一种快速提取弹底底火表面缺陷图像方法

针对枪弹弹底图像特点,提出一种新的弹底底火表面缺陷图像分割方法。对去背景弹底灰度图像运用Log算子进行边缘检测,分析了传统边界跟踪算法在提取弹底圆轮廓应用中的不足,改进边界跟踪算法提取弹底圆轮廓,利用最小二乘法圆拟合算法获得弹底圆圆心和半径。通过弹底圆半径与底火圆半径对应关系为弹底灰度图像赋值,提取底火圆图像。利用统计阈值分割底火缺陷,利用数学形态学优化分割结果。实验结果表明,该方法能够有效提取弹底底火表面缺陷。

相似度感知蒸馏的统一弱监督个性化联邦图像分割

目的 联邦学习允许多个机构在不侵犯数据隐私、安全的前提下协作训练强大的深度模型。现有多数联邦范式在处理多中心不同数据分布时性能通常会下降,且弱监督条件下的联邦范式鲜有研究,特别是各站点数据采用不同形式稀疏标注的情况。针对该问题,提出一种站点分布相似度感知知识蒸馏的统一弱监督个性化联邦学习框架(unified weakly supervised personalized federated image segmentation via similarity-aware distillation,pFedWSD),以应对多中心数据分布和标注上的差异。方法 所提出的pFedWSD通过循环知识蒸馏为每个站点训练个性化模型,包含动态循环公共知识积累及个性化两个阶段。第1阶段以不确定度感知方式动态地排序每轮训练中各站点模型性能,并以循环知识蒸馏的形式积累公共知识;第2阶段通过批标准化层的统计信息来度量各站点间相似性并聚合得到各站点教师模型并进行知识蒸馏。在弱监督方面,引入门控条件随机场损失和树能量损失相结合的训练目标,以产生更为精确的伪标注监督信号。结果 在眼底视杯视盘分割和视网膜中心凹无血管区分割两项任务中,pFedWSD的Dice系数和HD95(95%Hausdorff distance)指标均优于多种中心式联邦和个性化联邦方法,在两项任务中,Dice系数分别为90.38%和93.12%,相比于较先进的方法FedAP(federated learning with adaptive batchnorm for personalized healthcare)和FedALA(adaptive local aggregation for personalized federated learning)分别提升了1.67%和6.56%,性能接近于全监督集中式训练所得的模型。结论 本文提出的弱监督个性化联邦学习框架能有效统一不同形式稀疏标注数据并对不同分布的各站点数据训练得到个性化模型,使各站点分割性能均得到显著提升。

异常宫颈细胞核的自适应局部分割

为实现宫颈液基细胞图像中异常细胞核的准确分割,提出一种新的自适应局部细胞核分割方法。在自适应阶段,采用一种利用灰度和纹理信息的快速自适应阈值算法大致检测出细胞核区域;在局部阶段,对每一个粗分割得到的连通区域,在其局部邻域内,使用一种利用边界和区域信息的、基于泊松概率分布的图割法修正分割结果。将此方法用于苏木素&伊红染色的宫颈液基细胞图像,结果显示,本文方法的平均计算时间为1.6 s/幅,且比2012年Li等人提出的宫颈细胞分割方法在细胞核检测率、和异常细胞核分割精度上均提高了19.7%。

一种体视显微镜聚焦一致性的判定方法

针对立体显微图像在同一位置双目清晰度不同的问题,提出了一种体视显微镜聚焦一致的性判定方法。使用连通区域分割方法对不同深度标定板图像进行分割,提取圆点中心,选取清晰度评价区域;使用聚焦测度对不同深度图像进行清晰度评价,得到清晰度-深度关系曲线,利用曲线拟合求取曲线峰值得出深度信息;利用左右目圆点中心的三维坐标分别拟合出左右全聚焦平面,通过测量左右全聚焦平面夹角以及评价区域中左右目圆点中心距离来分析聚焦性。结果表明,能够有效地判定体视显微镜聚焦的一致性。