基于数字图像内容篡改的检测算法研究
这是一篇关于图像篡改检测,深度学习,Sobel边缘检测,分层增强,深度监督的论文, 主要内容为随着信息技术的发展,图像已成为数字媒体传递信息的重要载体。与此同时,图像编辑技术的出现,使得篡改者可以轻易篡改图像内容。因此,如何鉴别数字图像的真假并实现篡改定位成为了一项迫切需要解决的问题。图像篡改检测算法可分为传统方法和基于深度学习的方法。传统方法需要根据篡改痕迹来手工设计符合取证目的的特征,不仅难度大且大多算法只针对单一的篡改方式,不具有普适性。深度学习的发展为其提供了新思路,其通过神经网络强大的表征能力从篡改数据集中学习到更深层的特征,来进行篡改检测。如果单纯利用神经网络去学习特征,边缘信息等篡改痕迹往往会随着不断的卷积操作而丢失,同时,大多数神经网络并没有从多尺度上去探索更多的信息,因此会出现篡改定位边缘模糊、泛化性差,检测准确率难以提升等问题。本文就如何提高图像篡改检测算法的检测准确率和实现更精确的篡改定位做了研究。所研究的算法主要针对图像复制-粘贴、拼接和移除三种篡改手段。首先,在深度学习的基础上引入传统边缘检测算子,加强神经网络对于篡改边缘信息的关注度,提高了算法的定位精度。然后,运用全尺度跳跃连接和深度监督结构将多个尺度的特征融合起来,从而提高模型的检测准确率、泛化性和鲁棒性。具体研究内容如下:(1)针对目前图像篡改检测算法检测结果边缘模糊和篡改细节丢失的问题,设计了一种边缘信息分层增强的图像篡改检测方案。使用RRU-Net(The Ringed Residual U-Net,RRU-Net)为基线模型,首先在模型的浅层结构中引入Sobel边缘检测算子,提取每层特征的边缘信息,并与该层的特征图进行融合,增加特征图中边缘信息的比重。其次,将每层的边缘信息输出然后融合这些边缘特征图,并读取标签图与之做损失,设计联合损失函数指导网络的参数更新。实验结果表明,改进算法在检测准确率和定位能力上有一定的提升,但该方法的泛化性较差。(2)针对目前图像篡改检测算法泛化性差和检测精度不高的问题,设计了基于全尺度深度监督的图像篡改检测方案。为充分利用浅层中有利于篡改检测的边缘、纹理等信息,首先在第三章所提模型的基础上,设计基于注意力门机制的全尺度跳跃连接,该结构在充分的融合深、浅层的特征的同时,使用注意力门机制,可以让网络把注意力集中到篡改区域上。其次,对每一个上采样阶段预测的结果图进行侧输出,设计联合损失函数,运用深度监督优化模型。实验结果表明,本章所提方案不仅提高了泛化性和鲁棒性,且在四个标准数据集上都能以较高的准确度定位篡改区域。
基于深度学习的肺部CT图像分割算法研究
这是一篇关于肺结点,残差模块,3D U-Net,注意力机制,深度监督,多尺度卷积,U-Net的论文, 主要内容为肺癌是当今世界死亡率最高的癌症,如果能够在肺癌发生的早期发现并及时治疗,可以明显降低肺癌死亡率。利用图像分割技术对患者肺部CT图像中发生病变的区域进行精准分割,可以提高肺癌早期诊断率。传统图像分割方法分割精度低且需要大量人工操作。近年来分割精度更高且特征表征能力更强的深度神经网络在图像分割领域得到了广泛应用。因此,本文以U-Net和3D U-Net网络这两种深度学习方法为基础展开研究。主要贡献如下:(1)基于深度残差网络和注意力机制的U-Net图像分割算法研究针对U-Net中的传统CNN网络随着深度增加出现网络性能退化的问题,本文探索了一种特征提取能力更强的深度学习方法;针对肺结点大小形态各异且容易受到周围组织干扰的问题,设计了两种不同尺度的卷积模块;针对U-Net中跳跃连接忽略了通道间关系的问题,引入了注意力机制。首先对特征提取网络进行改进,将表征能力更强的深度残差网络作为主干网络。其次参考Inception设计了大核卷积模块,并引入小核卷积模块,提取全局语义信息和局部几何信息。最后使用注意力模块,加强特征通道之间的联系,使特征表达更丰富。在LUNA16数据集上进行实验,最终实验结果表明本文模型相较于基础U-Net网络精确度提高了3.86%,DICE提升了5.53%。(2)基于注意力机制和深度监督的3D U-Net图像分割算法研究针对2D U-Net模型中没有考虑CT图像三维空间特性的问题,本文探索了一种分割精度更高的3D U-Net模型;针对二维注意力模块无法适用于高维数据的问题,改进了3D U-Net的注意力模块;针对模型对于不同形态和大小的特征鲁棒性低的问题,利用深度监督方法进行改进。首先将U-Net模型中的二维卷积核替换为三维卷积核以适应不经过切片处理的完整CT图像。其次将二维注意力模块扩展到三维,使模型在空间和通道维度获得了整个全局范围内特征之间的依赖。最后利用深度监督方法,防止浅层特征丢失,同时避免梯度消失等问题。实验结果表明,3D U-Net模型比原始2D U-Net模型有着更强的分割性能,同时相较于基础3D U-Net模型,本文方法平均交并比提高了1.92%,DICE系数提高了2.59%,MPA系数提高了2.04%。(3)基于3D CNN的肺结点分类研究针对3D U-Net分割结果中出现的假阳性样本,本文设计了一种分类网络对其进行区分。将所有分割后的肺结点作为输入,使用3D CNN网络进行特征提取,最后使用全连接网络整合特征并分类。实验结果表明,通过筛选,有效降低了假阳性样本的比例,降低了发生误诊的概率。
基于MDC VNet的脑肿瘤图像分割方法研究及应用
这是一篇关于深度学习,多深度融合,深度监督,注意力机制,脑肿瘤图像分割系统的论文, 主要内容为脑肿瘤是一种常见的恶性肿瘤,会在脑内形成肿瘤并对脑功能造成严重的损害。这种疾病导致的死亡率逐年上升,每年有超过200万人死于脑肿瘤。因此,早期诊治对提高病人的生存率及生活质量非常重要。然而目前,脑肿瘤图像分割仍然需要依赖人工分割,这种方法费时、费力,而且误判率高。近年来,深度学习技术已经被广泛应用于医学图像分割领域,卷积神经网络及其结合的脑肿瘤分割方法能够显著改善肿瘤图像分割质量。但是,由于脑肿瘤图像具有模糊轮廓的特征、细节复杂和结构不规则的困难,加之医学图像样本量较小,使得脑肿瘤图像分割的精准度提升具有较大的难度。因此,本文针对脑肿瘤图像分割的难点和问题,提出了一种新的方法,即采用多深度融合、深度监督以及CBAM注意力机制的MDC VNet分割方法,以提高脑肿瘤图像分割的精准度。本文的研究内容如下:(1)提出了基于VNet改进的脑肿瘤分割模型MDC VNet。该模型基于VNet,引入了多深度融合来丰富每个层的细节信息获取。在上采样多个阶段进行深度监督,可以让浅层网络得到充分的训练。此外,在上采样后引入了CBAM注意力机制,可以获取肿瘤图像更多的细节信息。为了进一步优化模型,基于Relu激活函数进行了平滑优化,设计了新的平滑指数函数SEF。此外,对BN进行了改进,提出了新的批量归一化方法DBN。在损失函数的选择上,采用了两种结合方式来验证最好的组合策略。一种是在Dice Loss的基础上结合BCE Loss(Binary Cross Entropy Loss)作为新的损失函数,另一种是在Dice Loss的基础上结合Focal Loss作为新的损失函数。(2)脑肿瘤数据集实验及结果分析。制定了一套数据增强规则并采用Nadam和SGD优化器组合策略进行超参数微调,提高了脑肿瘤模型训练过程中的稳定性和鲁棒性。在评估指标方面,我们选用了Dice系数(Dice Similarity Coefficient)、灵敏度(Sensitivity)和特异率(Specificity)三个指标。通过比较不同损失函数的效果,发现将Dice Loss与Focal Loss相结合是本实验中最佳的损失函数组合。本文所提出的MDC VNet模型在DSC、Sen和Spf指标方面分别达到了92.15%,90.92%和91.02%。并和各种图像分割方法作比较,我们发现,文中所提方法在多个评价指标中都达到最优结果,成功地提高脑肿瘤分割精度。(3)实现了脑肿瘤图像分割系统。进行了需求分析、系统架构设计和系统详细设计等多个阶段,确定了构建脑肿瘤图像分割系统的目标,最终实现了脑肿瘤图像分割系统,其中核心功能是Web端上传MRI图像,后台利用训练好的模型进行脑肿瘤区域的分割,将勾画好的脑肿瘤区域的图像返回给前端页面。这个系统不仅可以帮助医生辅助分析,减轻医生的工作量,还可以提高分割的精准度,为医疗诊断提供更加精准的依据。
基于深度学习的肝脏肿瘤CT图像分割研究
这是一篇关于深度学习,肝脏肿瘤分割,3D U-Net,多尺度特征融合,注意力机制,深度监督的论文, 主要内容为发生在肝脏部位的肿瘤病变具有较高的致死率,及早从腹部CT图像中分割出肝脏和肝脏肿瘤是辅助医生对患者进行诊疗的关键。然而,人工分割耗时长,效率低;且CT图像具有对比度低、器官组织间灰度值较为相似和肝脏肿瘤形状大小多变等特点,使得快速准确分割出肝脏和肝脏肿瘤仍是一项挑战性的任务。随着深度学习技术在计算机视觉任务中表现优异,在医学图像分割领域得到广泛研究与应用。因此,本文使用深度学习技术来实现肝脏和肝脏肿瘤的高效自动分割,主要研究内容如下:(1)腹部CT图像中肝脏区域的分割。针对CT图像中肝脏与相邻器官组织的灰度值较为相似,使得一些微小的细节特征不易被关注等问题,提出一种基于多尺度语义特征和注意力机制的肝脏分割网络(Mutil-scale Semantic Feature Attention-Net,MSFA-Net)。首先,在网络中使用空洞残差卷积(Dilated Residual Convolution,DRC)来捕获多尺度特征;其次,通过MSFA模块将特征提取层相邻的低级特征和高级特征与注意力机制相结合,来获取多尺度特征和关注重要特征;最后,在网络解码器各层通过深度监督(Deep Supervise,DS)增强特征传输。实验表明,该网络可有效关注不同尺度的关键特征,获得较为精确的分割结果。(2)腹部CT图像中肝脏肿瘤区域的分割。针对肝脏肿瘤在CT图像中占比小,结构复杂,以及与正常组织对比度较低的问题,提出一种基于级联结构和特征融合的肝脏肿瘤分割网络(Feature Fusion W-Net,FFW-Net)。首先,该网络采用级联两个3D U-Net的结构来提高信息提取能力,并使用侧输出特征融合注意(Side-output Feature Fusion Attention,SFFA)模块将不同层次的特征融合,结合注意力机制关注重要信息;然后,使用空洞空间金字塔池化注意(ASPP Attention,ASPPA)模块提取多尺度语义特征;最后,通过改进的深度监督模块(DS)将这些特征充分融合以提高模型的分割性能。实验表明,与同类型的其他方法相比,该网络获得较好的分割结果。(3)肝脏肿瘤CT图像分割系统。系统基于前两个研究内容,使用Python编程语言、B/S架构、Vue前端技术和Flask后端技术来实现,便于医生用于肝脏和肝脏肿瘤的分割预测。系统为用户提供了从患者腹部CT图像中自动分割出肝脏和肝脏肿瘤的功能,并实现了分割结果的可视化。
基于MDC VNet的脑肿瘤图像分割方法研究及应用
这是一篇关于深度学习,多深度融合,深度监督,注意力机制,脑肿瘤图像分割系统的论文, 主要内容为脑肿瘤是一种常见的恶性肿瘤,会在脑内形成肿瘤并对脑功能造成严重的损害。这种疾病导致的死亡率逐年上升,每年有超过200万人死于脑肿瘤。因此,早期诊治对提高病人的生存率及生活质量非常重要。然而目前,脑肿瘤图像分割仍然需要依赖人工分割,这种方法费时、费力,而且误判率高。近年来,深度学习技术已经被广泛应用于医学图像分割领域,卷积神经网络及其结合的脑肿瘤分割方法能够显著改善肿瘤图像分割质量。但是,由于脑肿瘤图像具有模糊轮廓的特征、细节复杂和结构不规则的困难,加之医学图像样本量较小,使得脑肿瘤图像分割的精准度提升具有较大的难度。因此,本文针对脑肿瘤图像分割的难点和问题,提出了一种新的方法,即采用多深度融合、深度监督以及CBAM注意力机制的MDC VNet分割方法,以提高脑肿瘤图像分割的精准度。本文的研究内容如下:(1)提出了基于VNet改进的脑肿瘤分割模型MDC VNet。该模型基于VNet,引入了多深度融合来丰富每个层的细节信息获取。在上采样多个阶段进行深度监督,可以让浅层网络得到充分的训练。此外,在上采样后引入了CBAM注意力机制,可以获取肿瘤图像更多的细节信息。为了进一步优化模型,基于Relu激活函数进行了平滑优化,设计了新的平滑指数函数SEF。此外,对BN进行了改进,提出了新的批量归一化方法DBN。在损失函数的选择上,采用了两种结合方式来验证最好的组合策略。一种是在Dice Loss的基础上结合BCE Loss(Binary Cross Entropy Loss)作为新的损失函数,另一种是在Dice Loss的基础上结合Focal Loss作为新的损失函数。(2)脑肿瘤数据集实验及结果分析。制定了一套数据增强规则并采用Nadam和SGD优化器组合策略进行超参数微调,提高了脑肿瘤模型训练过程中的稳定性和鲁棒性。在评估指标方面,我们选用了Dice系数(Dice Similarity Coefficient)、灵敏度(Sensitivity)和特异率(Specificity)三个指标。通过比较不同损失函数的效果,发现将Dice Loss与Focal Loss相结合是本实验中最佳的损失函数组合。本文所提出的MDC VNet模型在DSC、Sen和Spf指标方面分别达到了92.15%,90.92%和91.02%。并和各种图像分割方法作比较,我们发现,文中所提方法在多个评价指标中都达到最优结果,成功地提高脑肿瘤分割精度。(3)实现了脑肿瘤图像分割系统。进行了需求分析、系统架构设计和系统详细设计等多个阶段,确定了构建脑肿瘤图像分割系统的目标,最终实现了脑肿瘤图像分割系统,其中核心功能是Web端上传MRI图像,后台利用训练好的模型进行脑肿瘤区域的分割,将勾画好的脑肿瘤区域的图像返回给前端页面。这个系统不仅可以帮助医生辅助分析,减轻医生的工作量,还可以提高分割的精准度,为医疗诊断提供更加精准的依据。
基于可学习组卷积和级联U-Net的脑肿瘤分割方法研究
这是一篇关于脑肿瘤分割,U-Net,组卷积,深度监督,跳过连接的论文, 主要内容为脑肿瘤是最致命的癌症之一,脑肿瘤的早期诊断对手术治疗具有重要意义。核磁共振成像(Magnetic Resonance Imaging,MRI)技术可以很好地呈现大脑组织的细节信息,被广泛用于脑肿瘤诊断。手动分割脑肿瘤耗时耗力,因此高效、全自动的脑肿瘤分割方法成为研究重点。针对现有脑肿瘤分割方法参数量大、分割精度不高的问题,本文提出一种基于可学习组卷积、深度监督和跳过连接的轻量级脑肿瘤分割网络(Dilated MultiFiber Network With Learnable Group,Skip Connection and Deep Supervision,DLSDNet),该网络利用由可学习组卷积构成的U-Net网络对脑肿瘤图像进行分割,并使用跳过连接和深度监督来提升分割精度。在脑肿瘤公开数据集Bra TS2018上的实验结果表明,DLSDNet与其他轻量级脑肿瘤分割方法相比,DLSDNet具有更高的分割精度,其中增强肿瘤、全肿瘤和肿瘤核心三个区域的分割精度分别为80.36%、90.25%和86.20%。与其他先进的脑肿瘤分割方法相比,DLSDNet在肿瘤核心上取得了较高的精度,并且参数量和计算量分别是所比较最先进方法的1/8和1/41。此外,为解决单个网络脑肿瘤分割精度不高的问题,本文提出一种基于深度监督、联合损失函数和级联U-Net的级联型脑肿瘤分割网络(Deep Supervision and Combined Loss for Cascaded U-Net,DCCUNet)。该网络首先使用一个较简单的U-Net对肿瘤图像进行粗分割,然后将粗分割结果与原始图像级联后作为第二个较复杂U-Net的输入,第二个U-Net对肿瘤图像进行精细分割,并在其中添加深度监督来提升分割性能,两个U-Net均使用由Dice损失函数和Focal损失函数组成的联合损失函数作为目标优化函数。在脑肿瘤公开数据集Bra TS2018上的实验结果表明,相较于其他脑肿瘤分割方法,DCCUNet在增强肿瘤、全肿瘤和肿瘤核心三个区域上的分割精度有较大提升,分割精度分别为82.62%、91.36%和87.03%,与在Bra TS2018验证集排行榜上提交结果的177支国内外研究团队相比,本文提出的DCCUNet在三个区域上的分割精度为最高。综上,本文提出的轻量级网络DLSDNet和级联型网络DCCUNet两种脑肿瘤分割网络,均取得了较高的分割精度,对脑肿瘤诊断和治疗具有重要参考价值。
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：毕设小屋 ，原文地址：https://m.bishedaima.com/lunwen/52553.html
