基于MSPCNN与U-Net网络的医学图像分割算法研究

这是一篇关于U-Net,FC-MSPCNN,注意力机制,肝脏分割,视网膜血管分割的论文, 主要内容为由于医学成像设备和患者个体差异等原因,医学图像通常含有许多噪声,大量的人工分割任务对于专业医生是巨大负担,以至于无法及时获得病灶信息。端到端的医学图像分割可以在无需过多人为操作的情况下,将任务目标从复杂的图像内容中分割出来,提高医生的工作效率,方便进行下一步的分析与治疗。近年来,基于深度学习的图像分割研究已经在医学、自动驾驶、遥感图像等多领域广泛开展。本文针对医学图像存在的噪声和类别不平衡,深度学习方法中存在的数据集图像较少和提升准确度等问题,围绕脉冲耦合神经网络和U-Net网络的医学图像分割算法展开研究,在细胞结构、肝脏和视网膜血管数据集上进行实验。主要内容概括如下:(1)针对经典U-Net架构下采样引入的损失问题,本文提出一种改进连接路径的医学图像分割U-Net模型。首先,在编码阶段的卷积块中加入拼接操作,将卷积块中两次卷积结果进行融合,以保留更多的图像信息,为了防止网络出现梯度爆炸或消失加入了dropout。其次,传统跳跃连接将编码器中连续两次卷积后的结果与解码器中上采样的结果进行拼接,将跳跃连接改为第一次卷积结果与解码器上采样后的深层特征图进行拼接,更加有利于高底层信息的融合。两个改进旨在减少信息损失,实现更高效的高低层图像信息融合,提高信息利用率。实验结果表明,改进后的U-Net模型能够取得更精细的分割结果,主观和客观评价更好。(2)由于点火可控制的简化调整脉冲耦合神经网络(Fire-Controlled Simplified Pulse Coupled Neural Network,FC-MSPCNN)模型动态阈值的衰减因子数值较大,神经元在点火之后,动态阈值快速下降,神经元的不应期间隔时间较短,不具有较好的生物可解释性,提出一种动态阈值可变的FCMSPCNN(Dynamic Threshold Changed FCMSPCNN,DTC-FCMSPCNN)的方案。首先,使用基于高斯分布的参数形式替换传统PCNN模型中的权重矩阵,对模型链接强度参数和动态阈值的幅值参数计算方法进行简化。然后,重新调整动态阈值衰减因子大小,并添加可变阈值参数B和Q,两个参数根据具体情况来调节神经元动态阈值的大小,可以更符合生物特性。最后,使用改进模型分割目标区域,对非目标区域遮盖处理。实验结果显示,该算法在目标位置定位、分割准确率以及主观评价方面都具有良好的表现。(3)针对U型网络训练时间长、分割精度不够以及连续的跨步卷积和池化运算导致的图像信息丢失等问题,提出一种结合DTC-FCMSPCNN和改进U型网络的分割方法。首先,使用DTC-FCMSPCNN对数据集统一处理,分割出目标区域用于改进U型网络的训练。然后,对U型网络进行改进,将传统卷积块的双层卷积加深为三层卷积,并且融入了Res Net中跨层连接的思想,在相邻卷积层之间加入1×1卷积的快捷连接,交叉融合不同层次的特征信息,提高信息利用率;改进上下文提取器的空洞卷积模块,以解决分割结果填充不完全等问题,确保分割的准确性;引入注意力机制突出对任务目标的学习。最后,将处理后的数据集输入改进U型网络,完成任务目标的分割。实验结果表明,本文算法的分割准确率更高、训练时间更短、主客观表现更好。

基于多任务学习机制和改进U-Net网络的肝脏CT影像分割方法

这是一篇关于肝脏分割,U-Net,多尺度密集连接,多任务学习,跨数据集分割的论文, 主要内容为近年来,计算机断层成像(Computed Tomography,CT)已成为肝脏诊断和治疗中常用的医学成像方式,CT影像中肝脏的精确分割是肝脏诊断和治疗的首要任务。因此,如何提高肝脏的分割准确率一直是国内外学者研究的重点。目前,学术界关于肝脏分割大多基于全卷积神经网络进行训练和预测,实现了端到端的肝脏分割,但是由于CT切片中肝脏与毗邻组织存在灰度重叠、数据集间模态差距大等原因,导致分割不准确。针对U-Net网络特征利用率低的问题,在网络中引入多尺度密集连接,针对肝脏边缘背景复杂和存在病变区域的问题,引入多任务学习机制,针对数据集间模态差距大的问题,在网络中引入Squeeze-and-Excitation模块。本文具体研究内容如下:(1)提出了一种基于多尺度密集连接U-Net网络的肝脏分割模型。针对U-Net网络中各层次特征图利用率低的问题,在U-Net网络的编码器、解码器、跳跃连接部分引入多尺度密集连接,设计了多种多尺度密集连接方式,并和U-Net网络进行实验对比。多尺度密集连接U-Net网络通过不同层次特征之间的融合,加强网络各层的特征传播。实验结果表明多尺度密集连接可以提高肝脏特征在网络中的利用率,改善编码器、解码器和跳跃连接的特征传递,肝脏分割准确度与U-Net相比提高了 2.9%。(2)提出了一种基于多任务学习机制的肝脏分割网络模型。针对现有肝脏分割网络模型边界分割不精确的问题,在网络中原有的掩模预测任务的基础上,联合肝脏轮廓预测和掩模距离估计两个辅助任务来对主任务正则化,并设计新的联合损失函数,确保肝脏分割任务边界区域的准确性和平滑性。实验表明,联合轮廓预测和距离估计的多任务学习网络模型可以学习更多的边缘特征,使得边缘分割结果更加精确,肝脏分割准确度与U-Net相比提高了 5.3%。(3)提出了一种结合SE模块U-Net网络的肝脏分割模型。针对不同肝脏数据集间模态差距大的问题,在网络的编码器、解码器、分类器位置引入Squeeze-and-Excitation模块,设计了不同SE模块添加方式,并与其他分割网络进行实验对比。SE模块的自适应特征重新校准可以增强主要通道特征并抑制次要通道特征。实验表明,SE模块可以提高网络学习模糊边界特征的能力,并且拥有出色的跨数据集泛化能力,在跨数据集训练时可以得到更好的分割结果。

基于改进U-net的肝脏CT图像自动分割系统设计与实现

这是一篇关于肝脏分割,深度学习,概率图,迭代网络,手术规划系统的论文, 主要内容为肝癌是我国常见的恶性肿瘤之一,其最有效的治疗手段是外科手术治疗。CT是肝脏病变的一种常见的检查方法。随着计算机应用的发展,基于计算机辅助的肝脏手术规划系统能够帮助外科医生在实施肝脏手术之前,为患者提供合理的手术方案,降低手术风险,提高手术成功率。肝脏图像的分割是肝脏手术规划中非常重要的一步,它能够为后续肝脏的治疗提供定量的分析。目前,临床上采用的大多是手动分割和半自动分割,但是分割效率和精度却没有进一步提升。因此,为了减轻医生的工作量,提高分割效率和精度,本文在基于深度学习的基础上,提出了一种基于概率图迭代的医学图像分割算法,并将该算法与软件工程相结合,设计并开发了一套能够实现肝脏CT图像快速自动分割的系统。本文的工作主要包括以下几个方面:首先,针对U-net网络中下采样信息丢失的缺点,本文在其基础上提出了一种新的概率图迭代网络结构(Iterative-net),具体做法是将网络的输出结果再次输入到网络浅层进行迭代,补偿下采样所丢失的信息。此次算法上的改进能够有效的克服U-net中网络下采样时池化层所造成的信息丢失的问题。其次,本文将提出的算法在公共数据集Sliver07上进行实验验证。首先对实验数据采用旋转和弹性形变的方式进行数据增强,之后对所有的数据进行归一化的处理,在图像预处理完成之后,再对算法进行训练、验证和测试。通过实验对比证明,本文的算法具有良好的分割性能。最后,本文设计并开发供临床应用的肝脏CT图像自动分割系统。通过设计系统的各个功能模块,实现医学图像的读取和显示、图像的预处理、图像的分割以及图像的三维重建等功能,同时对系统做了全面的测试工作,证实了该系统在临床上具备一定的使用价值。

基于深度学习的肝脏及肝肿瘤CT图像分割算法研究

这是一篇关于CT图像,肝脏分割,肝肿瘤分割,深度学习的论文, 主要内容为肝脏是人体内非常重要的实质器官,肝脏疾病严重影响着人体健康,肝癌更是致死率极高的恶性肿瘤之一,精准的肝脏图像分割是医生诊断与治疗过程中的重要参考。由于计算机断层扫描成像(Computed Tomography,CT)具有安全方便、成像速度快、分辨率较高等优点,CT成像成为常用的检查方式。肝脏和肝肿瘤的CT图像具有形态各异、边缘模糊和位置多变等特点,传统上以手动标注实现的CT图像分割,不仅耗时耗力而且易出现分割误差。因此,基于深度学习实现肝脏和肝肿瘤CT图像的全自动化精准分割具有重要的研究意义。对于上述分割难点,本文进行的主要研究内容如下:(1)针对U-Net中存在的信息丢失和特征学习不足问题,本文提出了基于改进UNet的肝脏CT图像分割模型—ACR-Net模型。该模型利用非对称卷积块获取更加复杂的特征信息,有效缓解因卷积操作带来的信息丢失问题。同时为保证特征信息传递的完整性,引入残差连接实现特征重用。最后,通过双向卷积长短时记忆网络连接编码路径和解码路径,实现全局信息的融合。通过在Li TS2017数据集上实验验证,ACR-Net模型缓解了U-Net存在的信息丢失和特征学习不足问题,提高了肝脏分割精确度,DSC数值达到了94.54%。(2)在腹部CT图像中,肝脏与相邻组织器官紧密连接且边界不清晰,导致分割时极易出现分割误差。为提高肝脏分割准确性和精度,本文提出了基于改进双重注意力机制的肝脏CT图像分割模型—DAC-Net模型。该模型利用双重注意力机制减小肝脏相邻组织器官的干扰,获取图像的空间信息特征及通道信息特征,使网络关注肝脏区域信息,提高网络特征表达能力。同时对双重注意力机制进行了改进,提高了模块性能。最后,引入了具有连续空洞卷积的多尺度空洞卷积模块,学习更丰富的具有不同尺度的特征信息。通过在Li TS2017数据集上实验验证,DAC-Net模型显著提升了肝脏的分割效果,在DSC值上达到了96.24%,证明提出模型能够较为精确地分割肝脏。(3)针对肝肿瘤分割中存在的小肿瘤分割丢失、肿瘤分割边缘模糊、错误分割严重等问题,本文提出了基于多尺度密集卷积的肝肿瘤CT图像分割模型—MDR-Net模型。首先,通过在U-Net的编解码结构中引入具备提取多尺度特征能力的多尺度密集卷积模块,获取肝肿瘤的不同尺度特征信息。其次,引入残差卷积跳跃连接,解决了低分辨率信息重复传递的问题,并有效缓解了边缘信息表征不足以及小肿瘤空间信息丢失。通过在Li TS2017数据集上实验验证,MDR-Net模型对肝肿瘤CT图像有较高的分割精度,在DSC值上达到了73.58%,证明了提出模型的有效性及优越性。

基于MSPCNN与U-Net网络的医学图像分割算法研究

这是一篇关于U-Net,FC-MSPCNN,注意力机制,肝脏分割,视网膜血管分割的论文, 主要内容为由于医学成像设备和患者个体差异等原因,医学图像通常含有许多噪声,大量的人工分割任务对于专业医生是巨大负担,以至于无法及时获得病灶信息。端到端的医学图像分割可以在无需过多人为操作的情况下,将任务目标从复杂的图像内容中分割出来,提高医生的工作效率,方便进行下一步的分析与治疗。近年来,基于深度学习的图像分割研究已经在医学、自动驾驶、遥感图像等多领域广泛开展。本文针对医学图像存在的噪声和类别不平衡,深度学习方法中存在的数据集图像较少和提升准确度等问题,围绕脉冲耦合神经网络和U-Net网络的医学图像分割算法展开研究,在细胞结构、肝脏和视网膜血管数据集上进行实验。主要内容概括如下:(1)针对经典U-Net架构下采样引入的损失问题,本文提出一种改进连接路径的医学图像分割U-Net模型。首先,在编码阶段的卷积块中加入拼接操作,将卷积块中两次卷积结果进行融合,以保留更多的图像信息,为了防止网络出现梯度爆炸或消失加入了dropout。其次,传统跳跃连接将编码器中连续两次卷积后的结果与解码器中上采样的结果进行拼接,将跳跃连接改为第一次卷积结果与解码器上采样后的深层特征图进行拼接,更加有利于高底层信息的融合。两个改进旨在减少信息损失,实现更高效的高低层图像信息融合,提高信息利用率。实验结果表明,改进后的U-Net模型能够取得更精细的分割结果,主观和客观评价更好。(2)由于点火可控制的简化调整脉冲耦合神经网络(Fire-Controlled Simplified Pulse Coupled Neural Network,FC-MSPCNN)模型动态阈值的衰减因子数值较大,神经元在点火之后,动态阈值快速下降,神经元的不应期间隔时间较短,不具有较好的生物可解释性,提出一种动态阈值可变的FCMSPCNN(Dynamic Threshold Changed FCMSPCNN,DTC-FCMSPCNN)的方案。首先,使用基于高斯分布的参数形式替换传统PCNN模型中的权重矩阵,对模型链接强度参数和动态阈值的幅值参数计算方法进行简化。然后,重新调整动态阈值衰减因子大小,并添加可变阈值参数B和Q,两个参数根据具体情况来调节神经元动态阈值的大小,可以更符合生物特性。最后,使用改进模型分割目标区域,对非目标区域遮盖处理。实验结果显示,该算法在目标位置定位、分割准确率以及主观评价方面都具有良好的表现。(3)针对U型网络训练时间长、分割精度不够以及连续的跨步卷积和池化运算导致的图像信息丢失等问题,提出一种结合DTC-FCMSPCNN和改进U型网络的分割方法。首先,使用DTC-FCMSPCNN对数据集统一处理,分割出目标区域用于改进U型网络的训练。然后,对U型网络进行改进,将传统卷积块的双层卷积加深为三层卷积,并且融入了Res Net中跨层连接的思想,在相邻卷积层之间加入1×1卷积的快捷连接,交叉融合不同层次的特征信息,提高信息利用率;改进上下文提取器的空洞卷积模块,以解决分割结果填充不完全等问题,确保分割的准确性;引入注意力机制突出对任务目标的学习。最后,将处理后的数据集输入改进U型网络,完成任务目标的分割。实验结果表明,本文算法的分割准确率更高、训练时间更短、主客观表现更好。

基于U-Net网络的肝脏CT图像分割研究与应用

这是一篇关于肝脏分割,U-Net,密集连接,多尺度,注意力机制的论文, 主要内容为肝脏在人体内部代谢和排毒方面的作用不可或缺,但是肝脏疾病不仅种类繁多,而且发病率也居高不下,其中原发性肝癌的致死率更是在癌症中排在了第三位。针对肝脏肿瘤这种发病率和死亡率都很突出的病症,在初期以预防为主,中后期多采取部分肝脏的切除手术作为治疗手段。在肝脏疾病的诊断和治疗过程中,医生需要借助医学影像对肝脏情况进行观察和剖析。随着医疗水平的不断提高,医学影像数据量剧增,人工分割已经无法胜任医学影像分析的工作。因此,自动化的医学影像分割更有助于提高医疗人员的工作效率,且能够有效降低医生主观性分析导致的评估差异。深度学习方法在图像全局信息和上下文信息的获取上具有优势,近年来在医学图像分割研究中备受青睐。结合对当前肝脏及肝脏肿瘤分割研究的分析和总结,本文以深度学习中的U-Net模型为基础,开展了对肝脏和肝脏肿瘤全自动分割问题的研究。本文的主要内容如下:1)在肝脏分割研究中,针对腹部CT中的多种器官和组织组成的背景区域过于复杂,且常规神经网络对于肝脏局部信息不够敏感的问题,提出了一种基于局部特征增强的循环密集连接U-Net肝脏分割方法。该方法利用CT图像中肝脏与背景区域属性上的差异,通过约束CT值区间的方法进行数据预处理,使得肝脏区域的特征信息更加显著,一定程度上解决了复杂的背景信息影响网络训练效率的问题;为了在网络中获取CT图像的全局和局部信息,设计了混合更多局部信息的密集连接模块,使得分割模型能够学习到更加充分的特征信息,解决了网络对于局部信息不敏感的问题。实验表明,该方法具有较高的肝脏分割精度,并且分割模型具备较好的泛化能力。2)在肝脏肿瘤分割研究中,针对网络学习过程中容易忽略局部关键特征信息的问题,提出了一种基于通道注意力和多尺度U-Net的肝脏肿瘤分割方法。该方法通过对无关肿瘤区域的位置分析,进行了肝脏肿瘤分割网络输入数据预处理,仅保留CT图像中的肝脏所在区域,解决了腹部其他器官组织中存在特征相似度过高的肿瘤造成冗余分割的问题;为了使肿瘤区域的特征信息得到更加有效的学习,设计了基于通道注意力和多尺度U-Net的肝脏肿瘤分割网络(HCAM-Net)。实验表明,该方法能够取得较好的肝脏肿瘤分割性能。3)设计并开发了一种基于腹部CT图像的肝脏及其肿瘤分割辅助诊断系统。系统实现了对腹部CT图像的常规处理、肝脏及肝脏肿瘤分割和分割优化等功能,这不仅能够减少医疗机构在图像标注上的人工与时间投入,而且也为医生提供了快速有效的分割预测,大大提高医生的工作效率。

基于改进U-net的肝脏CT图像自动分割系统设计与实现

这是一篇关于肝脏分割,深度学习,概率图,迭代网络,手术规划系统的论文, 主要内容为肝癌是我国常见的恶性肿瘤之一,其最有效的治疗手段是外科手术治疗。CT是肝脏病变的一种常见的检查方法。随着计算机应用的发展,基于计算机辅助的肝脏手术规划系统能够帮助外科医生在实施肝脏手术之前,为患者提供合理的手术方案,降低手术风险,提高手术成功率。肝脏图像的分割是肝脏手术规划中非常重要的一步,它能够为后续肝脏的治疗提供定量的分析。目前,临床上采用的大多是手动分割和半自动分割,但是分割效率和精度却没有进一步提升。因此,为了减轻医生的工作量,提高分割效率和精度,本文在基于深度学习的基础上,提出了一种基于概率图迭代的医学图像分割算法,并将该算法与软件工程相结合,设计并开发了一套能够实现肝脏CT图像快速自动分割的系统。本文的工作主要包括以下几个方面:首先,针对U-net网络中下采样信息丢失的缺点,本文在其基础上提出了一种新的概率图迭代网络结构(Iterative-net),具体做法是将网络的输出结果再次输入到网络浅层进行迭代,补偿下采样所丢失的信息。此次算法上的改进能够有效的克服U-net中网络下采样时池化层所造成的信息丢失的问题。其次,本文将提出的算法在公共数据集Sliver07上进行实验验证。首先对实验数据采用旋转和弹性形变的方式进行数据增强,之后对所有的数据进行归一化的处理,在图像预处理完成之后,再对算法进行训练、验证和测试。通过实验对比证明,本文的算法具有良好的分割性能。最后,本文设计并开发供临床应用的肝脏CT图像自动分割系统。通过设计系统的各个功能模块,实现医学图像的读取和显示、图像的预处理、图像的分割以及图像的三维重建等功能,同时对系统做了全面的测试工作,证实了该系统在临床上具备一定的使用价值。

基于改进U-Net的肝脏CT图像分割算法研究

这是一篇关于深度学习,CT图像,肝脏分割,U-Net网络的论文, 主要内容为肝脏是人体最大的并有两套供血系统的消化腺,主要位于右季肋部和上腹部,在全球最常见的恶性肿瘤和肿瘤致死病因中,肝癌位居第五位,致死率位居第三位,而早期的诊断与治疗对降低肝癌的发病率及致死率都有较大的作用。肝脏分割任务是指从给定的腹部CT图像中分割出肝脏的任务,对肝脏轮廓的精准划分能帮助医师掌握肝脏的健康状况、确定肝脏病灶区域,帮助医师在手术前制定手术规划,确保手术在切除病变区域的同时尽量保留肝脏的健康部分。由于腹部CT图像中存在的肝脏病理性变化使得肝脏形状不一、肝脏与邻近器官对比度低、图像质量不稳定等特点,因此针对腹部CT图像的肝脏分割任务面临着许多挑战。随着计算机视觉算法和深度学习方法的不断发展,卷积神经网络在生物医学图像分割上受到了越来越广泛的应用。其中,通过利用获取上下文信息的收缩路径和实现精确定位的拓张路径共同组成的U-Net网络模型在医学图像分割中取得较好的结果。但是,原始的U-Net网络模型在分割性能上还有较大提升空间;但如果采用通过增加卷积核来扩大网络层数进而提升模型效果等常规方法,会增大模型的参数量和网络运算量,这将导致网络模型的训练推理变得更加困难,同时这也对计算机的性能提出更高的要求。本文为了提升U-Net网络模型在肝脏CT图像分割的效果,即在提升肝脏分割中DICE相似指数、召回率和准确率等分割评价时,避免通过采取增加网络参数量或提升计算机运算性能等常规做法,提出一种新的解决方法。首先是使用限制对比度自适应均衡算法对腹部CT图像中的特定区域进行图像增强,从而提升兴趣区域中肝脏对比度,为网络模型及人眼有效识别和分割提供较好的数据;其次为了检测并分割肝脏近心端和远心端的小目标问题,引入注意力机制算法对网络的卷积模块进行改进优化,提升网络处理样本不均衡中对小目标的检测识别能力;最后为了提升网络模型在边界处理上和位置还原上的性能,引入密集连接机制对网络模型进行优化改进,从而解决肝脏分割中边缘处理能力较差、边缘丢失及边界不清晰等问题。实验结果表明,改进后的U-Net网络模型能够较好的适应不同病理程度的腹部CT图像肝脏分割,该方法能够有效的提升肝脏分割的主要性能,DICE相似系数从86.43%提升到89.43%,召回率从88.65%提升到92.15%,精确率从92.43%提升到93.64%,在主要评价指标上都有一定的提升。本文为了有效利用基于改进U-Net网络的腹部CT图像肝脏分割结果,对分割结果的应用方面进行了一定的研究,为肝脏分割结果有效利用提供了技术路线。研究主要包括对腹部CT图像中的肝脏提取、冗余信息裁剪、病灶信息像素调整等方法,从而提升了肝脏病灶分割中对不明显肝脏病灶分割的检测精度。实验结果证明,通过先分割肝脏,再分割病灶的两步走方法能够有效的应对病灶分割中目标不突出的问题,为深入研究肝脏病灶分割提供了实践准备。