检索结果-南通市图书馆

多尺度特征金字塔网络在医疗图像分割中的研究

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

多尺度特征金字塔网络在医疗图像分割中的研究

作者：张兵贵州大学

学位级别：硕士

对医学影像数据集中病变区域、人体器官及感兴趣的区域进行分割在计算机辅助临床诊断中是至关重要的一步。近年来随着深度学习的快速发展,卷积神经网络迅速活跃在医疗图像处理领域中。利用卷积神经网络可以有效从医疗图像中提取特征的能... 详细信息

对医学影像数据集中病变区域、人体器官及感兴趣的区域进行分割在计算机辅助临床诊断中是至关重要的一步。近年来随着深度学习的快速发展,卷积神经网络迅速活跃在医疗图像处理领域中。利用卷积神经网络可以有效从医疗图像中提取特征的能力,许多神经网络模型已经被广泛应用在医疗图像分割中。其中以U-Net为代表编解码结构在医疗图像分割领域中取得十分优越性能,但在分割模糊边缘区域和复杂器官中对比度低的器官进行时存在着巨大的挑战。本文主要从多尺度策略、金字塔机制出发,提出两种改进的网络模型,旨在有效地从复杂病变器官、模糊边缘、对比度低的器官中实现精确的分割。(1)提出一种用于医疗图像分割的混合注意力网络模型。首先,在网络的编码部分接入边缘注意力模块,旨在增强网络对边缘轮廓特征的提取。其次,在网络的跳跃连接处嵌入从多尺度策略和位置注意机制出发设计的多尺度位置注意力模块,可以有效地从上下文信息中捕获感兴趣特征。最后,在网络底层处,本文引入一个能在不同感受野特征图中提取相邻特征信息的尺度特征金字塔注意力模块。(2)结合多尺度策略和特征金字塔机制提出用于医疗图像分割的多尺度特征金字塔融合网络架构。首先,将从多尺度策略和残差连接的基础上设计的多尺度注意力模块嵌入在网络的跳跃连接处,使网络可以提取不同级别的上下文细节特征。其次,将堆叠特征金字塔模块嵌套在网络的最深处同时处理不同尺度的特征,使网络能更好地聚焦于目标区域。最后,引入堆叠特征金字塔注意力模块的子模块-特征感知模块,自适应地增加感兴趣特征的权重,同时抑制背景区域的影响。通过在细胞组织、肺部、肝脏和皮肤病变数据集上分别对上述所提的两个网络进行验证评估。实验结果表明,所提的两种网络模型均可以有效处理模糊边缘和对比度低等问题。

关键词：医疗图像分割卷积神经网络多尺度策略特征金字塔机制

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

交互式医疗图像分割平台设计与实现

交互式医疗图像分割平台设计与实现

作者：李志谦华东师范大学

学位级别：硕士

随着人工智能的高速发展,计算机辅助诊疗手段逐渐成为医疗与智能技术相结合最为常见的方式之一。医疗图像分割是计算机辅助诊疗中至关重要的一步,在实际的临床应用中,医生主要通过对医疗图像进行逐像素的标注来得到分割结果。这种纯手... 详细信息

随着人工智能的高速发展,计算机辅助诊疗手段逐渐成为医疗与智能技术相结合最为常见的方式之一。医疗图像分割是计算机辅助诊疗中至关重要的一步,在实际的临床应用中,医生主要通过对医疗图像进行逐像素的标注来得到分割结果。这种纯手工标注的方式不仅对医生专业能力要求高,而且十分耗时且枯燥（尤其针对三维图像）。随着人工智能技术的不断发展,基于深度学习的自动分割算法能够在很大程度上提高医疗图像的分割效率。然而在实际应用中,自动分割算法存在准确度偏低和鲁棒性不足的问题。交互式分割算法通过引入少量的用户提示实现对分割结果的优化,既降低人工成本,又提高分割准确度,在医疗图像分割领域有着广泛的应用前景。但是,目前市场上缺少将交互式算法应用于医疗图像的平台,导致交互式分割算法在医疗领域难以落地。此外,以三维医疗图像为分割目标的交互式医疗图像分割策略仍然依赖于医生的大量交互操作。因此,具备交互推荐功能的交互式医疗图像分割平台成为当前亟需发展的研究领域。针对上述的问题本文主要工作包括:1.设计并实现了交互式医疗图像分割平台:为了让医生从繁杂的纯人工标注中解放出来,本文采用了前后端分离的架构模式开发了交互式医疗图像分割平台。该平台包含了三个子系统:基于React的医疗图像展示子系统、基于交互式算法的医疗图像分割子系统、基于深度学习的交互范围推荐子系统。2.基于React设计并实现了医疗图像展示子系统:该子系统主要提供加载医疗图像文件并显示图像的功能,在此基础上,扩展了切片切换、图像调整、三视图展示和多窗口显示等查看医疗图像的进阶功能,为后续医生与医疗图像分割算法进行交互奠定基础。3.基于交互式算法设计并实现了医疗图像分割子系统:针对医疗图像纯手工标注工作量大以及纯自动分割鲁棒性不足等问题,该子系统为医生提供交互式医疗图像分割的环境与平台。通过医生人为进行简单的纠错交互,交互式医疗图像分割平台根据其纠错信息更新算法分割结果,大幅提高了医生分割医疗图像的效率。同时,系统将对纠错信息进行持久化,并定时对模型进行训练与替换,进一步提高模型分割准确率。4.基于深度学习设计并实现了交互范围推荐子系统:针对三维医疗图像在交互式分割过程中依赖于大量交互的问题,该子系统为医生提供交互范围的推荐功能,主要从切片推荐和区域推荐两个方面进行推荐。针对切片推荐功能,本文利用启发式算法选取最具代表性的切片,从而进一步减少三维图像切片量大的特点对医生分割效率带来的影响;针对区域推荐功能,本文训练一个置信度网络并基于其推理结果选择置信度较低的区域进行推荐,从而辅助医生精确、快速、高效地辨认分割算法所忽略的区域。以上完成的工作,本文都进行了验证。对于系统实现,本文进行了充分的功能测试和兼容性测试;对于交互范围推荐功能,本文通过实验证明了推荐的有效性。

关键词：医疗图像分割交互式人机交互深度学习

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于多尺度卷积神经网络的医疗图像分割研究

基于多尺度卷积神经网络的医疗图像分割研究

作者：丁才富贵州大学

学位级别：硕士

近年来,基于U型架构的卷积神经网络模型在医疗图像分割领域中发展迅速,但由于该类模型结构简单,在特征处理上较为简易,以至于其分割精度还有较大的提升空间。因此,本文以多尺度策略为研究主线并基于U型架构展开研究,主要内容如下:（1）... 详细信息

近年来,基于U型架构的卷积神经网络模型在医疗图像分割领域中发展迅速,但由于该类模型结构简单,在特征处理上较为简易,以至于其分割精度还有较大的提升空间。因此,本文以多尺度策略为研究主线并基于U型架构展开研究,主要内容如下:（1）由于医学图像的特征形状多变,细节信息较多,从而导致模型在训练过程中难以有效的捕获细节特征信息。因此,本研究提出一种新的多尺度特征融合模型,其主要是将金字塔池化模块和等深度卷积机制整合到U-Net架构中以进行医学图像分割。（2）为改善传统卷积神经网络模型在特征的处理上存在感受野小以及细节特征不敏感等现象,本研究在U-Net架构的基础上结合多尺度策略和注意力、空洞卷积等机制,提出一种双路径多尺度注意力卷积神经网络模型。首先,构建一个双路径因式分解多尺度融合块来代替U-Net的跳跃连接,以缩减低层和高层特征之间的语义差距;其次,引入通道和空间融合自注意力模块,来抑制不相关的部分以突显深层特征的空间信息;最后,在U-Net末端引入多尺度注意力块,用来突出不同尺度中最显著的特征图来适应当前分割对象的大小。综上所述,本文基于多尺度卷积神经网络的医疗图像分割研究提出两种不同的医疗图像分割模型,并在肝脏数据集、肺部数据集以及细胞轮廓数据集等公共医疗图像分割任务中对所提模型进行了分割性能测试。最终评估结果证明,本文所提模型在Dice系数、Acc、Sen以及AUC等评价指标上均高于当前用于医疗图像分割任务的主流架构。

关键词：医疗图像分割卷积神经网络多尺度策略 U型架构注意力机制

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于主动联邦学习的医疗图像分割研究

四川文理学院学报 2022年第5期32卷 88-93页

作者：刘靖宇杨诚奕邓云迪电子科技大学医学院四川成都611731 电子科技大学信息与通信工程学院四川成都611731

随着医学技术的发展,基于计算机视觉的医疗图像分割技术逐渐被应用于医学实践中.针对当前医疗图像分割算法在实际应用时性能不足、泛化能力弱的问题,将联邦学习与主动学习结合,既能够保证训练数据的隐私性,又能够主动挑选有利于训练的样... 详细信息

随着医学技术的发展,基于计算机视觉的医疗图像分割技术逐渐被应用于医学实践中.针对当前医疗图像分割算法在实际应用时性能不足、泛化能力弱的问题,将联邦学习与主动学习结合,既能够保证训练数据的隐私性,又能够主动挑选有利于训练的样本.实验结果表明,所提出的主动联邦方法,在医疗图像分割任务上达到了较高的准确率,为该技术在医疗实践中的进一步发展做出了贡献.

关键词：联邦学习主动学习医疗图像分割匹配网络全卷积网络

面向医疗影像的交互式图像分割算法研究与应用

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

面向医疗影像的交互式图像分割算法研究与应用

作者：范铭豪电子科技大学

学位级别：硕士

医学图像分割是进入新世纪以来日益蓬勃发展的一项技术,在许多医疗任务中都需要对医学图像进行初步的处理,因此医学图像分割任务已经成为众多科研人员热衷的领域。为了得到更好的分割结果许多经典的算法和网络被提出,例如机器学习算法... 详细信息

医学图像分割是进入新世纪以来日益蓬勃发展的一项技术,在许多医疗任务中都需要对医学图像进行初步的处理,因此医学图像分割任务已经成为众多科研人员热衷的领域。为了得到更好的分割结果许多经典的算法和网络被提出,例如机器学习算法、深度学习甚至图论算法。本文主要研究了医疗图像领域中交互式方法在深度学习应用。在医疗图像中将交互式方法和深度学习相结合,通过用户提供交互信息给深度学习框架,引导网络参数朝着用户指定的效果优化。这样一来医疗图像就能够避免深度学习带来的分割不全面以及交互式分割中不精准的问题。本文通过解决交互式在医疗图像中遇到的问题,从而不断改进交互式框架的结构使其更加适应真实任务场景,提高效率。本文研究内容有:(1)多重网络联合训练交互式图像分割。在传统的深度学习中,是通过网络的参数和结构进行拟合的,这种方式会受限于网络结构,因此常常会出现很多的网络结构来处理同一任务,这样会造成过度冗余的效果。通过使用多网络联合训练并交互,能够帮助用户很快定位到分割错误的位置从而改正这个错误。(2)多尺度信息交互图像分割。在大多数的交互分割网络中,用户进行交互的对象都是不包含图像的空间信息的分割结果。这样的分割结果不能体现出网络对图像空间信息的使用情况,因此用户也无法对这种信息进行交互。通过使用多尺度信息交互网络分割方法,用户可以对网络的多层次提取特征进行交互从而影响网络整体的提取特征能力,加强最终分割结果。(3)面向医疗图像微小结构的交互式优化。在很多医疗图像中存在许多难以分割的微小物体,即使在已经使用交互式提高网络分割精度之后,对这些微小物体分割也难以做到尽善尽美,因此本文提出区域增长算法对交互方法进行优化用以解决这些问题,实现对微小物体的检测。

关键词：医疗图像分割深度学习交互式跳连接

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于置信度学习的医疗图像分割算法研究

基于置信度学习的医疗图像分割算法研究

作者：徐琪森华东师范大学

学位级别：硕士

一直以来,医疗图像分割都是辅助医生进行临床决策,提高诊断效率的重要步骤之一。尤其是对于肿瘤等病灶的精准分割,能够为医生在临床诊断和术中切除时提供重要参考。然而在实际的临床应用中,医生需要对图像进行逐像素地标注,从而形成最... 详细信息

一直以来,医疗图像分割都是辅助医生进行临床决策,提高诊断效率的重要步骤之一。尤其是对于肿瘤等病灶的精准分割,能够为医生在临床诊断和术中切除时提供重要参考。然而在实际的临床应用中,医生需要对图像进行逐像素地标注,从而形成最终的分割结果。对这些医疗图像进行手动分割不仅需要具备专业知识的医生,同时也需要耗费大量时间(尤其是3D医疗图像的标注)。随着深度学习和卷积神经网络的不断发展,通过对大规模标注数据的学习,基于深度学习的自动化分割模型能够大大提高医疗图像的分割效率。虽然基于深度学习的自动化医疗图像分割算法能够快速地生成图像的分割结果,但在训练过程中仍然面临高质量数据缺乏的问题。一般而言,使用少量数据进行深度学习算法训练经常会导致模型在训练数据上过拟合。因此深度学习算法的训练需要大量高质量的标注数据,而且数据的数量和质量通常是限制模型能力的主要瓶颈之一。然而临床中未标记的数据却大量存在,如何利用这些未标记数据来辅助模型训练是当前医疗图像分割任务的一个重要问题。除此之外,一些交互式医疗图像分割算法在原有的医疗图像分割算法的基础上引入医生的纠错信息,让模型能够对原有的分割结果进行纠错。这些纠错信息也可以视作一种额外的监督信号,但这些信息通常是比较稀疏的,如何高效利用它们也是当前医疗图像分割研究的一个难点。针对以上问题本文的工作如下:1.针对未标注数据的利用,本文提出了一种基于对抗置信度学习的半监督医疗图像分割算法,利用生成对抗网络框架中的鉴别网络学习分割结果的置信度。学习得到的置信度信息不仅可以在标注数据的训练中施加对抗损失来对分割网络进行正则,同时还对未标注数据的伪标签进行校准,从而使得模型在利用伪标签进行训练时减少伪标签偏差对模型的负面影响。2.针对交互信息的利用,本文提出了一种基于置信度学习的交互式医疗图像分割算法。针对现有的交互式分割算法在交互过程中会出现对纠错信息不敏感的现象,本文结合多智体强化学习和置信度学习,对交互后分割行为进行置信度评估,让模型能够识别出那些对交互信息不敏感的区域。3.针对交互式分割中纠错动作的反馈,本文设计了一种自适应反馈机制,利用纠错动作的置信度评估结果对原有强化学习中的回报函数进行加权,让模型在训练阶段对那些交互后改进不够明显的区域给予更多的关注。通过这一机制,模型能够更有效地利用对纠错动作的评估结果,并在交互过程中不断调整模型的纠错策略。本文在多个3D医疗图像数据集上验证了所提出的算法,实验结果表明,本文所提出的算法在不同的3D医疗图像数据集上不仅能够超过其他同类医疗图像分割算法,同时能够减少对于标注数据的依赖,也充分证明了方法的有效性。

关键词：交互式图像分割医疗图像分割强化学习半监督学习置信度学习

基于多智能体深度增强学习的交互式医疗图像分割算法

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于多智能体深度增强学习的交互式医疗图像分割算法

作者：廖选上海交通大学

学位级别：硕士

医疗图像分割被广泛地认为是后续医疗图像处理中最重要的一个步骤,能大幅提高医疗诊断的效率和准确性。然而,纯手工的医疗图像标注成本非常高,一方面医疗图像大多是3D的,其标注需要耗费大量的时间资源,另一方面标注需要专业的医生,且其... 详细信息

医疗图像分割被广泛地认为是后续医疗图像处理中最重要的一个步骤,能大幅提高医疗诊断的效率和准确性。然而,纯手工的医疗图像标注成本非常高,一方面医疗图像大多是3D的,其标注需要耗费大量的时间资源,另一方面标注需要专业的医生,且其准确率与医生的经验密切相关。随着近几年卷积神经网络的快速发展,自动分割大幅提升了医疗图像分割的效率。然而在实际诊疗应用中,现有自动方法的精度和鲁棒性仍有待提高。为了得到一个更佳的分割结果,交互式的图像分割策略,通过引入少量的用户提示实现对分割结果的迭代优化,成为了一个有价值的研究方向。为了减少用户提供的点击数量和交互时长,现有交互式图像分割算法用自动获得的粗分割结果代替初始用户提示,本文在这类算法框架上进行了探索和研究。此外,虽然这些算法能迭代式地对分割结果进行多轮交互更新,但它们仍然独立地考虑每一轮更新的分割结果,很大程度上忽略了连续交互的动态性。为了更好地利用交互式图像分割的动态性,本文提出了一个基于深度增强学习的算法Ite R-MRL,将交互式医疗图像分割的动态过程建模成一个马尔科夫决策过程,然后用深度增强学习求解。我们的算法从整体上考虑一个分割更新序列,充分挖掘了交互分割前后的关联。由于体素级的图像分割标注任务会使得单智能体的增强学习算法遭遇探索空间爆炸的问题,我们采用了多智能体模型,将每个图像体素看作一个智能体。通过让所有智能体共享同一个行为策略,将探索空间减小到了可行的范围。多智能体模型还能同时实现图像体素的合作交互,有效地捕捉了分割任务中体素之间的依赖性。对于增强学习中的状态、动作和回报,我们针对交互式图像分割任务作了以下设计:1)包含分割概率的状态设计,使得之前分割结果保留的信息更加丰富,也避免了分割结果出现振荡的现象;2)多尺度的动作设计,使得模型能对分割概率进行更加细致和精确的调整;3)基于相对性能的回报设计,为模型提供了可比较的基准,提升了模型的探索效率。实验结果表明,在不同的3D医疗图像数据集上Ite R-MRL算法都能显著超过目前其他的同类算法。我们的算法需要更少的交互量,并且拥有更快的收敛速度。另外,由于不同的模拟用户交互设定会很大程度上对分割结果的性能产生影响,本文提出了一套兼具高效性与合理性的模拟用户交互设定方案。针对交互设定的各个因素,我们做了大量实验和深入分析,包括用户提示点位置的选择、提示图的生成、提示点噪音扰动,以及在总点击数量不变的情况下提示轮次数与点击数量的分配方法,并将最终的交互设定方案应用于本文算法及对比算法中。

关键词：交互式图像分割深度增强学习医疗图像分割

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于深度学习的医疗图像分割算法研究

基于深度学习的医疗图像分割算法研究

作者：代成北京邮电大学

学位级别：硕士

医学图像分割是临床诊断中的重要步骤之一,对病灶或肿瘤区域的精确分割,是在临床治疗中杀死病变细胞并保护未发生病变区域的重要依据之一。实际应用中,分割这一重要步骤通常由拥有丰富实践经验的专业医生手动进行,工作量大,耗时长。引... 详细信息

医学图像分割是临床诊断中的重要步骤之一,对病灶或肿瘤区域的精确分割,是在临床治疗中杀死病变细胞并保护未发生病变区域的重要依据之一。实际应用中,分割这一重要步骤通常由拥有丰富实践经验的专业医生手动进行,工作量大,耗时长。引入计算机辅助诊断系统自动分割医学图像的感兴趣区域可以极大提高医生的效率。传统的自动分割方法大多基于图像处理技术,依靠一些浅层的特征,如灰度、纹理等实现分割。这些浅层特征的鲁棒性差,抗噪能力弱,不能充分表达感兴趣区域的内在本质特征,因此模型的泛化能力不好。深度学习技术可以自动从数据中学习到具有良好判别能力和泛化能力的深层抽象特征,将提取到的特征运用到对医疗图像进行分割的任务中,能显著的提升分割结果的精度。本文的主要研究内容如下:(1)提出一种基于深度学习的医疗图像分割框架。本文以全卷积神经网络为基础,将卷积层都修改为3D卷积,并在网络中添加skip-connection,使之符合U-Net网络的架构,用于对CT影像中肺结点的分割。(2)研究了减少分割结果中的假阳性的方法。对数据预处理中的肺部区域提取以及CT重采样进行了Ablation实验,观察对分割结果假阳性率的影响。(3)对U-Net网络中skip-connection的有效性进行了探讨。本文对U-Net中skip-connection进行了Ablation试验,对比了是否加入skip-connection对分割结果召回率和假阳性率的影响。(4)提出一种假阳性衰减算法。本文对分割的结果进行了假阳性衰减试验,具体做法是训练一个分类网络,对分割的结构进行进一步筛查,判断分割所得结果是否是真正的结点,并绘制了相应结果的FROC曲线。本文的方法在天池医疗AI大赛初赛的测试集A上进行了评测,分割的召回率达到92%,且平均每个CT仅有10个假阳性。为了与其它方法进行比较,我们还在公共数据集LUNA16上进行了评测,最终分割的召回率为93%,从最终的FROC曲线可以看出,我们的方法在召回率上优于LUNA16榜单上的大部分算法。

关键词：深度学习医疗图像分割全卷积神经网络

改进U-Net深度网络的视网膜血管分割算法

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

中国医学物理学杂志 2023年第10期40卷 1212-1219页

作者：曲小波余粟上海工程技术大学电子电气工程学院上海201620 上海工程技术大学工程实训中心上海201620

为了解决U-Net算法在分割眼底图像时无法分割末梢微小血管和无法处理噪声干扰等问题,提出了一种改进的视网膜血管分割算法。首先,在U-Net算法中引入通道强化残差网络,用以优化U-Net架构,使得网络识别更多视网膜微血管。其次,引入空间注... 详细信息

为了解决U-Net算法在分割眼底图像时无法分割末梢微小血管和无法处理噪声干扰等问题,提出了一种改进的视网膜血管分割算法。首先,在U-Net算法中引入通道强化残差网络,用以优化U-Net架构,使得网络识别更多视网膜微血管。其次,引入空间注意力网络来排除噪声,更好地突出血管。最后,在损失函数的计算中,使用动态权重代替U-Net算法的固定权重,迫使神经网络能够学习一个稳健的特征映射。将改进的算法在DRIVE数据集上进行实验,实验结果表明本文分割算法的准确性和敏感性大幅提高。比原U-Net算法准确性和敏感性分别提高了2.12%和7.51%,比DCU-Net准确性和敏感性分别提高了1.20%和2.55%。

关键词：医疗图像分割深度学习通道强化残差网络空间注意力网络动态损失函数