基于U-Net网络的肺结节图像分割算法研究
这是一篇关于肺结节分割,U-Net,全卷积神经网络,卷积神经网络,密集连接的论文, 主要内容为在全球范围内,肺癌已成为恶性肿瘤中致死率最高的癌症。肺结节作为肺癌的早期表现形式,及时发现并加以治疗,对保证患者健康甚至延长患者寿命具有重要意义。相较于自然场景图像,肺结节在医疗影像中具有目标小、种类多、尺寸不一、与周围非结节的肺部组织易产生混淆等特点,给肺结节的精准分割带来了极大的困难。为解决现有肺结节分割算法性能不佳的问题,本文研究了基于U-Net网络的肺结节图像分割算法。输入图像特征的提取是分割至关重要的一步,直接关系到分割结果的好坏。由于肺结节图像复杂的影像学特点,导致网络提取肺结节特征十分困难。因此,本文提出了一种基于密集连接的2D U-Net网络的肺结节图像分割方法。首先在原始2D U-Net网络的编码器与解码器结构中引入密集连接结构,在不增加网络深度的前提下,增加网络各层级之间的联系,加强特征的传播和复用。然后考虑到网络训练速度的问题,为网络增加批量归一化层,改变输入数据的分布规律,加快网络的训练速度,提高网络的稳定性和泛化能力。最后通过实验表明,所提出的基于密集连接的2D U-Net网络分割性能良好,在以LUNA 16为基础的合成数据集上Dice达到90.1%的结果。考虑到2D U-Net只处理单张CT切片,忽略了连续CT切片中的空间相关信息,并且为了进一步降低假阳性结节的检出概率,本文提出了基于密集连接的3D U-Net网络的肺结节图像分割方法。首先将密集连接思想应用到3D U-Net网络,保留原有的编码器与解码器结构,设计了密集连接的编码器用于对输入图像特征的提取。其次考虑到网络复杂性的问题,设计了简化的解码器结构。随后提出混合损失函数,用于网络的训练。除此之外,还将基于密集连接的3D U-Net网络应用于肺实质提取中,加快了传统图像处理方法对肺实质提取的速度。最后通过实验表明,所提出的基于密集连接的3D U-Net网络分割性能优异,在以LUNA 16为基础的合成数据集上Dice达到92.5%的结果,对粘连型以及小结节的分割也表现突出。
基于卷积神经网络的肺结节图像检测与分割
这是一篇关于卷积神经网络,肺结节检测,肺结节分割,注意力机制,残差模块的论文, 主要内容为肺癌是对人类生命威胁最大的疾病之一,并且全球肺癌的发病率和死亡率持续升高。研究表明,在肺癌的早期阶段进行准确诊断与治疗,对于提高患者生存率具有重大意义。肺结节是肺癌的早期表现形式,通常通过CT进行检查,其位置、形态等特征是判断结节是否需要做进一步肺癌诊断的关键。但由于患者数量多,且一例患者的肺部CT图像就有上百张,并且结节形态各异、大小不一,医生在进行诊断时,容易出现误诊、漏诊的情况。因此,为了辅助医生进行客观的诊断,本文基于卷积神经网络针对肺结节的检测与分割进行相关研究。本文主要工作内容有:首先,对LUNA16数据中的数据进行提取、保存、扩增和标注,再采用改进后的YOLOV5s实现对结节的检测;其次,结合LIDC-IDRI的xml文件生成肺结节标签掩膜图,利用训练好的YOLOV5s网络协助切割,制作成分割网络所需数据图片及标签;最后,采用改进后的U-Net网络实现对结节的分割。本文主要创新内容有:(1)针对YOLOV5s对于小结节检测效果不好的问题,本文对YOLOV5s网络的结构进行了改进。通过对YOLOV5s的特征提取网络Backbone里的残差结构融入CBAM注意力机制,实现自适应的对特征的增强或是抑制;引入SORT,促进网络同时捕获一阶和二阶统计量特征,细化特征响应,增强识别性与非线性,进而增强网络对于特征的学习能力。本文改进算法相比未改进YOLOV5s网络平均精度提高2.0%,具有较好的检测性能。(2)针对肺结节在肺部CT图像中占比较小且形态各异,以及U-Net本身存在的一些问题,本文提出一种改进的U-Net肺结节分割算法。采取如下方式进行改进:加入了双注意力机制,提高网络对于肺结节目标区域的关注度,强化重要特征;使用残差模块简化网络训练,避免梯度消失;加入空洞空间金字塔池化模块,加大特征图感受野,获得更丰富的全局特征;融合了Focal loss函数与Dice损失函数,解决样本分布不均衡和难分样本挖掘问题。本文改进算法相比未改进U-Net网络的IOU提高6.97%,F1提高5.77%,具有较好的分割性能。本文在肺结节的检测与肺结节的分割实验中,采取了多组对比实验,实验结果表明:本文改进的肺结节检测算法与肺结分割算法能够有效的对肺结节进行检测与分割,具有较好的实用性与先进性。
基于深度学习的肺结节分类与分割方法研究
这是一篇关于深度学习,肺结节分类,肺结节分割,数据不确定性的论文, 主要内容为肺结节分类与分割在肺结节临床诊断中起到关键作用,它们属于计算机辅助诊断平台中的核心问题。近年来,由于人工智能的快速发展,大量的基于深度学习的肺结节分类与分割算法被人提出。然而,现有的这些分类与分割算法都不能有效地解决肺结节组织固有的数据不确定性问题(病变可能清晰可见,然而仅从CT图像可能无法获得有关它是否是癌组织的信息)。因此,本文围绕肺结节组织固有的数据不确定性问题并结合深度学习技术分别对肺结节分类与分割进行了深入研究。首先,针对肺结节分类任务中的数据不确定性问题,本文提出了一种多任务的基于数据不确定性学习的肺结节良恶性分类网络。该网络包含了多任务U-Net模块和数据不确定性学习模块。多任务U-Net模块利用了肺结节的所有注解,学习了肺结节分割标签的数据不确定性。数据不确定性学习模块利用了正态分布,学习了肺结节组织固有的数据不确定性。本文在公开的LIDC-IDRI数据集以及私有的用于肺结节良恶性分类与分割的数据集上评估该方法,分类准确率分别达到了90.78%和89.86%,这表明了数据不确定性学习可以有效地提高网络的分类准确率。其次,针对肺结节分割任务中的数据不确定性问题,本文提出了一种基于V-Net和条件变分自编码器的肺结节分割网络。该网络包含了条件变分自编码器和V-Net两个模块。条件变分自编码器利用了肺结节的三维空间信息与肺结节不同切片的注解之间的关联性,获得了肺结节分割变体的真实概率分布。V-Net捕获肺结节特征信息,使网络能够生成多个不同但合理的语义肺结节分割假设,以协助放射科医师作进一步的诊断,进而解决肺结节组织的数据不确定性问题。本文在公开的LIDC-IDRI数据集上评估该方法,与现有的高水平方法相比,本文的方法在性能上取得了最佳。实验结果表明该方法能够有效地利用肺结节的三维空间信息和肺结节不同切片的注解之间的关联性来解决肺结节组织的数据不确定性问题。
基于U-Net的肺结节图像分割方法研究
这是一篇关于U-Net,肺结节分割,残差网络,Inception,条纹池化,坐标注意力的论文, 主要内容为受大气污染、吸烟等因素的影响,肺癌已经成为全球范围内发病率、死亡率最高的疾病之一,严重威胁着人类健康,早发现早治疗是降低肺癌死亡率的最佳手段。肺癌的早期表现往往是以小型结节的形式存在于肺实质之中,因此通过肺部CT图像对肺结节进行早期筛查变得极为重要。然而面对CT诊疗产生的海量医学数据,如果仅靠医师逐片阅读,将会产生巨大的工作量,通过计算机辅助诊断技术来对医学图像中的肺结节进行自动筛查可以帮助医师提高工作效率。近年来,随着深度学习技术在医学图像处理领域取得了突出的成就,相比于传统的医学图像处理方法,效率高,适应性强,准确率高,已经成为医学图像处理领域的主流方法。但在肺结节分割方面,目前的肺结节分割算法仍不能很好地适应肺结节复杂的影像学特征,分割精度仍然不够理想。在这样的背景下,本文针对肺结节的影像学特性,设计了对CT图像中肺结节的深度学习分割算法。本文的主要研究内容分为以下两部分:由于肺结节尺寸、形态、位置的多变性,传统U-Net网络对肺结节的分割准确性不高,并且容易出现网络性能退化的问题,导致网络提取肺结节困难。本文基于U-Net,将原来的二维卷积替换为三维卷积以适应CT图像的三维特性,在3DU-Net的基础上,结合残差网络、Inception网络和条纹池化的优势,将U-Net中的基本结构单元替换为由残差,Inception并列卷积和条纹池化模块构成的残差块,设计了一种新的肺结节分割模型RISU-Net。残差机制的引入使模型很大程度上避免了在训练过程中梯度消失以及网络退化的问题并加快了网络的收敛速度。Inception模块使用多个卷积并列,加深了网络的宽度,使网络具备多尺度适应性的同时也能降低模型的参数量。条形池化能够进一步增大模型的感受野,使分割结果边缘更加精细化。实验数据表明,RISU-Net较U-Net的分割精度有了显著的提升。RISU-Net模型沿用了原始U-Net的跳跃连接方式来融合网络中高低级的特征,为了进一步改善模型融合特征的方式,从整体U型网络的跳跃连接结构入手,在RISU-Net编码器和解码器之间的跳跃连接处引入了坐标注意力机制(Coordinate Attention),研究设计了RISAU-Net网络。相比RISU-Net,该模型减少了左侧编码路径中无用特征对右侧解码路径的干扰,进一步提升了对肺结节的分割精度。另外,重新设计了新的复合损失函数,克服了使用单一损失函数的局限性。实验数据表明,RISAU-Net对肺结节的分割效果以及检测率在RISU-Net的基础上进一步提升。
基于U-Net的肺结节图像分割研究
这是一篇关于肺结节分割,U-Net,图像拼接,肺实质分割,空间注意力模块,通道注意力模块的论文, 主要内容为肺部医学图像是肺癌诊断和治疗的重要辅助工具,肺癌早期在医学图像上的主要表现是肺结节,因此对肺结节的筛查与分割是肺癌诊断的有效途径。不计其数的肺部医学图像加大了放射科医生的工作量,人工智能技术的发展为辅助人工诊断提供了新的方向并在肺结节的诊断与治疗方面取得了重要进展。为进一步应用人工智能技术提高肺结节诊断的效率与准确度,提出了一种基于U-Net的肺结节图像分割算法。主要工作如下:第一,针对肺结节图像不完整,进行图像拼接过程中存在图像拼接处产生裂缝以及图像拼接时间久的问题,提出一种基于导向快速与旋转简短(oriented fast and rotated brief,ORB)和随机抽样一致(random sample consensus,RANSAC)组合的图像拼接算法,消除了肺结节图像拼接后拼接处的裂痕,提高了肺结节图像拼接的精度。第二,肺结节图像中肺结节的大小和形状各不相同且肺结节图像中肺结节可能具有跟肺部相关组织具有类似的形状特征,因此肺结节图像分割的精确度就难以保证。为解决上述问题,利用最大类间方差法、Canny边缘检测方法、k均值聚类法三种方法从肺部图像中提取肺部图像轮廓,利用肺实质提取算法对肺部图像进行肺实质分割,减小肺结节图像分割中的误差。第三,针对U-Net网络结构在肺结节图像分割过程中分割不准确等问题,提出了一种融入双注意力模块的U-Net肺结节图像分割算法。该算法在U-Net网络结构上增加空间注意力模块和通道注意力模块,利用自我注意力机制从时间与空间两个角度分析全局上下文信息,加强肺结节图像的特征,克服不同因素对分割结果的干扰从而提高肺结节图像的分割效果。
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：代码工厂 ，原文地址：https://m.bishedaima.com/lunwen/54192.html
