一种新型的肾实质分割网络

肾是人体内十分重要的一个组织器官,因此肾相关的各种病最近几年引起了极大的关注。在这之中,肾实质就是其中的最常见的一种肾病之一。到目前为止,关于肾实质病变的诊断主要依赖于临床医生的标注,从而人工进行判断。这样的方式需要很大的人工与时间成本,因此,亟需一种新的方法提升肾实质诊断的效率和精度。本文主要针对小儿肾图,建立了相关的儿童肾实质数据集。并且,根据小儿肾图数据集的特征,我们提出了一种新的分割方法。本方法的核心是细化跳跃连接模块(RSC模块)与transform架构。本文提出的网络不仅提升了分割的精度,改善了由于分辨率降低从而导致的感受野下降的问题,而且大大减少了人工标注的时间,提高了诊断的精度。本文的代码是基于pytorch框架进行的编程,在小儿肾图数据集进行的实验,此外,将本文提出的网络与经典的FCN、SegNet、U-Net和Deeplab-V3+做了对比实验。结果显示本文提出的方法在precision、dice_coeff、recall三种评价指标上,(对比其网络在这三种指标上最优的结果)分别提升了2.547%、4.992%、2.498%,其效果也得到了专业医生的认可。

一种基于Sobel与K-means的边缘检测方法

传统边缘检测算子处理结果为边缘锐化的梯度图像,需人为确定阈值获取二值边缘图像,容易造成边缘信息丢失。应用增加了卷积模板的Sobel算子,使用K-means聚类算法基于梯度直方图自适应获取阈值,并分割梯度图像得到二值化边缘,最后对边缘细化与连接。通过使用最大类间方差法检验阈值与边缘检测结果对比分析,该方法自适应梯度阈值定位准确,所得边缘信息丰富度、定位精度、连续性均优于改进Sobel算子,与最佳阈值Canny算子检测结果基本相同,适用于机器视觉均匀稳定照明环境下获取图像的边缘检测。