基于深度神经网络的血液白细胞分割
这是一篇关于白细胞分割,图像分割,卷积神经网络,U-Net,ResNet的论文, 主要内容为血涂片图像中白细胞的计数和识别对诊断包括白血病在内的某些血液疾病起着至关重要的作用。血液疾病的诊断通常由医生通过显微镜对血液涂片图像进行目视检查,但这种人工的方式既费时又费力,诊断结果依赖医生的经验,较为主观,且容易受到视觉疲劳等因素的影响导致检查精度下降。因此,有必要发展白细胞自动分析技术,而白细胞自动分割是进行白细胞计数和识别等自动分析的基础。本文以血涂片图像中白细胞分割为主题,提出了三种基于深度学习的血液白细胞分割算法。本文的主要研究内容如下:(1)提出了一种改进的基于U-Net的端到端白细胞分割算法。该算法使用像素级先验信息进行深度卷积神经网络的监督训练。具体地,该算法首先引入上下文感知特征编码器来提取多尺度的白细胞特征;然后,使用残差块实现白细胞精细化特征的提取;最后,通过特征解码器重建白细胞特征图,以实现端到端的白细胞分割。在三个白细胞图像数据集上的定量和定性实验结果表明,该算法提升了分割的精度和鲁棒性。(2)提出了一种基于双路径网络(DPN)和通道注意模块的白细胞分割算法。具体地,该算法首先在上下文感知特征编码器中引入双路径网络以提取多尺度图像特征;然后,使用通道注意模块捕获不同通道图之间的相互依赖性,并利用其进一步增强网络的特征提取能力;最后,利用跳跃连接减少图像信息在特征卷积过程中的损失,通过特征解码器重建白细胞特征图,实现白细胞分割。在三个数据集上的实验结果表明,该方法进一步提升了白细胞的分割精度。(3)提出了一种基于UNet++和ResNet的白细胞分割算法,简称为WBCNet。具体地,WBC-Net首先设计了一种带有残差块的上下文感知特征编码器来提取多尺度图像特征,并在密集卷积块上引入了混合跳跃路径来融合不同尺度下的图像特征;接着,使用由卷积和反卷积组成的特征解码器来重建白细胞特征图,实现白细胞分割。WBC-Net还基于交叉熵和Tversky指数定义了新的损失函数,用于指导网络的训练。在四个白细胞图像数据集上的实验结果表明,与几种新进的方法相比,WBC-Net具有更佳的分割性能。
基于对抗学习的复杂皮肤病变图像分割方法研究
这是一篇关于皮肤病变,图像分割,深度学习,对抗学习的论文, 主要内容为皮肤癌尤其是具有极高致死率的黑色素瘤给患者的生命健康带来了极大的威胁。临床上对于皮肤癌的诊断主要依赖于皮肤病变图像的识别,然而复杂皮肤病变图像呈现出形状多样、边缘模糊、毛发和血管干扰较多等特点,影响了医生的诊疗效率和准确率。针对上述问题,本文围绕皮肤病变图像特征的高质量提取和病变图像数据集的高效利用在复杂皮肤病变图像分割中的应用展开研究,主要内容包括:(1)提出一种融合多尺度注意力与边缘增强的皮肤病变分割网络(BEMA U-Net)。该网络包含一个用于提取全局特征的空间多尺度注意力模块和一个用于增强病变区域边缘特征的边缘增强模块,将两种模块添加到U-Net主干网络中,能够有效抑制病变图像中背景噪声的干扰并强化病灶的边缘细节。此外,还设计了结合Dice Loss和Boundary Loss的混合损失函数,在训练过程中动态调整混合损失函数权重,从而对病变图像整体和边缘细节特征的提取进行多重监督。(2)为了进一步提升BEMA U-Net的分割精度,同时针对皮肤病变图像数据集中标注样本较少的问题,提出一种基于特征通道筛选的双鉴别皮肤病变分割生成对抗网络(FSD-GAN)。该网络使用BEMA U-Net分割网络作为生成器,在鉴别器网络中添加了抑制无关通道干扰信息的自适应特征通道筛选模块,双鉴别器中的空间鉴别策略关注生成结果的空间特征,边缘鉴别策略关注生成结果的边缘细节特征。双鉴别器同时工作,互补对方难以捕获的特征,从而获得了较好的分割性能。(3)设计实现了一种基于对抗学习的皮肤病变图像分割系统。该系统具有皮肤病变图像的输入、数据预处理、分割模型及模型权重选择等功能,通过便捷的操作实现皮肤病变图像的自动分割。既可以作为诊疗平台辅助医生诊疗工作,也可作为科研工具帮助科研人员进行科学研究。本文旨在通过设计深度学习算法,实现复杂皮肤病变特征的高质量提取、病变图像数据集的高效利用以及病变图像的精确分割。在ISIC2017和ISIC2018数据集上的实验结果验证了本文所提出算法的有效性,得到的分割图像边缘连续,轮廓清晰。此外,基于本文所提出算法实现的皮肤病变图像分割系统可以将本文的研究工作应用于实际诊疗中。
基于深度学习的煤岩红外热像损伤区域识别研究
这是一篇关于煤岩损伤区域检测,红外热像,深度学习,图像去噪,图像分割的论文, 主要内容为随着我国经济的快速发展,对能源的需求与日俱增。我国能源以煤炭资源为主导在短期内不会发生改变,煤炭的消耗使浅层煤炭资源逐渐枯竭,深层煤炭的开采已成为不可逆转的趋势。然而,深层煤炭开采环境的不确定性导致的煤岩动力灾害严重威胁人民生命安全。通过研究发现,煤岩损伤破坏活动是煤岩动力灾害发生前的前兆。通过对煤岩损伤区域检测进而对煤岩动力灾害进行预警,能够有效地避免煤矿灾害的发生。现有煤岩损伤区域检测方法不仅准确性低而且还需要人工参与,红外成像技术和深度学习技术的快速发展为煤岩损伤区域智能检测提供可能。为此,本文对基于深度学习的煤岩损伤区域检测方法进行研究。本文的主要工作和贡献如下:(1)为解决煤岩红外热像数据集匮乏的问题,本文以煤岩力学要求为标准进行煤岩单轴压缩实验,收集煤岩损伤破坏过程中的红外热像图。首先进行灰度化减少占用空间,用旋转、平移、缩放、剪裁等操作数据增强后,经Label Me标注损伤区域并打上标签后转换格式,建立煤岩红外热像数据集。(2)为去除红外热像图中的噪声,本文提出了基于自相关网络的密集残差图像去噪算法。首先,引入非对称多尺度卷积模块对特征进行初次提取,采用非对称结构减少模块的参数量,实现多尺度提取特征;其次,引入轻量级的密集残差级联自相关块,在伪三维自相关块中用一维快速卷积代替密集连接,采用二维结构模拟三维卷积,实现对水平、垂直、通道三个方向的集成,并引入密集残差连接来融合特征信息和加强特征传播;最后引入跳跃连接和全局残差连接,方便跨层流动和保留更多先验信息,能够提高训练效果。经重建模块对网络重构后输出去噪后的图像并与BM3D、Dn CNN、FFDNet和IRCNN去噪算法进行比较,实验证明,本文所提去噪算法能够对煤岩红外热像图进行有效去噪。(3)为提高对煤岩损伤区域识别的准确度,本文提出了基于U-Net网络的煤岩红外热像损伤区域分割算法。首先,将编码器与解码器中间的卷积层替换为串联空洞空间金字塔池化模块,利用空洞卷积提高感受野大小,能够有效提取损伤区域边缘信息,采用串联结构解决了空洞卷积造成部分信息丢失的问题;然后,将跳跃连接替换为注意力特征融合模块,实现深浅层语义信息的融合,对特征信息进行筛选,降低干扰的同时更关注较小的损伤区域;最后,在输出后引入密集条件随机场,利用图像全局信息,细化边缘分割,解决红外热像图损伤区域边缘界限模糊导致难以精确识别损伤区域的问题。本文算法采用迁移学习在煤岩红外热像数据集上进行训练,并与U-Net、U-Net++、Atten-UNet、Seg Net、FCN-16s和Deeplab V3+分割算法进行对比,实验表明,本文算法准确率达到了94.36%,MIo U值达到了86.93%,相比其他算法能够更好完成对煤岩损伤区域的分割。(4)基于上述研究,本文设计了煤岩损伤区域检测系统,实现了对损伤区域的自动检测,经过系统测试证明了本系统的可靠性和可用性。本文包括图37幅,表17个,参考文献91篇。
基于ResDense U-Net的医学图像分割
这是一篇关于图像分割,U-Net,深度学习,ResNet,DenseNet,层归一化,卷积的论文, 主要内容为近年来,随着深度学习的迅速发展,医学图像分割技术取得了重大突破。在这方面,U-Net一直是医学影像界最流行的架构。U-Net是一种端对端的对称模型,在分割多模态医学图像方面表现了卓越的性能,为医生诊断和治疗病人提供了方便。但通过对医学数据集进行的多次实验,发现传统的U-Net在某些方面有不足的地方。因此本论文提出了一种新的深度学习模型来改进经典U-Net,本模型是基于DenseNet、ResNet的思想和U-Net的网络结构,故称它为ResDense UNet。并在皮肤病变的数据集和光学细胞的数据集上进行了多次测试与比较。ResDense U-net与经典U-Net相比,性能分别提升了3.07%、1.38%。虽然模型结构没有变化很大,但是在性能提升上较为明显,同时在成像的细节方面也比UNet更为完善。本文创新点如下:第一,基于ResNet和DenseNet的思想,将原U-Net中的连续双层卷积替换为ResDense-block,来缓解梯度消失和加强特征重用。考虑到U-Net原有的通道数逐级倍增,对ResDense-block中的输出通道做了些许调整,减少了参数,防止过拟合。第二,将所有基础卷积层替换为非对称卷积块,它的卷积核骨架是“十”字形的。虽然增长了训练时间,但是精度有所提高,并且采用了层归一化(LN)来提高模型的性能,使得模型的稳定不再依赖(7(6(8?4)0)的取值。第三,原U-Net是网络左半部提取的浅层特征与网络右半部提取的深层特征直接做了拼接,这种深层特征与浅层特征的直接拼接可能会对网络表达产生负面影响。本模型对这个长连接加入了数量级的Res-block,4,3,2,1,即最上层的长连接加入了4个Res-block,以此类推。这是考虑到深层特征与浅层特征有一定的语义差异,越靠近上层,这种差异越大,越靠近“U”底部,这种差异越小。也考虑过使用Dense-block,然而这里更多地是深层与浅层的问题,Resblock可以更好地解决深层网络问题,所以采用Res-block。医学图像在做分割时,感兴趣区域往往只占一小部分,且有可能遍及图像整体,这大大增加了分割的难度,尤其是在目标的边界区域。实验证明,本文的网络模型在这方面比经典U-Net表现更卓越。
基于改进UNet模型的医学图像分割研究
这是一篇关于图像分割,跳跃连接,注意力,上采样的论文, 主要内容为目前,深度学习在医学图像分割领域已经越来越成熟。通过使用计算机,所建立的深度学习模型可以完全帮助医生进行医学图像分割。由于UNet所设计的U型结构在医学图像分割领域具有优越的性能,当前的大多数深度学习模型都基于UNet。UNet的U形结构和跳跃连接层可以有效地实现精确的图像分割。然而,对于复杂的图像,单纯UNet的网络结构不够充分。随着技术的不断更新,更多的变种UNet模型出现了,他们都取得了非常优异的成绩。其中UNet++算是UNet变种中的一个优秀模型。学者在设计UNet++时,在U-Net中添加了更密集的跳跃连接层。与U-Net相比,UNet++在处理复杂图像方面更有效。本文使用通道注意力机制和空间注意力机制来改进UNet++模型,以获得更好的图像分割效率和准确性。同时,本文在UNet++的基础上,设计了两种新的医学图像分割网络模型。分别是A-UNet++和CA-UNet++。A-UNet++使用的是空间注意力模块来解决上采样过程中的特征值损失,针对的是简单医学图像背景下的肺部医学图像分割。CAUNet++分别使用通道注意力模块和空间注意力模块来解决长距离跳跃连接过程和上采样过程中的特征值损失,针对的是复杂背景下的肝脏医学图像分割。实验结果和数据分析表明,对比Attention-UNet,RU-Net,UNet++,本文提出的CA-UNet++和A-UNet++可以在医学CT扫描图像分割中获得更好的性能。
基于半监督学习的三维左心房分割算法研究
这是一篇关于半监督学习,迁移学习,平均教师模型,双任务一致性,图像分割的论文, 主要内容为由左心房异位搏动引起的心房颤动可导致血管堵塞、心脏功能不全和心源性猝死等并发症。因此,准确地从MRI图像中分割出左心房是后续评估左心房功能,进而诊断心房颤动的关键步骤。基于半监督学习的左心房分割方法由于可以利用有限的有标注数据和数量较多的无标注数据进行学习,成为研究的重点之一。目前,大多数图像分割算法只能处理二维图像,因此需要先沿着三维左心房MRI图像的某一平面做二维切片;一些方法虽然可以直接处理三维图像,却因为左心房MRI图像的数量较少,需要将完整的MRI图像裁剪成三维子图像进行训练,导致了分割算法无法提取到整体的结构信息。针对这些问题,本文对半监督学习的图像分割算法展开研究,旨在准确地从三维MRI图像中分割出左心房,具体研究工作如下:(1)提出了一种基于迁移学习的左心房半监督图像分割算法。该算法基于迁移学习的主要思想,充分利用三维医学子图像和三维医学图像之间的相似性,解决三维医学图像数量较少的问题和模型无法学习到完整的三维医学图像的矛盾。另外,设计了一个混合空洞卷积模块来改进V-Net的性能。通过计算分割任务和回归任务之间的一致性,实现双任务一致性。实验结果表明,通过迁移学习和混合空洞卷积,算法在基于空间重叠和基于空间距离上的指标都得到了有效的提升。(2)设计实现了一种基于平均教师模型的左心房半监督图像分割算法。该算法的网络主干是DFV-Net。DFV-Net是在V-Net基础上的改进,它不仅加深了网络层数引入了深度可分离卷积等轻量化措施,还用全尺度跳跃连接替换了原来的水平连接,加入了深监督模块。此外,该算法还引入平均教师模型,使用学术模型参数的指数移动平均值来获得用于预测的教师模型,并配合双任务一致性增加网络模型层面和任务层面的扰动。实验结果表明,通过使用DFV-Net和平均教师模型,最终算法在基于空间重叠上的指标得到了提升。两个算法均在2018年左心房分割挑战数据集上进行实验,并与最先进的算法进行了比较。结果表明两个算法的分割性能较好,证明了其有效性和先进性。其中前者更加注重分割的边界,后者更加注重分割重叠的部分。本研究不仅提高了左心房图像分割的准确性,而且为其它医学图像分割提供了新的思路和成功案例借鉴。
本文内容包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主题。发布者：代码助手 ，原文地址：https://m.bishedaima.com/lunwen/45371.html
