检索结果-内蒙古大学图书馆

中国图象图形学报 2018年第9期23卷 1335-1348页

作者：袁绍锋杨丰徐琳刘树杰季飞黄靖南方医科大学生物医学工程学院广州510515 南方医科大学广东省医学图像处理重点实验室广州510515 广州军区广州总医院心血管内科广州510010 华南理工大学电子与信息学院广州510641

目的心血管内超声(IVUS)图像内膜和中—外膜(MA)轮廓勾画是冠脉粥样硬化和易损斑块定量评估的必要过程。由于存在斑点噪声、图像伪影和各类斑块,重要组织边界的自动分割是一个非常困难的任务。为此,提出一种用于检测20 MHz心电门控IVUS... 详细信息

目的心血管内超声(IVUS)图像内膜和中—外膜(MA)轮廓勾画是冠脉粥样硬化和易损斑块定量评估的必要过程。由于存在斑点噪声、图像伪影和各类斑块,重要组织边界的自动分割是一个非常困难的任务。为此,提出一种用于检测20 MHz心电门控IVUS图像内膜和MA边界方法。方法首先利用深度全卷积网络(DFCN)学习原始IVUS图像与所对应手动分割图像之间映射,预测出目标或者背景的概率图,实现医学图像语义分割。然后在此基础上,结合心血管先验形状信息,采用数学形态学闭、开操作,平滑内膜和MA边界,降低分割过程中错误分类像素或区域的影响。结果针对来自10位病人的IVUS图像及其标注信息所组成的435幅国际标准公开数据集,从线性回归、Bland-Altman分析和面积交并比(JM)、面积差异百分比(PAD)、Hausdorff距离(HD)、平均距离(AD)等性能指标上,评价本文方法。实验结果表明,算法检测结果与手动勾画结果的相关性可达到0.94,其超过94.71%的结果落在95%置信区域内,具有良好一致性。内膜和MA边界的AD指标分别为:0.07 mm和0.08 mm;HD指标分别为:0.21 mm和0.30 mm。JM指标分别为0.92和0.93;PAD指标分别为5%和4%。此外,对临床所采集的100幅IVUS图像进行了测试,证明本文学习的模型在跨数据集上具有较好的泛化能力。结论与现有的国际算法比较,本文方法提高了各类斑块、声影区域和血管分支等因素的识别能力,不受超声斑点的影响,能准确地、可重复地检测出IVUS图像中的关键目标边界。

关键词：医学图像分析深度学习深度全卷积网络先验形状信息心血管内超声内膜检测中—外膜检测

来源：评论

学校读者我要写书评

暂无评论

基于新型深度全卷积网络的肝脏CT影像三维区域自动分割

引用

中国生物医学工程学报 2018年第4期37卷 385-393页

作者：孙明建徐军马伟张玉东南京信息工程大学江苏省大数据分析技术重点实验室南京210044 江苏省人民医院放射科南京210029

肝脏分割对于肝肿瘤肝段切除及肝移植体积测量具有重要的临床价值。由于在CT影像中肝脏与邻近脏器的灰度值相似性很高,因此对肝脏区域的三维自动分割是一项具有挑战性的难题。为解决精准肝脏分割的问题,提出一种新型的深度全卷积网络结... 详细信息

肝脏分割对于肝肿瘤肝段切除及肝移植体积测量具有重要的临床价值。由于在CT影像中肝脏与邻近脏器的灰度值相似性很高,因此对肝脏区域的三维自动分割是一项具有挑战性的难题。为解决精准肝脏分割的问题,提出一种新型的深度全卷积网络结构3DUnet-C2。该结构充分利用肝脏CT图像的三维空间信息,并有效结合肝脏区域的浅层特征和深层特征。特别地,还提出一种新的3DUnet-C2网络训练策略,通过选取清晰图像,并从图像中截取肝脏区域作为样本进行训练的方式,得到初步3DUnet-C2模型权重,并使用该权重来初始化3DUnet-C2的网络参数,从而使网络达到收敛。最后,针对3DUnet-C2网络分割肝脏边界不精准的问题,在原有3DUnet-C2网络模型的基础上,运用三维条件随机场构建3DUnet-C2-CRF模型来优化肝脏分割边界。为了验证所提出三维分割模型的性能,从ISBI2017 Liver Tumor Segmentation Challenge的数据集中选取100张CT图像用于训练、验证和测试,3DUnet-C2-CRF模型在随机选取的20张测试集上的分割准确率的Dice系数为96.9%,高于3DUnet和Vnet模型的Dice系数。实验结果表明,3DUnet-C2-CRF模型具有更好的特征表达能力以及更强的泛化性能,从而可提升模型的分割准确率。

关键词：肝脏分割深度全卷积网络条件随机场

来源：评论

学校读者我要写书评

暂无评论

基于深度全卷积网络的肝脏肿瘤自动分割

基于深度全卷积网络的肝脏肿瘤自动分割

引用

作者：孙明建南京信息工程大学

学位级别：硕士

肝癌是一种发病率和死亡率都非常高的疾病，严重威胁着我国人民的健康。近年来，计算机断层成像(Computed Tomography)已成为肝脏肿瘤检查最常见的成像方式，医生通过观察腹部CT图像可以制定出合理有效的治疗方案，但任何治疗方案都需... 详细信息

肝癌是一种发病率和死亡率都非常高的疾病，严重威胁着我国人民的健康。近年来，计算机断层成像(Computed Tomography)已成为肝脏肿瘤检查最常见的成像方式，医生通过观察腹部CT图像可以制定出合理有效的治疗方案，但任何治疗方案都需要了解肿瘤的大小、数量、位置等信息。因此亟需一种能自动、精准、快速分割肝脏肿瘤的方法来实现组织容积的定量分析和病变组织的定位，以及辅助医生制定外科手术方案。而肝脏肿瘤分割的主要难点包括肝脏肿瘤大小、位置、形状差异较大，肝脏肿瘤内部灰度不均匀等。传统的肝脏肿瘤自动分割方法都需要手工设计特征，而手工特征主要依赖于人的经验，往往鲁棒性较差，很难达到实际应用的要求。　　针对以上问题，本文提出了一种基于深度全卷积网络的肝脏肿瘤自动分割方法。该方法共分为两个阶段:　　1)肝脏三维分割阶段，提出了一种基于新型深度全卷积网络的肝脏CT影像三维区域自动分割方法。该方法使用了新设计的图像预处理方式来增强肝脏与周围组织之间的对比度。为了充分利用CT图像的三维信息，设计了一种全新的三维卷积神经网络，并使用了新的网络参数初始化方法，使得卷积神经网络能快速收敛。最后使用三维条件随机场对分割结果进行优化。该算法在20个测试病例上的平均Dice相似系数为96.9％。　　2)肝脏肿瘤横向面二维分割阶段，依据肝脏三维分割阶段得到的肝脏分割结果，提出了基于多尺度全卷积网络的肝脏肿瘤区域分割方法。该方法使用了不同膨胀系数的空洞卷积，能充分提取图像的局部和全局特征，提升肝脏肿瘤分割效果。该方法在19个测试病例上的平均Dice相似系数为65.76％。随后对多尺度全卷积网络做了进一步的改进，提出了一种基于DU-Net的高通量全卷积网络肝脏肿瘤区域分割模型。该模型通过加深网络层数来提取更高层次的特征，使用深浅层特征融合的策略以充分利用提取到的特征，采取感受野全覆盖的方式来提取局部和全局特征，使得肝脏肿瘤分割结果得到进一步提升。该方法在19个测试病例上的平均Dice相似系数为71.19％。　　实验结果表明，本文提出方法的肝脏肿瘤分割结果优于传统分割方法和其他深度卷积神经网络方法。

关键词：肝脏肿瘤 CT图像自动分割深度全卷积网络鲁棒性 Dice相似系数

来源：评论

学校读者我要写书评

暂无评论

基于深度全卷积神经网络的文字区域定位方法

引用

无线互联科技 2016年第23期13卷 43-44页

作者：骆遥同济大学测绘与地理信息学院上海200092

近年来,深度学习模型在各种计算机视觉方面都展现出了远远优于传统方法的性能,在自然场景中的文字区域定位问题中引入深度学习方法无疑也是大势所趋。文章提出了一种基于深度全卷积网络方法的文字区域定位方法,实现了端到端的训练、检测... 详细信息

近年来,深度学习模型在各种计算机视觉方面都展现出了远远优于传统方法的性能,在自然场景中的文字区域定位问题中引入深度学习方法无疑也是大势所趋。文章提出了一种基于深度全卷积网络方法的文字区域定位方法,实现了端到端的训练、检测,使得训练更为有效,检测过程更加高效。最终文中方法在ICDAR 2015数据集上对比基于MSER等的传统方法有了很大提升,达到了86.57%的查准率和82.1%的召回率。

关键词：深度全卷积网络自然场景文字区域定位图像区域分割

来源：评论

学校读者我要写书评

暂无评论

深度卷积网络在心血管内超声图像内膜和中—外膜边界检测中的研究

深度卷积网络在心血管内超声图像内膜和中—外膜边界检测中的研究

引用

作者：袁绍锋南方医科大学

学位级别：硕士

心血管疾病(Cardiovascular diseases,CVDs)是当前世界人类致死的主要原因,约占31%,其包括心脏疾病、脑血管疾病和周边血管疾病。冠状动脉粥样硬化性心脏病,常常被称为冠心病(Coronary heart diseases,CHDs),是指因冠状动脉血管发生动... 详细信息

心血管疾病(Cardiovascular diseases,CVDs)是当前世界人类致死的主要原因,约占31%,其包括心脏疾病、脑血管疾病和周边血管疾病。冠状动脉粥样硬化性心脏病,常常被称为冠心病(Coronary heart diseases,CHDs),是指因冠状动脉血管发生动脉粥样硬化病变而引起血管腔狭窄或阻塞,造成心肌缺血、缺氧或坏死而导致的心脏病。它是多种冠状动脉疾病的综合结果,其中最常见的因素为冠状动脉粥样硬化,占95%～99%,被喻为“第一杀手”。目前临床上用于诊疗冠心病最主要的两种影像技术,分别是X射线冠状动脉造影术(Coronary angiography,CAG),和心血管内超声成像术(Intravascular ultrasound,IVUS)。在IVUS图像的临床分析与医学研究中,冠状动脉中-外膜和内膜组织轮廓勾勒,以及相关关键参数测量,既是冠状动脉粥样硬化定量评估和易损斑块定量分析的重要步骤,也是冠状动脉疾病临床诊断和介入治疗的必要前提。IVUS图像中-外膜和内膜边界检测,通常依赖临床医生或资深研究者的肉眼识别和手动勾画。在临床诊疗中,临床医生往往需要分析几帧至几百帧不等的IVUS图像,人工识别、勾画内膜和中-外膜边界的工作量非常大,加上分割结果易受医生主观因素和环境客观因素影响,导致分析结果表现为观察者之间或之内的误差非常大,难以形成统一标准。因此,基于机器学习、计算机视觉等新兴智能技术实现的计算机辅助IVUS图像自动分析,对加深研究者认识心血管病变、提高临床医生工作效率和冠心病临床诊疗水平具有重要意义。本文的研究目标是提出两种基于深度卷积网络实现冠状动脉IVUS图像的内膜和中-外膜边界自动检测方法,帮助临床医生诊断和治疗冠状动脉粥样硬化性心脏病CHDs。针对目前内膜或中-外膜边界自动检测算法存在的问题,本文首先模拟临床医生识别内膜或中-外膜边界的过程,提出结合心血管先验形状信息,和深度全卷积网络(Deep fully convolutional networks,DFCNs)的 IVUS 图像内膜和中-外膜边界自动检测算法。除此之外,针对深度学习算法需要大量已标注数据的缺点,本文接着进一步提出结合堆叠漏斗网络(Stacked hourglass networks,SHGNs),和生成对抗学习(Generative adversarial learning)的IVUS图像关键组织边界自动检测算法。上述两种边界自动检测算法包含以下四个关键部分:1、基于深度全卷积网络DFCNs的IVUS图像区域分割。本文第三章提出深度全卷积网络DFCN-1和DFCN-2,用于IVUS图像区域分割。其中,DFCN-1以内腔区域和非内腔区域临床医生手动分割图像和原始IVUS图像作为训练样本集,用于检测内膜(Lumen border);DFCN-2以血管区域和非血管区域人工标注信息和输入IVUS图像作为学习样本集,用于检测中-外膜(Media-adventitia border)。2、结合心血管先验形状信息的边界优化。针对上述区域分割阶段不可避免地存在的误差问题,比如内腔/血管高地(Highland)、内腔/血管低洼(Depression),和其它像素级或小区域级误分类结果,本文第三章结合心血管先验形状信息——椭圆形,构建具有自适应半径大小圆盘结构体的形态学闭操作移除低洼影响、开操作克服高地影响。余下误分类结果通过其它简单的医学图像处理方法进行改善。3、基于堆叠漏斗网络SHGNs的IVUS图像多区域分割。通过堆叠两个编码器-解码器结构漏斗网络,并在中间输出结果上引入原始输入IVUS图像,作为下一级网络的输入,联合学习上述区域分割和边界优化两个步骤,进行IVUS图像多区域分割。其中,在进行中-外膜轮廓分割时,重建损失函数选择L1距离;而在内膜边界检测时,选择L2距离。除此之外,与采用编码器-解码器结构全卷积网络和U-Net作为生成对抗网络中生成器的Pix2Pix模型相比,本文提出的堆叠漏斗网络SHGNs具有模型参数少,边界检测精度高等特点。4、基于生成对抗网络(Generative adversarial networks,GANs)的对抗学习。在重建损失上,加入对抗损失(adversarial loss),上述堆叠漏斗网络不但能生成更加接近临床医生手工勾画结果的IVUS图像分割图,而且能受正则项约束,在一定程度上缓解深度卷积网络需要大规模已标注医学超声图像的问题。本文的主要临床实验数据来源于国际标准IVUS图像公开数据库SetB的435幅20MHzIVUS图像。在跨数据集验证和临床实际应用分析中,利用广州军区广州总医院心血管内科所收集的100幅IVUS图像进行检验。从线性回归与Bland-Altman 分析及 JM、PAD、

关键词：心血管内超声深度学习深度卷积网络深度全卷积网络有条件生成对抗网络边界检测

来源：评论

学校读者我要写书评

暂无评论

基于深度编-解码结构的高分辨遥感影像变化检测研究

基于深度编-解码结构的高分辨遥感影像变化检测研究

引用

作者：余江南西安电子科技大学

学位级别：硕士

随着遥感影像平台和技术的不断发展,尤其是各种高分辨率对地表观测项目的实施,卫星遥感技术已经逐渐跨入亚米级时代,高分辨遥感影像所包含的地物信息也更加充足。近年来,伴随着深度学习和大数据技术的不断成熟,这极大地促进了遥感影像... 详细信息

随着遥感影像平台和技术的不断发展,尤其是各种高分辨率对地表观测项目的实施,卫星遥感技术已经逐渐跨入亚米级时代,高分辨遥感影像所包含的地物信息也更加充足。近年来,伴随着深度学习和大数据技术的不断成熟,这极大地促进了遥感影像技术在各个领域的繁荣发展,使得利用高分辨遥感影像实现对地表覆盖变化检测成为一种高效、准确的技术手段,并在许多军事/民事领域得到了重要的应用,如:农业林业、水土资源、土地利用、城市扩张、地质环境、沿海地区、海洋资源、雪和冰川、灾害监测和减灾、基础设施开发及军事用途研究等。由于遥感影像在成像的过程中极易受到一些客观因素的影响,如成像平台的硬件水平有限、获取影像时的空间/时间限制、天气云层烟雾的遮挡以及存在的各种电磁杂波干扰等,可能导致遥感影像的空间分辨率低、影像中物体轮廓模糊等问题。传统的遥感影像变化检测算法在处理这样的遥感影像数据时性能有限,特别是当前遥感影像的数据量也越来越庞大,而基于深度学习的方法突破了传统图像处理算法的很多不足之处,以其优秀的特征学学习和表示能力被广泛应用于计算机视觉领域,为遥感影像变化检测研究提供了新的解决方案。本文主要基于深度学习理论框架下,针对高分辨遥感影像变化检测问题展开研究,通过构建不同的深度神经网络模型来灵活实现由问题驱动的变化检测任务。本文的主要研究内容和总结如下:1.结合高分辨遥感影像变化检测任务的特点,从数据分析与模型结构出发,提出了一种基于全卷积网络所搭建的深度编-解码结构的变化检测方法,该方法适用于处理大规模遥感图像变化检测任务。考虑到遥感影像通常包含大场景的影像内容,引入空洞卷积模块来减少下采样的次数,保留在提升网络感受野的同时保留特征图谱中的细节和定位信息,从而缓解由于池化过度导致的小目标和细节信息丢失的问题。2.针对遥感影像变化检测结果的分割边缘不够精细的问题,提出了一种基于注意力机制的变化检测方法。该方法通过巧妙地引入视觉注意力机制来有效地捕获特征中的远程上下文信息,聚合特征图中的相似特征从而加强变化区域的特征表示,帮助网络更好地检测分割出潜在的变化区域,并提升变化区域的边缘分割精细程度。同时,为了充分利用训练数据,使用了多种的在线增强策略,并且增加数据的多样性,从而提高网络的鲁棒性。最后,考虑到在遥感图像变化检测任务中的正负样例数量差距大,针对性的对原始数据进行了正样例的扩增,并引入Dice系数损失来缓解数据中的正负样例不平衡的现象,提升了模型最终的泛化性能。3.考虑到城市遥感影像中的建筑物变化提取所具有的实用价值,通过结合城市高分辨遥感图像的特点,设计了一种基于孪生网络结构的针对特定目标/区域类别的变化检测模型来进行建筑物变化提取。并且针对遥感影像中常常包含各种不同尺寸的物体特别是小目标的问题,通过引入特征多尺度池化来帮助获取目标特征中的多尺度上下文信息,得到不同大小的目标的有效视野。在没有明显的增加网络的参数量的情况下,有效的提高了对两幅高分辨遥感影像中建筑物区域的变化检测效果。

关键词：高分辨遥感影像变化检测深度全卷积网络编-解码结构空洞卷积双注意力机制多尺度池化孪生网络结构

来源：评论

学校读者我要写书评

暂无评论

多尺度特征融合技术在弱信息图像分割的运用

引用

价值工程 2023年第28期42卷 138-140页

作者：殷梓南京信息工程大学南京210044

针对弱信息图像语义分割任务中存在类激活图不完整,细节信息丢失的问题,本文提出了一种基于多尺度特征融合的弱信息语义分割的模型,其中多尺度类激活图学习机制利用多尺度产生的类激活图进行有效结合,得到更完整的前景区域。多尺度注意... 详细信息

针对弱信息图像语义分割任务中存在类激活图不完整,细节信息丢失的问题,本文提出了一种基于多尺度特征融合的弱信息语义分割的模型,其中多尺度类激活图学习机制利用多尺度产生的类激活图进行有效结合,得到更完整的前景区域。多尺度注意力学习算法帮助类激活图挖掘到更多前景信息,实现了类激活图互相信息学习。实验上采用了PASCAL VOC 2012[1]数据集,实验结果表明,该模型在不依赖显著性图的情况下具有较好分割效果和精度,验证了模型的有效性。

关键词：深度全卷积网络注意力图弱信息学习

来源：评论

学校读者我要写书评

暂无评论

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案：

请选择收藏分类：

通借通还

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：