针对低质量文档图像存在页面污渍、墨迹浸润、背景纹理等多种退化因素,提出一种融合背景估计与U型卷积神经网络(U-Net)的文档图像二值化算法。该算法首先进行图像对比度增强,然后通过形态学闭操作来估计文档图像背景,并利用全卷积网络,...针对低质量文档图像存在页面污渍、墨迹浸润、背景纹理等多种退化因素,提出一种融合背景估计与U型卷积神经网络(U-Net)的文档图像二值化算法。该算法首先进行图像对比度增强,然后通过形态学闭操作来估计文档图像背景,并利用全卷积网络,即U-Net对背景减除图像进行前景背景分割,最后采用全局最优阈值处理方法获得最终二值图像。实验结果表明,在2016和2017年国际文档图像二值化竞赛(DIBCO)中该算法的F值(F-measure,FM)、伪F值(pseudo F-measure,p-FM)、峰值信噪比(peak signal to noise ratio,PSNR)、距离倒数失真度量(distance reciprocal distortion,DRD)比性能次优的经典算法最高有5.58%、2.47%、0.86 dB、1.19%的性能提升。展开更多
目的基于3D Res U-Net-Faster RCNN技术采用组织病理学确诊的肺结节及胸部CT影像学数据,构建肺结节性质的预测模型。方法选择2020年10月至2023年10月我院收治的经外科手术切除并具有组织病理学诊断肺结节患者528例,其中恶性肺结节442例...目的基于3D Res U-Net-Faster RCNN技术采用组织病理学确诊的肺结节及胸部CT影像学数据,构建肺结节性质的预测模型。方法选择2020年10月至2023年10月我院收治的经外科手术切除并具有组织病理学诊断肺结节患者528例,其中恶性肺结节442例,良性肺结节86例,按7∶3随机分为训练集和测试集。采用改良的3D残差U型网络(3D residual u-net,3D Res U-Net)融合基于区域的卷积神经网络(faster region-based convolutional neural networks,faster RCNN)模型,通过识别肺结节感兴趣区域(region of interest,ROI)和提取CT影像学特征,构建肺结节性质预测模型,筛选判断恶性肺结节CT影像特征权重。通过混淆矩阵、精准率、召回率、F1值、Dice相似系数(dice loss)、受试者工作特征曲线(receiver operating characteristic,ROC)判断该模型对肺结节性质的诊断精准度,采用外部数据验证模型工作性能。结果基于3D Res U-Net-Faster RCNN技术构建的肺结节性质预测模型,分割ROI的Dice Loss为0.85,测试集对恶性肺结节识别的精确度为0.85,召回率0.76,F1值0.80,曲线下面积(area under the curve,AUC)值0.86。对外部验证集的肺结节识别准确率0.86,恶性结节识别精确度0.92,召回率0.87,F1值0.90;良性结节识别精确度0.92,召回率0.82,F1值0.87。肺CT影像特征中平均灰度值、最大直径与体积比值、表面积与体积比值对恶性肺结节预测的权重高。良、恶性结节组间的肺结节直径大小、毛刺征、血管穿行征具有显著差异(P<0.05)。结论基于3D Res U-Net-Faster RCNN技术对CT影像学特征构建的人工智能(artificial intelligence,AI)驱动诊断模型对肺结节性质具有预测性能,对提高早期肺癌的筛查具有临床诊断意义。展开更多
文摘针对低质量文档图像存在页面污渍、墨迹浸润、背景纹理等多种退化因素,提出一种融合背景估计与U型卷积神经网络(U-Net)的文档图像二值化算法。该算法首先进行图像对比度增强,然后通过形态学闭操作来估计文档图像背景,并利用全卷积网络,即U-Net对背景减除图像进行前景背景分割,最后采用全局最优阈值处理方法获得最终二值图像。实验结果表明,在2016和2017年国际文档图像二值化竞赛(DIBCO)中该算法的F值(F-measure,FM)、伪F值(pseudo F-measure,p-FM)、峰值信噪比(peak signal to noise ratio,PSNR)、距离倒数失真度量(distance reciprocal distortion,DRD)比性能次优的经典算法最高有5.58%、2.47%、0.86 dB、1.19%的性能提升。
文摘目的基于3D Res U-Net-Faster RCNN技术采用组织病理学确诊的肺结节及胸部CT影像学数据,构建肺结节性质的预测模型。方法选择2020年10月至2023年10月我院收治的经外科手术切除并具有组织病理学诊断肺结节患者528例,其中恶性肺结节442例,良性肺结节86例,按7∶3随机分为训练集和测试集。采用改良的3D残差U型网络(3D residual u-net,3D Res U-Net)融合基于区域的卷积神经网络(faster region-based convolutional neural networks,faster RCNN)模型,通过识别肺结节感兴趣区域(region of interest,ROI)和提取CT影像学特征,构建肺结节性质预测模型,筛选判断恶性肺结节CT影像特征权重。通过混淆矩阵、精准率、召回率、F1值、Dice相似系数(dice loss)、受试者工作特征曲线(receiver operating characteristic,ROC)判断该模型对肺结节性质的诊断精准度,采用外部数据验证模型工作性能。结果基于3D Res U-Net-Faster RCNN技术构建的肺结节性质预测模型,分割ROI的Dice Loss为0.85,测试集对恶性肺结节识别的精确度为0.85,召回率0.76,F1值0.80,曲线下面积(area under the curve,AUC)值0.86。对外部验证集的肺结节识别准确率0.86,恶性结节识别精确度0.92,召回率0.87,F1值0.90;良性结节识别精确度0.92,召回率0.82,F1值0.87。肺CT影像特征中平均灰度值、最大直径与体积比值、表面积与体积比值对恶性肺结节预测的权重高。良、恶性结节组间的肺结节直径大小、毛刺征、血管穿行征具有显著差异(P<0.05)。结论基于3D Res U-Net-Faster RCNN技术对CT影像学特征构建的人工智能(artificial intelligence,AI)驱动诊断模型对肺结节性质具有预测性能,对提高早期肺癌的筛查具有临床诊断意义。
