区域内其他地物能够适度综合为房屋建筑,提取边界清晰准确;与Deeplab V3+模型对比,采用本方法整体提取结果更优,边界更加准确。

基于改进VNet的肺结节分割方法研究

目前,肺癌的发病率和致死率高居癌症首位,对其进行早期诊治对于提高患者的生存率和改善预后极其重要。肺结节是肺癌的早期表现,临床上医生通过观察对其分割后的体积和形态等特征来进行良恶性诊断,然而采用人工的方式进行肺结节分割非常低效。本文提出了一种基于MSVNet网络的肺结节分割方法,该网络继承了原始VNet的结构,同时引入了多尺度特征结构,通过提取肺结节图像的多尺度特征,同时利用深监督策略进行特征优化,能够有效地提升模型的分割性能。本文利用LIDC-IDRI肺结节公开数据集对模型的性能进行了评估,结果表明,本文方法所取得的分割结果与金标准相近,具有良好的肺结节分割性能,以及较高的分割鲁棒性,对不同大小的肺结节均能取得较好的分割效果。

用于遥感图像变化检测的全尺度特征聚合网络

变化检测(CD)是遥感的一项重要任务,通常面临许多伪变化和较大的尺度变化。目前的方法主要侧重于对差异特征的建模,忽略了从原始图像中提取足够的信息,影响了特征的识别能力,难以稳定地区分出变化区域。针对以上问题,提出了一种全尺度特征聚合网络(FFANet)来更充分地利用原始图像特征,促使生成的特征表示在语义上更丰富、在空间上更准确,从而提高了网络对小目标和目标边缘的检测性能。同时,拓展了深监督来结合多尺度的预测图,以促使不同对象在更合适的尺度上进行检测,从而提升了网络对对象尺度变化的鲁棒性。在CDD数据集上,相比于基线网络,所提方法仅增加了1.01×10~6的参数量,就将F分数提升了0.034。

基于改进U-Net的肾脏及肿瘤图像语义分割

针对现有肾脏及肿瘤图像语义分割算法存在边界处理不精细、小尺寸肾脏和肿瘤图像难以正确分割的问题,提出一种基于改进U-Net的肾脏及肿瘤图像语义分割算法。该算法应用通道注意力机制与空间注意力机制为目标特征赋予更高的权重,减弱背景信息的影响,并采用密集连接的方式增强加权后特征信息的重复利用。引入深监督机制,构建一种混合损失函数,增强网络对目标特征的提取能力并使浅层网络能够学习到更多的语义信息。在KITS19数据集上的实验结果表明,相比其他改进U-Net和PSPNet等语义分割算法,该算法对边界的处理更加精细,并解决了小尺寸肾脏和肿瘤图像可能出现的错误分割问题,有效提升了肾脏及肿瘤图像的分割精度。

面向儿科超声心动图双侧心室分割的注意力引导网络

由于儿童心脏大小随年龄变化显著,且儿童心率较快,超声心动图心脏边界相较成人更模糊,因此儿科超声心动图的准确分割是一项具有挑战性的任务。针对上述问题,本文提出了一种结合通道注意力和尺度注意力的双解码器网络模型。首先,利用结合深监督策略的注意力引导解码器,获取心室区域的注意力图;然后,将产生的心室注意力通过跳跃连接返回到网络的多个层,调整编码器生成的特征权重,突出左右心室区域;最后,通过尺度注意力模块和通道注意力模块强化左右心室边缘特征。实验结果表明,本文所提方法在所采集的双侧心室分割数据集中,平均戴斯系数(DSC)达到90.63%,优于医学图像分割领域一些常规和最新方法,尤其在心室边缘处分割更清晰。本文的研究可为儿科超声心动图双侧心室分割以及后续先天性心脏病辅助诊断提供新的解决方案。