基于UNet模型燃气管道高后果区分割方法研究

为提升燃气管道设施监测和事故应急响应中的高后果区图像分割精准度和可靠性,通过改进UNet模型结构,使用优化后的Inception Block模块、通道注意力和空间注意力机制的方法,提升模型捕捉关键特征的能力,并引入高斯噪声增强模型鲁棒性,采用保留最佳参数策略得到最优训练参数。然后对SE UNet、UNet++、原始UNet以及改进后UNet模型在航拍图像数据集上的分割效果进行对比和分析。研究结果表明:相对SE UNet、UNet++和原始UNet,改进后UNet模型在分割效果上表现更佳,综合性能优于其他模型。同时,改进后UNet模型提高了分割准确性,降低了误检和漏检风险。研究结果可为燃气管道设施的安全运行和维护提供有力支持。

基于UNet与ResUNet++模型的宫颈癌放射治疗危及器官自动分割效果对比

目的对比基于UNet与ResUNet++模型的宫颈癌放射治疗危及器官自动分割效果。方法在PyTorch平台搭建UNet与ResUNet++模型。将2023年6月至2024年2月于医院行放射治疗的232例宫颈癌患者的治疗计划作为研究对象,其中194例计划用于模型的训练和验证,38例计划用于测试。危及器官包括肝、膀胱、直肠、脊髓、肾、股骨、股骨头。使用3D-戴斯相似性系数(3D-DSC)及95%豪斯多夫距离(HD95%)评估2种模型的分割结果。结果UNet模型分割结果显示,直肠的3D-DSC较低,为0.847(0.809,0.868),其他危及器官的3D-DSC均较高,位于0.938(0.929,0.945)至0.978(0.975,0.979)范围内;肝和膀胱的HD95%较高,分别为11.449(8.822,13.740)和13.038(11.365,15.699),其他危及器官的HD95%均位于2.638(2.341,2.812)至6.424(5.502,8.071)范围内。ResUNet++模型分割结果显示,直肠的3D-DSC较低,为0.792(0.707,0.855),其他危及器官的3D-DSC均位于0.929(0.876,0.950)至0.977(0.976,0.979)范围内;肝和膀胱的HD95%较高,分别为10.954(8.552,13.460)和13.114(11.066,16.664),其他危及器官的HD95%均位于2.640(2.161,3.029)至6.824(6.050,8.066)范围内。2种模型分割的肝、右肾3D-DSC比较,差异无统计学意义(P>0.05);2种模型分割的其他器官的3D-DSC比较,差异均有统计学意义(P<0.05)。UNet模型分割的左股骨头HD95%低于ResUNet++模型,差异有统计学意义(P<0.05);其余器官的HD95%比较,差异均无统计学意义(P>0.05)。结论UNet与ResUNet++模型均可进行宫颈癌放射治疗危及器官的自动分割,且UNet模型的整体分割效果好于ResUNet++模型。

Dil-UNet++:基于UNet++的多尺度融合视网膜血管分割网络模型

视网膜血管的精确分割是眼部疾病临床诊断的关键步骤,针对眼底视网膜血管结构复杂、形态多样、边缘末端细微导致分割难度高的问题,提出了一种基于UNet++新的眼底视网膜血管分割网络模型(Dil-UNet++),该方法在传统的UNet++网络基础上使用多层空洞卷积模块来实现特征提取,使网络获得大小可变的特征提取感受野,获得了更好的特征提取性能;同时在网络跳跃连接部分增加注意力机制模块提高了分割目标相关的通道权重和空间权重;并使用卷积模块代替最大池化模块实现下采样,来避免特征传递时血管细节特征丢失。在分割DRIVE视网膜血管图像数据集上的训练与验证结果表明,该模型在Dice系数、准确度和精确度分别达到87.65%、96.99%和92.82%,证明了该网络模型的有效性,从而为眼底视网膜血管图像分割提供了新的方法。

基于改进UNet模型的油茶果振动采摘点定位方法

针对非花果同期油茶果采收效率低这一问题,提出一种侧枝振动采摘点定位方法,通过振动侧枝降低树木损伤并实现高效采收。首先构建数据集,对侧枝分段标注,向UNet中添加CloFormer注意力机制并命名为Clo-UNet,实现侧枝的二维重构。其次,在Clo-UNet基础上进一步设计采摘点定位方法并命名为Clo-UNet-Point,该方法优先选择采收离果实最远且最粗的枝条。试验表明,Clo-UNet在验证集上表现优异,其中br_con(连果枝)、danger(危险区)和br_pro(优先采收区域)的平均交并比mIoU分别达到85.36%、86.37%和81.29%,平均像素精度mPA分别达到94.97%、96.17%和89.48%,Clo-UNet在整个数据集上的mIoU和mPA分别比UNet高5.14、6.85个百分点。通过观察验证集647幅图像,Clo-UNet-Point算法在不同光照条件下均能定位到采摘点,平均检测一张图像用时0.15 s。该研究可为未来非花果同期类油茶果的自动化振动采收奠定理论基础。

BBTUNet:基于上下文Transformer的肝脏肿瘤分割算法研究

肝癌是世界范围内最常见的恶性肿瘤之一,严重威胁着人类的生命健康,从计算机断层扫描(Computed Tomography,CT)中精确分割出肝脏肿瘤对后期的临床诊断具有重要的意义。现有的方法虽然实现了肝脏肿瘤的自动化分割,但肝脏肿瘤边界模糊、目标较小、容易漏检等问题尚未很好地解决,肝脏肿瘤的精确分割仍旧是一项极具挑战的任务。针对这些问题,该文提出一种新的分割网络BBTUNet。构建基于Transformer的上下文Bridge,重新设计UNet的跳跃连接结构,有效捕捉多尺度特征之间的上下文关系。在Transformer的前馈神经网络中引入可分离的空洞卷积,提出改进的前馈神经网络BFFN,有效融合全局和局部信息,增强边界特征,细化分割边缘。在3DIRCADB数据集上对模型进行训练和测试,实验结果表明,提出的BBTUNet网络的Dice系数为82.1%,ACC为96.4%,相较于UNet网络,分别提升了10.9%、4.6%,且对于小尺寸、低对比度、边界模糊的肿瘤分割具有显著优势。

基于改进DeeplabV3+的遥感图像道路分割模型

针对遥感图像道路分割边界模糊和遮挡难以区分的问题,提出了基于改进DeeplabV3+的遥感图像道路分割模型。该模型在主干网络中引入MobileNetV3和高效通道注意力机制(ECA),减少了参数量并关注连续的道路特征信息。在解码过程中采用多级上采样,增强了编码器和解码器之间的紧密连接,全面保留了细节信息。同时,在ASPP模块中采用深度可分离膨胀卷积DS-ASPP,显著减少了参数量。实验结果表明,该模型在Massachusetts Roads数据集上的交并比达到了83.71%,准确率达到了93.71%,分割精度最优,模型参数量为55.57×10^(6),能够有效地避免边界模糊和遮挡导致的错漏检问题,在遥感道路分割中提高了精度和速度。

改进UNet++的杉木CT图像年轮分割

为解决裂纹、虫孔和节子等缺陷影响下的年轮准确分割问题。以医疗CT为实验设备,重构125张杉木横切面CT图像为研究对象,经裁切、旋转、翻转等预处理实现数据扩充,提出改进UNet++模型用于年轮分割。改进UNet++模型采用增加卷积块、下采样层、跳跃连接和上采样层的方式,将学习深度增加至6层,以BCEWithLogitsLoss和ReLU分别作为损失函数和激活函数,RMSProp作为优化函数,对杉木横切面CT图像进行年轮分割,并对年轮分割性能进行评价。结果显示:改进UNet++模型对于杉木横切面CT图像的年轮分割的像素准确率为97.81%,骰子系数为98.89%,交并比为95.29%,平均交并比为84.75%,充分提取杉木年轮特征,分割效果最好。与U-Net模型和UNet++模型相比,改进UNet++模型在多数年轮被裂纹和虫孔切割,无法形成完整圆形闭合曲线的条件下,使分割的年轮具有很好的完整性和连续性,消除分割过程中的断裂和噪声现象;年轮分割结果不受裂纹、节子、虫孔等缺陷影响,结构非常清晰,有效解决多种缺陷干扰下的虫孔误分割和密集年轮欠分割等问题。

基于Unet+Attention的胸部CT影像支气管分割算法

目前肺气管分割中,由于CT图像灰度分布复杂,分割目标像素近似,易造成过分割;而且肺气管像素较少,难以得到更多目标特征,造成细小肺气管容易被忽略。针对这些难点,本研究提出结合Unet网络和注意力机制的肺气管分割算法,注意力机制使用的是关注通道域和空间域的卷积块注意力模型(CBAM),该模型提高了气管特征权重。在损失函数方面,针对原始数据中正负样本失衡的问题,引入focal loss损失函数,该函数对标准交叉熵损失函数进行了改进,使难分类样本在训练过程中得到更多关注;最后通过八连通域判断将孤立点去除,保留较大的几个连通域,即最后的肺气管部分。选用由合作医院提供的24组CT影像和43组CTA影像,共计26157张切片图像作为数据集,进行分割实验。结果表明,分割准确率能够达到0.86,过分割率和欠分割率均值为0.28和0.39。经过注意力模块和损失函数的消融实验,在改进前的准确率、过分割率和欠分割率分别为0.81、0.30、0.40,可见其分割效果均不如Unet+Attention方法。与其他常用方法在相同条件下进行比较后,在保证过分割率和欠分割率不变的情况下,所提出的算法得到了最高的准确率,较好地解决了细小气管分割不准确的问题。

构建VED-SegNet分割模型提取鱼类表型比例

为提高鱼类表型分割精度和准确度,实现鱼类表型智能监测,该研究基于深度学习算法构建了VED-SegNet模型用于鱼类表型分割和测量。该模型将cross stage partial network和GSConv结合作为编码器(VoV-GSCSP),保持足够精度的同时降低网络结构复杂性。另一方面,该模型采用EMA(efficient multi-scale attention module with cross-spatial learning)建立强化结构,加强编码器和解码器之间的信息传递,提高模型精度,并实现了8个表型类别的输出。采用自建的鱼类表型分割数据集对VED-SegNet模型进行了测试,测量结果中鱼类各表型比例与实际测量值相接近,表型最大平均绝对和平均相对误差为0.39%、11.28%,能实现无接触式提取水产养殖中鱼类表型比例。对比其他常见语义分割模型,平均交并比mean intersection over union,mIoU和平均像素准确率mean pixel accuracy,m PA最高,分别到达了87.92%、92.83%。VED-SegNet模型在环境复杂、多鱼重叠的养殖水体鱼类监测场景中精准分割鱼类形态特征,可为鱼类表型智能测量提供技术支持。

基于Unet网络的烧结混合料粒度检测模型

目前烧结生产中混合料粒度主要通过人工检测方式获取,该操作方式不连续,且准确度有待提高,难以确定粒度分布与烧结生产参数之间的定量关系。因此,本文提出一种烧结混合料粒度检测模型,该模型采用CCD工业相机和工业光源作为混合料图像的主要采集设备;在图像预处理过程中,使用加权平均法用于图像的灰度化处理;在粒度检测模型构建中,应用Unet网络对烧结混合料图像进行分割处理。结果表明:工业光源的使用提高了采集时的亮度,也能在最大程度上降低外界光线的影响,确保烧结混合料图像的稳定性;图像预处理有助于分辨烧结混合料的颗粒特征,在此基础上,使用中值滤波和直方图均衡化更适合表征图像中混合料颗粒的边缘,并将颗粒内部特征模糊化,对噪声及其他不利因素有很好的去除效果;训练好的Unet网络分割模型对烧结混合料的分割准确率达到91%以上,分割精度误差低于9%,对混合料图像的分割效果较好。该模型的应用可为烧结生产提供及时、准确的粒度分布数据,有助于提高烧结混合料粒度检测效率,帮助企业提升经济效益和社会效益。

一种Unet图像分割模型的联邦蒸馏优化算法

联邦学习致力于保证用户隐私与数据安全条件下,有效地解决医疗领域数据孤岛的问题,是一个极巨潜力的发展方向.然而,现存的联邦学习在医疗领域的应用中存在两大难点:高额的通信开销与不平衡数据导致的性能下降.基于此,设计一种应用在图像分割领域的联邦蒸馏优化算法.在算法中,首先设计本地教师模型-全局学生模型的框架,重构轻量的Unet作为学生模型,并用蒸馏损失保证模型性能的稳定.然后,在服务器上部署调节器筛选聚合的参与方,缓解数据不平衡对模型的影响.实验结果表明,该算法降低16倍以上的通信数据总量与约25%的单次训练时间,在异质性的数据集下,不会因为极端数据导致梯度爆炸与性能下降.此外,本文使用真实的COVID-19与HAM10000医疗数据,证明该模型的有效性.

基于N-Unet视网膜血管分割

针对在现阶段视网膜血管分割过程中存在的分支断裂问题,提出一种非局部Unet的模型Non-local Unet(N-Unet)。N-Unet模型保留了编码器-解码器的对称结构,在编码器阶段引入非局部块,使模型在提取特征的过程中关注非局部信息,能更好地捕捉图像中非相邻像素之间的关系。该模型在公开的DRIVE数据集上进行评估,得到的准确性、敏感性、特异性、曲线下面积分别为0.9523、0.8021、0.9743、0.8949。实验结果表明,该方法在解决血管分割过程中的分支断裂问题表现良好,具有研究意义。

基于非对称UNet网络的磁共振图像胃肠道语义分割方法研究

靶区和脏器的自动化标注是磁共振图像引导放疗的关键技术之一。研究了磁共振图像中胃肠道等空腔脏器语义分割的方法,在语义分割任务中,往往输入图象比输出图像复杂很多,假设网络的复杂度和输入输出的图像复杂度正相关,提出了一个12层的非对称UNet网络,把更多的网络参数放在编码器上,解码器的参数量只有编码器的三分之一。实验结果表明在UMWGI数据集上对胃、大肠、小肠的语义分割任务中,所提方法的DSC综合得分达到了0.856,Hausdorff_95得分达到了3.743,相同网络规模的条件下,优于对称结构的UNet网络和Transfomer网络,说明所提方法可以较好地完成磁共振图像中的胃肠道语义分割,边界分割也较为理想,为实现磁共振图像上胃肠道的自动化标注提供了可行方案。

基于改进Unet网络的CT图像肺实质自动分割算法

肺实质分割是计算机辅助诊断肺癌中的重要步骤。针对Unet分割精度不足和收敛速度慢的问题,提出一种基于改进Unet的肺实质分割算法。采用K-means聚类和凸包扫描算法进行预分割,完成肺实质的定位和修正。以Unet结构为基础,引入Sobel卷积层强化边缘区域的高通滤波,并在特征融合中加入随机失活模块,进一步提升分割精度。将传统图像处理方法与深度学习相结合,获得了优化改进的分割模型。实验表明,该算法可以准确高效地分割肺实质,平均Dice相似系数达到0.9834,收敛速度和分割性能均优于其他几种较新的分割算法。

多层级信息增强异构图的篇章级话题分割模型

话题分割是自然语言处理领域的基础任务之一,按照话题相关性原则将文本分割为多个话题相关的文本块。针对现有话题分割模型提取句子深层语义信息方面明显不足,并且忽略了篇章中的层次信息和上下文交互等问题,提出了一种多层级信息增强异构图的篇章级话题分割模型MHG-TS。该方法利用篇章中的句子和关键词构建异构图网络,引入BERT预训练语言模型捕获图中节点的深层语义特征,在句子节点一阶邻域层级,利用图注意力机制为语义关联的节点分配更大的边权重,增强了一阶邻域中语义关联节点的信息交互;在关键词节点层级,引入关键词信息加强句子语义特征表示;在句子高阶邻域层级,利用关键词节点作为中介,构建了句子节点高阶邻域中的跨句信息交互,丰富了句子节点之间的非序列关系,最终通过融合多层级信息实现包含全局语义信息的句子表示。相较于当下流行的模型,在多个数据集上,三个评价指标性能平均值分别提高了3.08%、2.56%、5.92%,取得了最佳的实验结果。

基于轻量级UNet的复杂背景字符语义分割网络

针对传统复杂背景字符分割算法的不足,提出了一种基于轻量级UNet的复杂背景字符语义分割网络.网络结构基于UNet,在特征提取模块中,将传统卷积变为深度可分离卷积,减少了网络特征提取模块的参数量以及计算量,并引入残差学习模块解决网络退化问题.在自制数据集以及H-DIBCO2018公开数据集上展开实验,并与FCN8s、AttationUNet和UNet进行比较.实验结果表明:所提出的网络可同时兼顾计算效率与分割精度,具有实用性.

改进的语义分割模型及其应用

训练语义分割网络模型需要较为繁琐的人工标注作为训练标签,同时语义分割模型在构建和运行过程中也存在超参数较难确定以及模型过于庞大等问题。为解决这类问题,提出了一种基于标注框生成热点图的标签生成方法,简化了语义分割训练标签的人工标注过程。以及在可微分神经网络结构搜索方法的基础上提出了一种对硬件要求更低的神经网络结构搜索方法,并基于此种方法改进了特征金字塔结构,构建了一个改进的语义分割模型,并在安全帽与口罩检测数据集上进行了试验。与U-Net、FPN等模型比较,新的模型在参数量、计算速度以及精确度上都更有优势。

基于改进Unet的食品包装盒图像分割

本文针对工业生产现场的复杂背景对印刷品缺陷检测造成的影响,以及为了更加精准地检测食品包装盒图像上的小目标,提出了一种基于改进Unet的语义分割算法,将前景图像从复杂的图像中提取出来,采用VGG16作为Unet网络的主干提取部分,提取高层的全局特征信息;引入了注意力机制提高图像分割的精确度和细节保留能力。经改进的Unet模型的评价指标IoU、mIoU、PA、F1-score分别为99.45%、99.60%、99.83%、99.72%,相比原Unet模型,各项指标分别提升了1.73百分点、1.24百分点、0.53百分点、0.87百分点,能够更加精准地分割食品包装盒与传送带背景的边缘,为后续的缺陷检测提供了精准的数据支持。

基于改进UCTransNet的海洋微藻图像分割模型

海洋微藻是海洋生态系统的基石,对其进行分割识别可以监测海洋水质并防治藻华。UCTransNet是使用Transformer模块替代UNet中跳跃连接模块的分割模型,但UCTransNet过于重视图像的通道信息而忽略了图像的空间信息。针对此情况,提出一种将空间与通道融合的注意力机制,并将其加入UCTransNet中,得到CSAM-UCTransNet。该模型加强了编码器与译码器之间的联系。实验表明,CSAM-UCTransNet对海洋微藻样本的分割精度相较于UCTransNet提升了4.88%。与UNet、Attention-UNet、UNet++等分割算法相比,该模型分割精度更高,对细节的处理效果更好。

基于各向异性注意力的双分支血管分割模型

血管分割对于血管疾病的诊断和治疗具有重要意义,但由于血管边界模糊、病变血管的形状多变且不同样本之间的差异性较大,因此要求分割模型能够准确地挖掘血管与背景类间的差异性以及血管内部的连通性。提出一种基于中心线约束与各向异性注意力的新型三维血管分割网络CAU-Net。针对血管分割的难点,对基础网络结构ResU-Net进行改进,构建各向异性注意力模块,该模块根据管腔结构特有的空间各向异性,从3个方向提取血管空间各向异性特征,并对特征通道间的相关性进行建模,学习血管的三维空间信息。采用主-辅双分支模型,b-Net对血管进行语义分割,a-Net学习血管中心线的连续性特征,约束b-Net的血管分割结果,保证血管分割结果的完整性。在公开数据集3D-IRCADb-01上的实验结果表明,对于门静脉及肝静脉的分割,CAU-Net分别取得(74.80±8.05)%和(76.14±6.89)%的Dice系数、(54.80±8.09)%和(50.40±5.22)%的NSD系数、(72.43±8.26)%和(70.84±6.05)%的clDice系数、(46.47±12.89)%和(39.19±7.97)%的分支检测率以及(67.08±15.59)%和(61.47±9.32)%的树长检测率。在公开脑血管数据集IXI上进行组件消融实验,模型在验证集上的平均Dice、NSD、clDice、BD和TD分别为(94.11±0.39)%、(96.53±0.37)%、(95.83±0.59)%、(98.64±1.63)%和(95.44±1.22)%,相比于Baseline分别提升了0.92%、0.82%、0.92%、1.11%和1.60%。CAU-Net血管分割模型能够显著提升血管分割的精度和完整度。