融合双注意力机制的多尺度胰腺分割方法

为解决CT图像中胰腺边界不规则导致分割精度不高的问题,提出一种融合双注意机制的多尺度U型网络模型。该模型由一个编码器及两个解码器组成,提高特征利用。针对模型中连续下采样导致特征空间信息损失的问题,提出一种金字塔注意力特征融合模块,引入通道和空间两个独立注意力机制,提供多尺度输入信息并行采样,提高边界提取性能,提升分割精度。实验结果表明,该方法在ISICDM 2018数据集上的平均Dice系数为85.35%,具有效性。

基于形变残差和级联编码的胰腺分割模型

为解决深度卷积神经网络进行胰腺分割时存在的胰腺形状位置变化大、噪声干扰、部分小目标等问题,提出一种结合可形变收缩残差块(Deformable Shrinkage Residual Block,DSRB)与级联编码模块(Cascading Encoding Module,CEM)的胰腺分割模型DC U-net。该模型利用2个可形变卷积、注意力机制以及残差结构设计了DSRB,通过可形变卷积来解决胰腺形状位置变化大的问题,使用软阈值化来减少噪声干扰;采用CEM来进行特征融合,对编码特征进行复用以降低编解码阶段的特征差异度,加强对小目标特征的学习。在NIH公开数据集上的实验结果表明,本文模型DC U-net的平均Dice相似系数(Dice Similarity Coefficient, DSC)达到87.26%,平均交并比(Intersection Over Union, IOU)达到77.98%,分割精度优于对比模型。

基于多阶段空间视觉线索和主动定位偏移的胰腺分割框架

从CT图像中准确的分割出胰腺或胰腺肿瘤,为医生进行诊断和制定手术计划起着重要的作用,尽管深度神经网络在智能器官分割方面取得了一定的进步,但在解决胰腺分割问题上仍有不足.为了解决胰腺及胰腺肿瘤因区域小、背景复杂导致的分割困难的问题,本文提出一种基于转换函数和主动定位偏移(active localization offset,ALOT,)的由粗到细的分割框架.具体的,首先将CT切片输入到粗分割网络,之后通过转换函数将粗分割网络获得的视觉线索转换为空间权重.同时,在粗分割网络迭代执行过程中,ALOT模块会动态调整对前景目标的定位,获得前景目标周围语义信息更加丰富的裁剪区域输入到细分割网络.最终由细分割网络输出更精细的分割结果.在NIH胰腺分割数据集和MSD胰腺肿瘤分割数据集的实证表明,该框架在NIH和MSD数据集上分别达到85.15%、63.36%(DSC),比之前最优秀的结果分别提高了0.25%、0.5%,但计算时间和计算量大约均只为最佳方法的1/3.代码将在作者github主页发布.

基于2.5D级联卷积神经网络的CT图像胰腺分割方法

目的:由于胰腺体积小、形态个体差异性大,影像上的准确分割较为困难。本文提出一种基于2.5D级联卷积神经网络的CT图像胰腺分割方法。方法:实验中使用的数据为NIH胰腺分割公开数据集,共包含82例腹部CT图像,随机选取其中56、9、17例分别作为训练集、验证集和测试集;训练过程中使用旋转、拉伸、平移、裁剪等操作对数据进行扩增。实验中提出一种用于胰腺分割的、结合概率图的2.5D级联深度监督UNet,即CSNet(Cascading deep Supervision UNet)。该网络由3个部分组成:第1部分基于UNet,输入连续5层图像,输出中间3层对应的粗分割图像,设置适当的阈值,使其变成二值的粗分割结果;第2部分将第1层、第3层的粗分割结果与中间层的原始图像相结合,输入另一个深度监督UNet网络,得到中间层的精细分割;第3部分将第1部分网络输出的中间层的粗分割概率图与第2部分网络输出的细分割概率图通过1×1卷积进行概率融合得到最终的输出结果。3个子网络同时进行训练,对应的能量函数联合优化,从而得到更精准的分割结果。最后,使用DSC对分割结果进行评估。结果:在独立测试集上,CSNet实现了(83.74±5.27)%的DSC值。结论:CSNet可以准确分割出CT图像上的胰腺区域。

采用密集多尺度卷积网络的胰腺分割方法

胰腺是人体内重要的消化器官,受个体年龄、健康状况等因素的影响,它的形状、尺寸和位置可能会发生较大变化.胰腺自动分割一直以来是医学图像分析和计算机辅助诊断领域一个具有挑战性的问题.近年来,深度学习在医学图像分割领域上得到了广泛的应用,本文提出了一种密集多尺度卷积网络(Dense multi-scale convolutional networks,DMC-net)以用于进行胰腺的自动分割.本文将多层图像作为网络输入,采用密集卷积和密集多尺度卷积连接代替了U-net的常规卷积和长跳跃连接,此外在训练过程中本文还采用了边界损失函数对胰腺的形状进行约束.在NIH胰腺公开数据集上的结果表明,文中方法的分割结果Dice系数可以达到86.19%,证明了本文提出的胰腺分割方法的有效性.

基于循环显著性校准网络的胰腺分割方法

胰腺的准确分割对于胰腺癌的识别和分析至关重要.研究者提出通过第一阶段粗分割掩码的位置信息缩小第二阶段细分割网络输入的由粗到细分割方法,尽管极大地提升了分割精度,但是在胰腺分割过程中对于上下文信息的利用却存在以下两个问题:1)粗分割和细分割阶段分开训练,细分割阶段缺少粗分割阶段分割掩码信息,抑制了阶段间上下文信息的流动,导致部分细分割阶段结果无法比粗分割阶段更准确;2)粗分割和细分割阶段单批次相邻预测分割掩码之间缺少信息互监督,丢失切片上下文信息,增加了误分割风险.针对上述问题,提出了一种基于循环显著性校准网络的胰腺分割方法.通过循环使用前一阶段输出的胰腺分割掩码作为当前阶段输入的空间权重,进行两阶段联合训练,实现阶段间上下文信息的有效利用;提出卷积自注意力校准模块进行胰腺预测分割掩码切片上下文信息跨顺序互监督,显著改善了相邻切片误分割现象.提出的方法在公开的数据集上进行了验证,实验结果表明其改善误分割结果的同时提升了平均分割精度.

嵌入压缩采样的腹部CT胰腺分割网络

针对全自动分割算法因胰腺器官解剖变异性较高而难以实现准确定位的问题,文中提出嵌入压缩采样的编码器解码器网络.通过分阶段训练网络的方式,分割网络可级联在预训练阶段,从标签空间中感知的胰腺位置先验知识实现对分割目标的精准定位,保证分割结果与标签形状的一致性.胰腺器官分割实验表明,文中网络分割性能较优.

基于双解码U型卷积神经网络的胰腺分割

计算机断层成像(computed tomography,CT)中,胰腺分割作为医学图像分析中最具挑战的任务之一,由于其体积小、形状多变的特点,导致传统的自动分割方法无法达到理想的分割精度.利用高级语义特征指导低级特征的思想,提出一种基于双解码U型卷积神经网络的单阶段胰腺分割模型.模型由一个编码器和两个解码器构成,两个解码器利用不同编码深度的特征将低级空间信息与高级语义信息有效结合,加强分割网络对特征信息的高效利用,能够对未裁剪、未降低分辨率的CT切片实现高精确度的分割.实验结果表明,方法能够在全尺寸的输入下实现较好的分割性能,在公开胰腺数据集上的分割效果优于现有单阶段胰腺分割方法.

基于改进的nnU-Net胰腺分割模型

CT扫描是腹部器官疾病的常规检查手段,准确地对腹部器官进行自动分割能够给医生提供辅助诊疗信息。但腹部CT影像中器官类型多、背景复杂等情况给腹部器官分割带来挑战,尤其是胰腺在CT影像中存在边界模糊的特点,导致现有器官分割模型难以准确分割胰腺。为此,该文针对胰腺分割存在分割边界不准确的问题,基于nnU-Net医学影像分割自适应框架,设计了一种具有边界感知机制的胰腺器官分割模型。该模型在分割网络中嵌入边界感知模块来引导分割网络关注目标边界特征的有效提取;此外,模型将传统分割网络模块提取的语义特征和边界感知模块提取的边界特征进行融合,以有效缓解胰腺器官边界特征提取不完整的问题,从而实现更精准的胰腺器官分割。所提模型在NIH胰腺分割公开数据集上分割准确率达到0.879,分割效果优于现有器官分割模型。

基于模型压缩与重构U-net的胰腺分割

基于卷积神经网络的U-net模型广泛应用于胰腺分割任务,但该类方法对硬件计算能力要求过高,制约了其临床应用。为解决该问题,提出一个基于模型压缩与重构U-net的端到端框架(comprehension prune-reconstructed U-net network,CPRUN),以完成实时胰腺图像分割任务。通过通道剪枝技术实现了对卷积神经网络模型的压缩,利用重构U-net保障胰腺的分割精度。实验结果表明,使用CPRUN模型能够在保持分割精度的前提下有效减少模型参数量,其模型压缩程度与分割精度均优于同类算法。

结合超像素和U型全卷积网络的胰腺分割方法

为了提高现有胰腺图像分割方法性能,提出一种超像素和U型全卷积网络(U-NET)结合的胰腺图像分割方法.首先,提出一种胰腺CT图像的超像素分割方法;然后,依据分割结果对图像进行映射降维得到腹部视觉概要图像,再将其与超像素位置信息作为U型全卷积网络的输入;最后,得到分割好的胰腺器官.在NIH胰腺公开数据集上的实验结果表明,文中方法将戴斯相似系数(DSC)提高到87.9%,高于目前已有的胰腺图像分割方法.并且其运算速度高于U-NET.

结合空洞特征增强与改进HR-Net的胰腺分割方法

在胰腺癌辅助诊断领域,精确的胰腺分割是实现高效疾病诊断的基石,同时也是医学图像处理领域中一项具有挑战性的任务。现有的主流胰腺分割方法大多依赖于U型的编码–解码路径,然而该架构在上下采样的过程中,容易导致关键空间信息的丢失,影响分割准确率。针对上述问题,本文提出了一种结合空洞特征增强与改进HR-Net的胰腺分割方法。首先,对原有的二维HR-Net进行三维化改造,以便更全面地挖掘三维医学图像内蕴的空间信息。其次,设计多尺度空洞特征增强模块以重构网络深层结构,并行捕获广泛的多尺度深度特征,并采用通道加权对重要特征赋予更高的关注度。接着,在模型多分辨率融合模块之后引入空间注意力机制,使模型更加专注于融合特征图中的重要空间区域。最后,本文提出分层渐进特征融合头,以缓解传统分割头在大幅度上采样时遭受的信息丢失。实验结果表明,在NIHPancreas数据集上测试的召回率、准确率和Dice相似系数分为84.5%、86.3%、85.6%,在分割性能上优于现有的主流方法。本文方法能有效保留胰腺细节特征,并展现出较强的特征提取能力,对腹部CT图像中的胰腺器官有较好的分割结果。

可变形分支注意力融合网络的胰腺分割方法

胰腺具有尺寸小、形状不规则且多变的特点,因此在腹部CT图像中自动分割胰腺具有极大的挑战性.为了适应胰腺特征并解决其分割困难的问题,本文提出了一种轻量级的可变形分支注意力融合网络(Deformable Branch Attention Fusion Network,DBA-Net)作为胰腺自动分割方法.该方法首先将候选区域裁剪出来作为网络的输入,以便减少背景干扰并突出胰腺区域;然后引入可变形卷积使网络自适应地学习胰腺的空间结构;最后提出分支注意力融合模块实现低级别特征和高级别特征的融合,帮助解码器更好地还原特征图.本文的方法在NIH数据集上测试的Dice相似系数为85.3%,在MSD数据集上的Dice相似系数为78.9%,相比基线U-Net分别提高了3.9%和5.6%.实验结果表明本文的方法能够对胰腺进行更好的分割.

基于双输入3D卷积神经网络的胰腺分割算法

针对胰腺分割难以获得较高准确率的问题,本文提出了一种基于双输入3D卷积神经网络的胰腺分割算法。首先,通过增加输入切片间上下文残差信息突出边界区域;然后,引入注意力机制抑制无用特征、增加有效特征的表达,提高了胰腺的分割准确率;最后,将该算法在NIH胰腺分割数据集上进行评估。实验结果表明,本文算法性能优先于对比的主流算法。

基于3D路径聚合高分辨率网络的胰腺分割

目的胰腺的准确分割是胰腺癌识别和分析的重要前提。现有基于深度学习的主流胰腺分割网络大多是编码—解码结构,对特征图采用先降低再增加分辨率的方式,严重丢失了胰腺位置和细节信息,导致分割效果不佳。针对上述问题,提出了基于3D路径聚合高分辨率网络的胰腺分割方法。方法首先,为了捕获更多3D特征上下文信息,将高分辨率网络中的2D运算拓展为3D运算;其次,提出全分辨特征路径聚合模块,利用连续非线性变换缩小全分辨率输入图像与分割头网络输出特征语义差异的同时,减少茎网络下采样丢失的位置和细节信息对分割结果的影响;最后,提出多尺度特征路径聚合模块,利用渐进自适应特征压缩融合方式,避免低分辨率特征通道过度压缩导致的信息内容损失。结果在公开胰腺数据集上,提出方法在Dice系数(Dice similarity coefficient,DSC)、Jaccard系数(Jaccard index,JI)、精确率(precision)和召回率(recall)上相比3D高分辨率网络(3D high-resolution net,3DHRNet)分别提升了1.41%、2.09%、2.35%和0.49%,相比具有代表性编码—解码结构的胰腺分割方法,取得了更高的分割精度。结论本文提出的3D路径聚合高分辨率网络(3D pathaggregation high-resolution network,3D PAHRNet)具有更强的特征位置和细节信息的保留能力,能够显著改善在腹部CT(computed tomography)图像中所占比例较小的胰腺器官的分割结果。开源代码可在https://github.com/qiuchengjian/PAHRNet3D获得。

基于全局特征U-net的胰腺图像分割

为了在医学图像中提高胰腺计算机断层成像(computed tomography, CT)自动分割的准确率,针对传统分割方法存在受噪声影响大、过分割、欠分割等问题,以及胰腺周围的重要结构组织关系紧密且多变、边缘界限不易确定等特点,提出了一种基于全局特征U-net(U-net with global features, GF U-net)的胰腺图像分割方法。该方法比基于传统深度卷积神经的U-net网络能够提取出更精确的形状、纹理信息,将胰腺图像区域的毛刺边缘进行平滑化,能够更好地把握胰腺的全局特征。通过对82个由美国国立卫生研究院(national institutes of health, NIH)公开的胰腺CT数据进行四折交叉验证,得到Dice相似系数(Dice similariy coefficient, DSC)的均值为87.13%±3.76%,比传统的U-net网络增长了7.43%。提出的方法不仅拥有更高的准确率,而且生成胰腺的形状边缘更加契合生物学上的胰腺形状,更容易应用在临床医学中。

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.

基于2-3D混合卷积神经网络的胰腺CT图像自动分割算法研究

目的探讨CT图像中胰腺组织自动分割的深度学习算法。方法以2D胰腺分割网络和3D胰腺分割网络为基础,利用2D分割网络提取的判别性语义信息,3D分割网络提取出三维空间信息,最后将判别性的语义信息和三维空间信息进行融合实现胰腺分割。结果本研究在NIH数据集上的进行了验证,平均DICE系数达到83.2%(最大值90.65%,最小值67.04%)。分别超出了2D基准方法和3D基准方法0.77%和1.38%。其胰腺分割结果细节准确,边缘平滑。2-3D方法分割出的胰腺组织相比于2D方法和3D方法分割出的胰腺,在轮廓形态上与对应的手工标注图吻合度更高,更准确。相比于2D方法,2-3D方法有效综合了三维空间信息,对胰腺边缘位置进行了补足,避免了在胰腺边缘出现的漏分割情况。相比于3D方法,2-3D方法有效地利用了2D方法提供的语义信息,规避了在胰腺边缘出现的错误分割的情况。结论该方法融合了2D分割网络和3D分割网络的优点,能够有效地应用于对胰腺的准确分割。

胰腺分割

胰腺分割张民，王文治胰腺分割（Ｐａｎｃｒｅａｓｄｉｖｉｓｕｍ）是一种先天性的胰腺导管发育异常。虽然早在１７世纪解剖学家即已知副胰管的存在，并发现了胰腺分割现象［１］。但直到内窥镜逆行胰胆管造影（Ｅｎｄｏｓｃｏｐｉｃｒｅｔｒｏｇｒａｄｅｃｈｏｌａｎｇｉ...

基于注意力机制的急性胰腺炎影像分割研究

目的探究卷积注意力模块(CBAM)与Unet不同融合路径对于急性胰腺炎患者增强CT图像中胰腺自动分割的有效性。方法回顾性分析川北医学院附属医院2016年1月1日至2021年7月30日收治的1158例急性胰腺炎患者,纳入首发急性胰腺炎患者141例,依据轻、中、重病例各随机选取5例共15例作为测试集,余下126例作为训练集,在训练集中再随机划分20%的数据作为验证集。以Dice相似系数、豪斯多夫距离(HD)和像素准确率(PA)作为评价指标,对CBAM与Unet网络的不同融合路径进行训练,取验证集表现最佳的模型,在训练集上评估其性能,并将其与Unet、在跳级连接部分加入了注意门注意力机制(AttentionUnet)、在Unet网络中用ResBolck替代原有的卷积模块(ResUnet)、在特征提取的跳级连接分支模块融入CBAM(ResUnet_CBAM)模型进行比较。结果Unet_CBAM在训练集上取得的效果更好,Dice相似系数为80.06%,HD为3.7659,PA为0.9923,均优于其他融合路径,对急性胰腺炎患者CT图像中胰腺区域的分割效果均优于Unet及其相关的变体网络。结论Unet网络在跳级连接后融入CBAM能够较好地对急性胰腺炎患者增强CT图像行胰腺分割,能有效地提升相关人员对急性胰腺炎患者增强CT图像进行胰腺分割的效率。