基于级联式三维卷积神经网络的肝肿瘤自动分割

目的:根据肝肿瘤CT影像中的特异性、分割难点以及残差网络思想,提出一种基于级联式卷积神经网络的全自动CT图像肝脏肿瘤分割方法。方法:首先根据临床知识对CT数据进行预处理,减少干扰;然后基于一个肝脏粗分割网络对肝脏进行分割,并根据分割结果坐标选取肝脏作为感兴趣区域;最后在感兴趣区域内对肿瘤进行精准分割。结果:通过级联式网络分割可以有效减少计算时间以及避免其它组织的干扰,从而实现肝肿瘤的快速分割。本研究提出的方法在2017年MICCAI肝肿瘤分割公开比赛数据集LiTS中进行测试,平均Dice分数为0.663,证实了其对肝肿瘤分割的有效性。结论:基于级联式卷积神经网络的全自动CT图像肝脏肿瘤分割方法可以实现肿瘤的快速分割。后期研究将继续增加数据量,对肿瘤进行分类,从而进一步完善模型。

基于递进式级联卷积神经网络的混凝土裂缝识别方法

基于深度学习的卷积神经网络方法是目前图像裂缝识别鲁棒性较高的方法,主要分为滑动窗口法和图像分割法。滑动窗口法存在后期阈值分割裂缝精度不高的问题;全局图像分割法存在裂缝区域数据和背景区域数据严重不均衡问题,会对裂缝分割精度产生影响。采用了基于递进式级联卷积神经网络的方法对混凝土表面裂缝进行识别:首先采用全卷积神经网络一次性判断图像中所有密集重叠窗口区域内是否含有裂缝,然后将含有裂缝的窗口区块提取出来作为感兴趣区域,再基于轻量化的U-Net图像分割网络作用于感兴趣区域,将裂缝区域精确地提取出来。试验结果表明,所提出的基于递进式级联卷积神经网路的裂缝识别方法优于直接使用滑动窗口法和全局图像分割法,有着可靠的应用前景。

基于HC-CFCN模型的肝脏CT图像分割

在计算机断层扫描(CT)图像中肝脏与相邻器官灰度值近似,且不同患者的肝脏轮廓存在差异性,导致肝脏CT图像的精确分割成为医学图像处理中的难题之一。为实现肝脏CT图像的自动分割,构建一种层间上下文级联式的全卷积神经网络模型HC-CFCN。利用第1级网络实现肝脏轮廓的粗略分割,并将其分割结果与原始CT图像、肝脏能量图共同作为第2级网络的输入,优化分割结果。在LiTS数据集上的实验结果表明,与U-Net、FCN+3DCRF和V-Net模型相比,HC-CFCN模型的分割精度较高。