检索结果-南通市图书馆

基于特征融合的边缘引导乳腺超声图像分割方法

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

计算机科学 2023年第3期50卷 199-207页

作者：白雪飞马亚楠王文剑山西大学计算机与信息技术学院太原030006 计算智能与中文信息处理教育部重点实验室(山西大学) 太原030006

针对乳腺超声图像边缘模糊、斑点噪声多、对比度低等问题,提出了一种融合多特征的边缘引导多尺度选择性核U-Net(Edge-guided Multi-scale Selective Kernel U-Net,EMSK U-Net)方法。EMSK U-Net采用基于U-Net的对称编解码结构可以适应小... 详细信息

针对乳腺超声图像边缘模糊、斑点噪声多、对比度低等问题,提出了一种融合多特征的边缘引导多尺度选择性核U-Net(Edge-guided Multi-scale Selective Kernel U-Net,EMSK U-Net)方法。EMSK U-Net采用基于U-Net的对称编解码结构可以适应小数据集医学图像分割的特点,将扩张卷积与传统卷积构成选择性核模块作用于编码路径,并提取下采样过程中的选择性核特征进行边缘检测任务,在丰富图像空间信息的同时细化边缘信息,有效缓解斑点噪声和边缘模糊的问题,在一定程度上可以提升小目标的检测精度。然后在解码路径通过多尺度特征加权聚合获取丰富的深层语义信息,多种信息之间相互补充,从而提升网络的分割性能。在3个公开的乳腺超声图像数据集上的实验结果表明,与其他分割方法相比,EMSK U-Net算法各项指标表现良好,分割性能有显著提升。

关键词：乳腺超声图像分割特征融合边缘检测多尺度特征深度学习 U-Net

融合CNN和ViT的乳腺超声图像肿瘤分割方法

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

智能系统学报 2024年第3期19卷 556-564页

作者：彭雨彤梁凤梅太原理工大学电子信息与光学工程学院山西晋中030600

针对乳腺超声图像肿瘤区域形状大小差异大导致分割困难,卷积神经网络(convolutional neural networks,CNN)建模长距离依赖性和空间相关性方面存在局限性,视觉Transformer(vision Transformer,ViT)要求数据量巨大等问题,提出一种融合CNN... 详细信息

针对乳腺超声图像肿瘤区域形状大小差异大导致分割困难,卷积神经网络(convolutional neural networks,CNN)建模长距离依赖性和空间相关性方面存在局限性,视觉Transformer(vision Transformer,ViT)要求数据量巨大等问题,提出一种融合CNN和ViT的分割方法。使用改进的Swin Transformer模块和基于可形变卷积的CNN编码器模块分别提取全局特征和局部细节特征,设计使用交叉注意力机制融合这两种尺度的特征表示,训练过程采取二元交叉熵损失混合边界损失函数,有效提高分割精度。在两个公共数据集上的实验结果表明,与现有经典算法相比所提方法的分割结果有显著提升,dice系数提升3.8412%,验证所提方法的有效性和可行性。

关键词：卷积神经网络乳腺超声图像分割 Swin Transformer 交叉注意力机制混合损失函数可形变卷积多头跳跃注意力深度学习

面向边缘模糊乳腺超声图像的多特征加权学习分割方法研究

维普期刊数据库博看期刊

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

面向边缘模糊乳腺超声图像的多特征加权学习分割方法研究

作者：马亚楠山西大学

学位级别：硕士

乳腺癌是女性疾病中的常见病症之一,早期发现与正确的诊断直接关系着乳腺癌患者的治疗率和存活率。超声检测作为一种无创伤、无辐射和低成本的成像技术已被广泛应用于乳腺癌的诊疗中,但其成像结果中存在边缘模糊、斑点噪声多、对比度低... 详细信息

乳腺癌是女性疾病中的常见病症之一,早期发现与正确的诊断直接关系着乳腺癌患者的治疗率和存活率。超声检测作为一种无创伤、无辐射和低成本的成像技术已被广泛应用于乳腺癌的诊疗中,但其成像结果中存在边缘模糊、斑点噪声多、对比度低和超声伪影严重等问题,给乳腺肿块分割任务带来了巨大的挑战。针对上述问题,本文围绕乳腺超声图像分割方法中的多特征学习和边缘引导展开研究,利用深度学习技术挖掘图像信息,以提高乳腺超声图像的分割精度。主要研究内容包括:(1)提出了融合多特征的边缘引导多尺度选择性卷积核U-Net(Edge-guided Multi-scale Selective Kernel U-Net,EMSK U-Net)。该方法中构建的局部选择性核UNet利用扩张卷积设计具有特征选择能力的选择性卷积核,能够减少空间信息的损失,从而加强了肿块定位。基于迁移学习的边缘引导模块能够提取并利用超声图像中的边缘信息,引导网络学习方向,从而实现图像边缘的细化。并且,在深层构建的多尺度特征融合块的配合下,获取丰富的高级语义信息,最终分割出正确的肿块区域。相较于其他算法,EMSK U-Net算法在Udiat和BUSI两个公开数据集上的Dice值最少分别提升约为5.26%和5.29%。(2)为了进一步提升EMSK U-Net的分割性能,提出了边缘引导的自适应多特征学习网络(Edge-guided Adaptive Multi-feature Learning Network,EAML-Net)。该网络采用自适应的多特征学习模块和混合采样机制,提高了图像细节信息的提取率和传输率,从而缓解了对比度低和斑点噪声严重的问题。在边缘引导模块中,利用信息融合块去尽可能地挖掘图像中的边缘信息,分割效果得到了进一步细化,肿块定位更加精确。此外,在混合损失函数的监督训练下,EAML-Net的学习能力进一步加强,计算效率得到了提升。最终,EAML-Net较EMSK U-Net在两个数据集上的Dice值至少分别提升了约3.42%和1.9%。(3)为了更直观地了解所提出的乳腺超声图像分割算法,开发了智能化的乳腺超声图像分割系统。该系统集成了经典的乳腺超声图像分割算法及本文所提两种方法,实现了乳腺超声图像处理、算法介绍以及分割等功能的可视化展示。系统界面友好,便于操作,既可作为一个科学实验平台帮助科研人员开展乳腺超声图像分割的相关研究,又能作为医疗平台辅助医生完成工作。综上所述,为了缓解乳腺超声图像中存在边缘模糊、斑点噪声多、对比度低和超声伪影严重的问题,本文提出两个基于深度学习的分割网络EMSK U-Net和EAMLNet,实现了边缘模糊乳腺超声图像的精确分割。在Udiat和BUSI两个公开数据集上的对比实验和消融实验结果验证了EMSK U-Net和EAML-Net的有效性和优越性。此外,智能化乳腺超声图像分割系统的开发为后续的医疗和科学研究工作提供了便利。

关键词：乳腺超声图像分割深度学习多特征学习边缘引导

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于超声图像的乳腺肿瘤自动分割技术研究

基于超声图像的乳腺肿瘤自动分割技术研究

作者：赵曼雪南京邮电大学

学位级别：硕士

乳腺肿瘤病灶区域的自动分割是超声乳腺计算机辅助诊断系统的一个重要组成部分,它可以辅助医生快速准确定位病灶区域,达到降低医生工作量,缓解年轻医生临床经验不足等目的,对现代医学具有非常重要的研究价值和应用前景。然而,由于超声... 详细信息

乳腺肿瘤病灶区域的自动分割是超声乳腺计算机辅助诊断系统的一个重要组成部分,它可以辅助医生快速准确定位病灶区域,达到降低医生工作量,缓解年轻医生临床经验不足等目的,对现代医学具有非常重要的研究价值和应用前景。然而,由于超声图像的成像机理以及成像设备之间的差异,采集的超声图像对比度差、分辨率低;同时,不同个体的乳腺肿瘤形态也各不相同,这些均导致传统的乳腺肿瘤分割算法精度不高。在此背景下,本文基于深度学习算法对超声乳腺肿瘤图像进行分割,用以提高乳腺肿瘤病灶区域分割的准确性。具体工作内容如下:（1）本文对注意力U形网络（Attention U Convolution Neural Network,Attention U-Net）进行改进,提出了注意力增强U形网络（Attention-enhancing U-Net,AE U-Net）。首先,对网络损失函数进行改进,在传统网络末端输出预测值的基础上,融入所有注意力门控（Attention Gates,AGs）的输出权值矩阵,与对应的标准病灶区域模板进行损失函数的计算,以达到增强病灶区域权重,获取准确的网络损失值的目的。其次,对网络训练方式进行改进,采用粗细结合的策略,先用总体损失函数训练整体网络,使网络基本稳定,再用部分损失函数,依次交替训练主干网络和注意力门模块,对基本网络参数进行微调,用于进一步提升网络参数的精度。两者结合,大大提高了乳腺超声图像病灶区域分割的准确性。在自定义乳腺超声数据库上的实验结果表明,本文提出的AE U-Net模型在测试集上的M-IOU达82.38%,Acc达94.50%,F1达82.93%,AUC达96.79%,Precision达86.69%,Recall达79.48%。（2）AE U-Net网络结构中多次下采样操作使得特征图分辨率大大降低,导致内部数据结构以及空间层级化信息的丢失,为缓解该问题,本文对AE U-Net进行改进,提出了具有混合空洞卷积的注意力增强U形网络（Attention-enhancing U-Net with Hybrid Dilated Convolution,AE U-Net with HDC）模型。将三组扩张率分别为[1,2,5]的混合空洞卷积（Hybrid Dilated Convolution,HDC）融入到AE U-Net中,以代替网络结构中左侧收缩路径第四个下采样操作以及接着的卷积操作和右侧扩张路径第一个上采样操作以及接着的卷积操作,在保持特征图分辨率不变的前提下保证了网络模型的感受野,降低特征图分辨率减小带来的空间信息损失,提高像素级别的图像分割任务中的分割结果精度。在自定义乳腺超声数据库上的实验结果表明,本文提出的AE U-Net with HDC模型在测试集上的M-IOU达83.08%,Acc达94.63%,F1达83.37%,AUC达93.44%,Precision达87.04%,Recall达80.01%。（3）为了AE U-Net网络结构中的左侧收缩路径提取的特征更为准确,可以通过调整网络深度以获得更好的分割结果,但是由于网络退化问题,深层网络的表征能力并非一定优于浅层网络,而残差模块则很好地解决了这一问题,本文对AE U-Net进行改进,提出了注意力增强残差U形网络（Attention-enhancing Residual U-Net,AE Res U-Net）模型。该模型以Res Net18的残差网络特征提取模块替代AE U-Net模型中的左侧收缩路径,而右侧扩张路径则保持原结构不变,模型具有更低的计算复杂度以及较高的分割精度。在自定义乳腺超声数据库上的实验结果表明,本文提出的AE Res U-Net模型在测试集上的M-IOU达86.57%,Acc达95.87%,F1达87.32%,AUC达94.07%,Precision达90.24%,Recall达84.58%。

关键词：乳腺超声图像分割 U形卷积神经网络注意力增强空洞卷积残差网络

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于UNet的乳腺超声图像肿瘤分割

基于UNet的乳腺超声图像肿瘤分割

作者：常文浩燕山大学

学位级别：硕士

由于超声图像成像原理和成像设备的不同,所获得的超声图像存在对比度和分辨率之间的差异,同时不同个体的乳腺肿瘤病变形状不同,这些均导致传统的超声图像分割算法准确率不高。在此背景下,本文采用深度学习算法对乳腺超声图像进行分割,... 详细信息

由于超声图像成像原理和成像设备的不同,所获得的超声图像存在对比度和分辨率之间的差异,同时不同个体的乳腺肿瘤病变形状不同,这些均导致传统的超声图像分割算法准确率不高。在此背景下,本文采用深度学习算法对乳腺超声图像进行分割,以提高乳腺肿瘤病变区域分割的准确性,具体工作内容如下。首先,提出CSA(Channel and Spatial Attention)注意力模块并改进损失函数。由于空间注意力模块可获取特征图中的空间信息,通道注意力模块可获取图像特征中通道域信息,因此采用二者结合的办法,这样可同时保留图像的通道和空间特征。并采用Bce Loss(Binary Cross Entropy Loss)和Dice Loss相结合的策略,对损失函数进行改进。其次,提出具有密集型空洞卷积的模块。因为CSA-Unet(Channel and Spatial Attention Unet)网络结构中连续下采样操作使超声图像的分辨率降低,导致图像信息的丢失。为缓解该问题,将密集型空洞卷积融入到CSA-Unet中,在保证超声图像分辨率不变的情况下增大模型的感受野,减小超声图像分辨率降低过程中语义信息的损失。最后,将双编码器的结构融入进模型中。因为深度学习方法在进行下采样时不可避免地会丢失乳腺肿瘤特征的边缘信息,在加上超声图像本身边缘不清晰的特点,导致模型的分割性能有限。使用双编码器结构,将左侧编码器提取的边缘细节特征补充给右侧编码器,让整个模型获取更多的边缘特征。

关键词：乳腺超声图像分割注意力模块空洞卷积双编码器

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于全卷积神经网络的超声图像乳腺肿块分割

基于全卷积神经网络的超声图像乳腺肿块分割

作者：孟杰兰州大学

学位级别：硕士

研究表明乳腺癌已经成为危害全球人类身体健康的病症之一,乳腺癌的患病人数逐年增长,呈现年轻化的趋势。早发现、快诊断能够有效降低乳腺癌的发病率和死亡率,增加诊断的效率,从而挽救患者的生命,降低治疗的成本。在临床上,乳腺超声（Bre... 详细信息

研究表明乳腺癌已经成为危害全球人类身体健康的病症之一,乳腺癌的患病人数逐年增长,呈现年轻化的趋势。早发现、快诊断能够有效降低乳腺癌的发病率和死亡率,增加诊断的效率,从而挽救患者的生命,降低治疗的成本。在临床上,乳腺超声（Breast ultrasound,BUS）因其无辐射、无创、低成本等优势,成为近年来用于乳腺异常检测和筛查最常用的诊断工具之一。在过去通常都是依赖放射科的医生对乳腺超声图像进行阅片诊疗,但是随着BUS技术的发展,需要阅读的BUS数量大幅度增加,这增加了放射科医生的工作量,并且不同经验的医生的阅片结果也会出现差异化。为了减轻放射科医生的阅片压力、消除对操作者的依赖性、提高诊断的准确率,计算机辅助诊断（Computer-Aided Diagnosis,CAD）系统发展起来,CAD系统是一种有价值且有效的用于乳腺筛查和分类的手段。乳腺超声图像自动分割算法的设计是CAD系统设计的关键,它能够影响之后设计步骤的准确性,从而最终影响CAD系统的检测能力,因此设计出能够准确分割肿块的算法尤为重要。随着近年来卷积神经网络（Convolutional neural network,CNN）技术的发展,越来越多的人关注到将CNN技术运用到CAD系统的设计中可以有效地进行BUS图像的肿块自动分割任务。在本文中提出了两个基于全卷积神经网络的超声乳腺肿块分割的网络:（1）基于多阶段注意力的金字塔特征提取网络（Feature Pyramid Multi-stage Attention Net,FPMANet）,FPMANet通过在经典的U型网络结构的跳跃连接上嵌入FPRB结构,增加了多尺度特征提取和特征过滤的作用,减轻了高低层特征直接进行融合所产生的语义间隙的问题。（2）基于Transformer模型的多级监督网络（Multi-level Supervision with Transformer model Net,MS-TNet）,MS-TNet通过将transformer引入编码器结构,探究了一种编码器设计的新思路,即以注意力作为特征提取和学习的主要结构,不再以卷积作为高层特征学习的主体,同时使用多级监督机制实现在不加入其他参数的前提下,提升分割网络的性能,实现轻型网络设计的目的。本文也在BUSI数据库和UDIAT数据库上验证了本文的网络,结果证实本文提出的网络能够提升BUS图像的分割性能,并且优于其他与本文关注同样问题的网络。

关键词：乳腺超声图像分割 CAD系统卷积神经网络多阶段注意力 Transformer

基于改进TransU-Net的乳腺肿瘤分割算法研究

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

无线互联科技 2024年第9期21卷 15-18页

作者：朱盛滔贺泽民陈超峰西京学院陕西西安710123

针对超声乳腺肿瘤图像中存在的高散斑噪声较多、肿瘤边缘模糊以及形状复杂多样等问题,文章在TransU-Net的基础上进行改进,提出了基于TransU-Net的多路径特征融合网络(MFF-Net)。文章分析了MFF-Net的整体结构、多路径特征融合提取模块以... 详细信息

针对超声乳腺肿瘤图像中存在的高散斑噪声较多、肿瘤边缘模糊以及形状复杂多样等问题,文章在TransU-Net的基础上进行改进,提出了基于TransU-Net的多路径特征融合网络(MFF-Net)。文章分析了MFF-Net的整体结构、多路径特征融合提取模块以及深监督机制,通过实验验证了MSF-Net在处理边缘模糊和形状复杂多样的乳腺超声图像方面的有效性。结果显示,MSF-Net在多个评价指标上优于现有的主流方法。

关键词：乳腺超声图像分割深度学习多路径融合深监督