基于3D-UNet的多谱图像融合定位方法

针对地下浅层地层结构复杂、地面获取的爆炸波振动信号波形混叠、频散严重,采用逆时偏移方法震源成像模糊、震源定位精度低的问题,将图像融合引入震源定位中,提出了一种基于3D-UNet的多谱图像融合定位方法。首先,对传感器采集到的信号通过变分模态分解(VMD)进行多频主成分分解,通过逆时聚焦成像方法形成多谱能量场;之后,将多谱能量场作为3D-UNet的输入,并结合注意力机制进行多谱能量场对应系数的自适应调整,通过梯度下降法使网络输出最大值位置逼近真实震源位置,生成融合网络模型。实验验证表明,本文方法相比于基于VMD多谱图像融合定位方法定位精度更高,且均方根误差在0.5 m以内。

基于3D-Unet的sMRI图像分割研究

脑成像时需要关注的是脑组织的结构和功能,去除颅骨等非脑组织可以减少噪声和干扰,提高图像质量以及后续数据分析的准确性。文中采用3D-Unet模型去除结构磁共振成像(sMRI)图像中的非脑组织。结果表明,所提3D-Unet模型能有效提取脑组织,其图像分割的准确率为0.947,召回率为0.833,精度为0.886。该研究为后续脑组织分割、配准和体积量化等提供了基础。

基于双注意力3D-UNet的肺结节分割网络模型

为提高计算机辅助诊断系统对大尺寸肺结节分割的完整度以及小尺寸肺结节的分割精度,构建双注意力3D-UNet肺结节分割网络模型。将传统3D-UNet网络中的上采样操作替换为DUpsampling结构,通过最小化特征图的像素点与被压缩标签图像之间的损失,得到更具表达能力的特征图,进而提高网络收敛速度。在此基础上,融入空间注意力模块和通道注意力模块,使单通道与多通道中相似的特征彼此相关,增加特征图的全局相关性以提高分割结果的精度。实验结果表明,与3D-UNet等方法相比,该模型有效提高了肺结节分割的准确率,在公共数据集LIDC-IDRI上的MIoU分数达到89.4%。

CRF 3D-UNet肺结节分割网络

为提高计算机辅助诊断系统(computer-aided diagnosis,CAD)对肺结节的正确检出率,经过实验,提出融合3D-UNet和全连接条件随机场方法(fully connected conditional random fields)的网络模型,简称CRF 3D-UNet网络,对肺结节进行分割。前端使用3D-UNet网络结构,整合结节的空间信息和上下文信息提取不同分辨率级别的特征,对结节实现粗略分割;后面框架使用全连接条件随机场技术,随机场中考虑像素之间的关联性,编码像素的手工特征对前端的输出进行优化,实现结节的细分割。实验结果表明,该算法有效提高了肺结节分割的准确率,使得分割精度达到93.25%。

基于改进后的3D-Unet肺结节图像检测研究

肺结节检测技术目前是医学图像处理领域中的一个热门研究课题。该文旨在探讨如何快速有效地完成打通整个肺结节检测的流程,实现对输入的胸部CT图像进行肺结节检测。该文利用patch与patch之间的空间关系,针对数据集进行合理的数据增强和模型调优,提高模型泛化能力。使用图像分割检测图像中所有可能是肺结节的区域,生成候选集,使用一种基于改进后的3D-Unet医学图像处理模型对上一步骤生成的结果进行分类,剔除假阳性的候选,保留真正的结节,实现对输入的胸部CT图像进行肺结节检测。该技术不仅可用于肺结节CT智能诊断,也能应用于甲状腺癌、乳腺癌、脑瘤、肾癌、肝癌等重大疾病,具有重要的医学价值和社会价值。

基于3D UNet结合Transformer的肝脏及肝肿瘤自动分割

目的肝脏和肝肿瘤分割是肝癌放疗计划设计的重要步骤,本文提出新型自动分割模型,以实现肝脏和肝肿瘤的精确分割。方法在3D UNet深度神经网络中加入了残差模块和Swim Transformer模块,提出一个新型的卷积和Transformer结合的Res-Swim-UNet模型。在LiTS公共数据集上对比了所提出方法与先前方法的性能,并在本地数据集上验证了Res-Swim-UNet模型的泛化能力。结果Res-Swim-UNet模型在LiTS公共数据集上肝脏分割结果的Dice相似性系数(Dice Similarity Coefficient,DSC)、体积重叠误差(Volumetric Overlap Error,VOE)分别是0.957、0.522,相对于UNet模型DSC提高了1.6%,VOE降低了1.3%;肝肿瘤分割结果的DSC、VOE分别是0.672、0.617,相对于UNet模型DSC提高了13.5%,VOE降低了5.9%。在本地数据集上肝脏分割结果的DSC、VOE分别是0.895、0.552,肝肿瘤分割结果的DSC、VOE分别是0.589、0.706。结论本文提出的Res-Swim-UNet模型可以有效提高CT图像中肝脏和肝肿瘤的分割效果,且该模型在迁移到本地数据时仍具有较高的分割精度。该模型可以用于提高医生勾画靶区的效率。

不同域下基于UNet的三维地震数据重建

由于自然因素的限制以及经济条件的约束,采集到的地震数据通常存在地震道的缺失,需对缺失数据进行插值。然而,目前基于深度学习的方法大多在某一固定的域下完成地震数据的插值。为了对比不同域下地震数据重建结果的差异,本文基于UNet网络,对比了五种不同域下的地震数据插值方法,分别为:t-x(time-space)域,时间切片,f-x(frequency-space)域,频率域按炮切片以及三维方法。在仿真数据集和真实数据集上进行了实验,通过三维重建结果,二维切片,不同缺失率的地震数据重建信噪比以及五种方法的耗时对比,全面展示了几种方法在地震数据重建问题上的差异。实验结果显示,五种方法在一定程度上均可重建缺失数据,其中三维方法可以取得最高的重建精度,和基于f-x域的方法相比,重建信噪比提高了近2 dB;但三维方法以三维数据块作为输入训练网络,所以最为耗时,网络一轮的训练时间比其它方法多70~170 min。此外,对不同缺失率的地震数据重建结果显示,三维方法和基于f-x域的方法在重建高缺失率的地震数据时更有优势。

基于3D scSE-UNet的肝脏CT图像半监督学习分割方法

针对分割神经网络需要大量的高质量标签但较难获取的问题,提出基于3D scSE-UNet的半监督学习分割方法.该方法使用自训练的半监督学习框架,将包含改进的并行空间/特征通道压缩和激励模块(scSE-block+)的3D scSE-UNet作为分割网络.scSE-block+可以从图像空间和特征通道2个方面自动学习图像的有效特征,抑制无用冗余特征,更好地保留图像边缘信息.在自训练过程中加入全连接条件随机场,对分割网络产生的伪标签进行边缘细化,提升伪标签的精确度.在LiTS17 Challenge和SLIVER07数据集上验证所提出方法的有效性.当有标签图像占训练集总图像的30%时,所提方法的Dice相似系数(dice score)为0.941.结果表明,所提出的半监督学习分割方法可以在仅使用少量标注数据的情况下,取得与全监督分割方法相当的分割效果,有效减轻肝脏CT图像分割对专家标注数据的依赖.

基于深度学习与多模态生理数据的阿尔茨海默病分类方法研究

目的:为了提高阿尔茨海默病(Alzheimer’s disease,AD)的分类效果,提出一种基于深度学习与多模态生理数据的AD分类方法。方法:选用阿尔茨海默病神经影像学计划(the Alzheimer’s Disease Neuroimaging Initiative,ADNI)数据库中AD患者、早期轻度认知障碍(early mild cognitive impairment,EMCI)患者、晚期轻度认知障碍(late mild cognitive impairment,LMCI)患者和正常认知(normal cognition,NC)受试者的多模态数据,利用改进的New_ResNet50网络提取受试者大脑MRI图像特征进行分类,利用3D-Unet-Attention网络对海马体图像进行分割后通过残差网络进行分类,利用多层感知机(multi-layer perceptron,MLP)网络基于患者的生理数据与海马体体积进行分类,并对3个网络给出的分类结果采用投票法确定最终分类结果。比较改进的New_ResNet50网络、3D-Unet-Attention网络分类模型与传统网络分类模型对AD的分类效果,以及融合New_ResNet50网络、3D-Unet-Attention网络、MLP网络的分类模型和单一网络分类模型对AD的分类效果。结果:改进的New_ResNet50网络、3D-Unet-Attention网络分类模型分类准确率较传统网络分类模型均有提高,而融合网络分类模型对AD患者与NC受试者的分类准确率(97.99%)相较New_ResNet50网络、3D-Unet-Attention网络、MLP网络分类模型分别提高了1.51%、1.51%和14.62%。结论:提出的分类方法对AD具有较好的分类效果,可以有效辅助医生诊断。

基于三维UNet与混合焦点损失函数的脑肿瘤全自动分割算法

针对脑肿瘤分割方法中由于正常脑组织、脑肿瘤等不同类别的数据量严重不平衡,导致分割精度受到极大影响的问题,提出一种结合混合焦点损失函数与三维UNet(3D UNet)的全自动脑肿瘤分割算法。在3D UNet模型框架中,使用包含焦点损失与改进的焦点Tversky损失的混合损失函数,两种损失函数可以优势互补,分别缓解输入与输出数据类不平衡带来的不利影响,使分割模型聚焦在难以分类和学习的样本上。利用公开的脑肿瘤数据集进行相关实验,提出的混合焦点损失函数分割模型在完整肿瘤区域、核心肿瘤区域(TC)和增强肿瘤区域(ET)的Dice均值分别可达89.01%、88.67%与83.74%,豪斯多夫距离均值分别为14.29、5.01与3.84 mm,实验结果表明,基于混合损失函数的深度学习分割模型可以显著提升由于数据类不平衡导致的难以分类区域(TC和ET)的分割效果。

基于UNet网络的无人机影像建筑模型单体化应用

以瑞安市发改局“万亩千亿”三维可视化平台辅助决策系统项目为依托,获取研究区域内无人机影像,利用倾斜摄影自动三维建模的技术机理,搭建了基于UNet网络的正射影像建筑物轮廓提取,对实现三维建筑物模型单体化实践具有一定的参考意义。

三维Res-UNet和知识蒸馏相结合的断层识别方法研究

随着计算机和人工智能的发展,深度学习技术越来越多地应用于地球物理领域,多种基于浅层卷积神经网络的算法在断层识别中已得到广泛应用。本文基于深度残差网络捕获学习特征较强的优势,引入残差块替换三维UNet编码器和解码器的所有卷积层构建新的三维Res-UNet网络结构,选择合适的网络参数训练人工合成的断层样本,训练完成后保存预测模型;然后引入知识蒸馏的机制,首先将三维Res-UNet作为教师模型进行训练,然后将三维Res-UNet作为学生网络进行训练,在此过程中,教师网络处于评估模式,不参与训练,通过计算混合损失函数将教师网络模型和学生网络结合到一起预测断层,使其学习到更多的断层信息,提升网络性能,增强网络的泛化能力,最终达到优化断层识别效果的目的。理论模型测试的量化评价结果证明了知识蒸馏后的三维Res-UNet使断层识别的准确率由0.956提高到0.993,实际地震资料的应用同样验证了该方法的有效性和可行性。

基于双路径网络的端到端肺结节检测模型

为解决肺结节检测方法复杂、耗时且存在检测结果假阳性率高的问题,提出基于双路径网络(daul-path network,DPN)的肺结节自动检测模型。使用DPN自动提取深度特征,结合残差网络和密集连接网络实现特征复用;候选框提取使用三维编码解码网络结构,融合结节空间信息和上下文信息准确定位结节位置,生成多尺度候选框;将网络嵌入基于区域的全卷积网络框架中对结节实现分类。实验结果表明,该算法有效提高了结节检出率和检测速度,灵敏度达到90.5%,一个序列的肺部CT图像的处理时间为5.9 s。