检索结果-南通市图书馆

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

领域知识驱动的弱监督生物医学图像分割研究

领域知识驱动的弱监督生物医学图像分割研究

作者：易佳锦华侨大学

学位级别：硕士

生物医学图像的分割是生物医学图像计算与分析中的重要技术之一。虽然有监督的深度学习分割方法已经在生物医学图像分割任务上取得了巨大的成功,但它依赖大量成本高昂的像素级标记。因此,使用尽可能少的数据标记成本实现高性能生物医学... 详细信息

生物医学图像的分割是生物医学图像计算与分析中的重要技术之一。虽然有监督的深度学习分割方法已经在生物医学图像分割任务上取得了巨大的成功,但它依赖大量成本高昂的像素级标记。因此,使用尽可能少的数据标记成本实现高性能生物医学图像分割算法的研究是十分有意义的。本文将对无标记和稀疏点标记医学图像数据的分割算法展开研究。利用现有的其他像素级标记数据域知识(源域)和稀疏点标记这两类不准确信息对目标数据域分割算法提供弱监督信号。使用域自适应方法将源域模型迁移应用到目标域上。由于不同的域可能会出现较大的差异性,因此实现良好的域自适应效果的关键在于使用哪些领域知识去驱动模型的域自适应。基于上述关键点提出了两种有效的解决方法,具体的研究工作如下:1)提出了一种基于无监督域自适应的电子显微镜图像分割方法,在视觉特征空间、语义特征空间以及形状空间上实现域自适应。具体地,本方法在对抗域自适应多任务学习框架中,利用源域和目标域的重构任务实现视觉特征空间的域自适应。在形状空间引入域判别器,基于对抗学习引导分割模型在目标域和源域上的预测形状尽可能相似,实现形状空间的域自适应。进一步地,为了增强目标域特征表示的判别力,同样地在语义特征空间也引入了判别器进行域自适应学习。在公开的电子显微镜图像数据集上进行了大量实验验证。实验结果表明,本方法在分割精度和视觉质量上均优于目前大多数先进的无监督域自适应方法。2)提出了一种基于稀疏点监督域自适应的电子显微镜图像图像分割方法。在源域知识和目标域稀疏点标记信息辅助下指示目标域的位置和数量信息,然后使用目标域的伪标签自训练完善边界信息。具体地,本方法通过在源域知识引导下学习目标域稀疏点标记监督的空间计数任务和利用源域知识约束量化计数任务。然后为了定位更精确的轮廓信息,在目标域上引入像素级伪标签自监督训练。在公开的电子显微镜图像数据集上进行了实验验证,实验结果表明本方法基于稀疏点监督域自适应可以达到与有监督模型相比有竞争力的分割结果。特别地,本方法仅利用15%的稀疏点标注的达到了DSC准确度为90.6%的分割效果。

关键词：生物医学图像分割无监督域自适应稀疏点监督域自适应对抗学习

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

生物医学图像处理中轻量化多尺度方法的研究

生物医学图像处理中轻量化多尺度方法的研究

作者：李昌永桂林电子科技大学

学位级别：硕士

生物医学工程学科作为计算机跟生物医学的交叉学科,很早就开始使用计算机技术来辅助临床医学。其中生物医学图像的处理尤为重要,作为现代医学最常用的辅助诊疗手段,快速有效的处理生物医学图像成为了目前的研究热门,越来越多的研究者开... 详细信息

生物医学工程学科作为计算机跟生物医学的交叉学科,很早就开始使用计算机技术来辅助临床医学。其中生物医学图像的处理尤为重要,作为现代医学最常用的辅助诊疗手段,快速有效的处理生物医学图像成为了目前的研究热门,越来越多的研究者开始深入生物医学图像处理的研究。本文主要针对生物医学图像分割领域中的轻量化多尺度方法进行了深入的研究,主要的研究内容如下:(1)在轻量化多尺度的生物医学图像分割方法研究中,针对深度学习模型体量庞大,依赖计算资源较多的问题,提出了一种名为PyConvU-Net的新模型用于生物医学图像分割,该模型使用金字塔卷积替换传统卷积,能够在处理多尺度特征的同时,还可以缩减模型体量并降低计算复杂度。该模型在肺部分割数据集上的MIoU和Dice值分别为0.963和0.9339,在肾脏分割数据集上的MIoU和Dice值分别为0.7050和0.8277,在细胞分割数据上的MIoU和Dice值分别为0.8385和0.9177,这些值基本处于第一或者第二的位置,所以该模型在精度上的表现良好。在参数数量和计算复杂度上的值分别为3.7MB和10.65GMac,远高于第二名。实验结果表明,PyConvU-Net在生物医学图像的分割上能够在保证精度的前提下充分缩减模型的参数量和计算复杂度。(2)在基于自监督的生物医学图像分割方法研究中,针对生物医学图像数据集样本数量较少以及生物医学图像数据标注成本很大,提出了名为SimTrans的新模型用于在训练数据样本较少的情况下得到表现不错的生物医学图像分割模型。该模型是利用自监督学习策略,通过代理任务构建数据的伪标签,然后利用伪标签训练模型,使模型从数据空间本身学习到数据的分布特征,然后将训练好的模型,运用到下游的任务,例如分类、分割等。该模型在脑部卒中分割数据集上的MIoU和Dice值分别为0.6424和0.7585,高于第二名。该模型成功的脱离数据真实标签的依赖,通过代理任务学习数据特征,并在下游任务中获得良好的表现。本文提出的PyConvU-Net和SimTrans方法在生物医学图像分割上取得了很好的效果,为探索生物医学图像分割提供了一定的指导。

关键词：深度学习自监督学习生物医学图像分割轻量化多尺度

二维Otsu算法在壁虎脑切片图像处理中的应用

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

科技通报 2011年第5期27卷 703-706页

作者：赵妍双戴振东王浩南京航空航天大学生物医学工程系南京210016 南京航空航天大学仿生结构与材料防护研究所南京210016

提出将基于二维Otsu算法的分割方法应用于大壁虎脑切片彩色图像背景区域的"漂白"处理中及保护目标区域的方法,并对一维和二维算法进行了比较。首先构建二维直方图,然后利用二维直方图建立二维Otsu算法,并对大壁虎脑切片彩色图像进行分割... 详细信息

提出将基于二维Otsu算法的分割方法应用于大壁虎脑切片彩色图像背景区域的"漂白"处理中及保护目标区域的方法,并对一维和二维算法进行了比较。首先构建二维直方图,然后利用二维直方图建立二维Otsu算法,并对大壁虎脑切片彩色图像进行分割,最后恢复分割完成的二值图像中目标区域的彩色特性。这一方法在生物医学彩色图像处理中得到了较好的实现,同时,本文进一步验证了该方法在普通彩色图像处理中的可行性。

关键词：二维Otsu 大壁虎脑图谱背景处理生物医学图像分割

基于深度学习的主动脉夹层图像分割和检测方法研究

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

基于深度学习的主动脉夹层图像分割和检测方法研究

作者：程俊龙新疆大学

学位级别：硕士

主动脉夹层(Aortic Dissection,AD)是一种危险的心血管疾病,其形成原因是血液从主动脉内膜裂口流入主动脉壁,使动脉壁分离为真腔和假腔两个区域。任何的延误治疗或误诊都会加重主动脉夹层患者病情,甚至导致患者死亡。临床上通常采用影... 详细信息

主动脉夹层(Aortic Dissection,AD)是一种危险的心血管疾病,其形成原因是血液从主动脉内膜裂口流入主动脉壁,使动脉壁分离为真腔和假腔两个区域。任何的延误治疗或误诊都会加重主动脉夹层患者病情,甚至导致患者死亡。临床上通常采用影像学检查方法对主动脉夹层进行诊断,例如磁共振成像(Magnetic Resonance Imaging,MRI)方法、经胸超声心动图(Transthoracic Echocardiogram,TTE)方法和CT血管造影(CT Angiography,CTA)成像方法等。CTA成像速度快、后处理功能强大,只需要对注射造影剂的主动脉区域进行CT扫描即可,是目前临床和急诊情况下的首选方法之一。由于主动脉夹层的临床表现复杂,并且基层医师对该病认识不足,所以容易造成漏诊和误诊。主动脉夹层图像自动分割可以使医务人员快速、清晰的定位到主动脉病灶区域,忽略非病灶区域的干扰,从而进一步实现主动脉夹层的辅助检测。本文以深度学习相关技术为基础,提出了三种基于深度学习的主动脉CTA图像(Aortic CTA)分割算法,并实现主动脉夹层图像检测。具体工作如下:(1)针对公开主动脉图像数据集匮乏的问题,通过收集其他多种类型的生物医学图像数据集,在此基础上构建可迁移的深度学习模型。结合主动脉夹层患者图像及对照组图像,建立主动脉CTA图像数据集,为进一步研究主动脉夹层图像分割和检测奠定了资源基础。(2)提出了基于全卷积注意力网络(Fully convolutional attention network,FCANet)的图像分割算法,该算法能够有效聚合生物医学图像中远近距离的上下文信息。FCANet在带有扩张策略的Res2Net中加入空间和通道两种类型的注意力模块。利用空间注意力模块来聚合每个空间位置的特征,使相似的特征在空间尺度上相互促进;通道注意力模块用于强调任意两个通道图之间的依赖性;最后,将两种类型注意力模块的输出特征加权求和,保留远近距离的特征信息,使生物医学图像分割更加精准。在三个公开的生物医学图像数据集上对FCANet的有效性进行了验证,并将该算法迁移到Aortic CTA数据集中实现主动脉CTA图像真腔区域的分割。(3)提出了基于CTA图像的主动脉夹层分割和检测算法,该算法能够提高主动脉夹层疾病的检测效率,同时避免手工特征不适用于相似病灶的其他数据集的问题。构建基于U-Net的语义分割架构,并将其应用于Aortic CTA数据集中,实现主动脉真腔区域的自动分割;对分割之后的图像进行主动脉圆度分析获得切片级别的检测结果;定义阈值并汇总所有切片级别的结果,进一步获得患者级别的检测结果。所提算法在1000幅测试图像上实现了89.60%的敏感度和86.80%的特异性,总运行时间为1分47秒,平均每张切片图像所用时间为107毫秒,检测每例患者的平均时间为5.35秒。(4)提出了基于双向密集U型网络(Dual dense u-structure network,DDU-Net)的图像分割算法,该算法具有较强的泛化能力。DDU-Net算法由两个编码器和一个解码器结构组成:第一个编码器使用预先训练的Dense Net-121作为固定特征提取器;第二个编码器采用了与第一个编码器相似的网络结构,从头搭建并训练。两个编码器都尝试对输入图像进行信息编码,每一层都以前馈的方式直接连接到后一层。在解码器中,设计了一种适合双编码器结构的上采样路径,该路径通过密集连接卷积(Densely connected convolutional)使网络深度更深,并融合两个编码器学习到的从低级到高级的语义特征。实验结果表明,DDU-Net在主动脉CTA图像、皮肤癌图像、细胞核图像和肺部图像分割方面优于基准的U-Net和最先进的(State-of-the-art,SOTA)分割算法。

关键词：主动脉CTA图像数据集生物医学图像分割全卷积注意力网络主动脉夹层图像检测双向密集U型网络

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于深度学习的肝小叶自动分割及定量分析

基于深度学习的肝小叶自动分割及定量分析

作者：曾凡新华中科技大学

学位级别：硕士

肝小叶是肝脏的基本结构和功能单位,以中央静脉为中轴,肝血窦、肝板、窦周间隙及胆小管共同组成肝小叶的复杂结构。对于肝脏解剖结构的认识已有上百年,但肝脏中错综复杂的脉管系统和肝小叶之间的空间关系仍有待研究,实现肝小叶的分割对... 详细信息

肝小叶是肝脏的基本结构和功能单位,以中央静脉为中轴,肝血窦、肝板、窦周间隙及胆小管共同组成肝小叶的复杂结构。对于肝脏解剖结构的认识已有上百年,但肝脏中错综复杂的脉管系统和肝小叶之间的空间关系仍有待研究,实现肝小叶的分割对于解析肝小叶的形态结构以及研究其在肝脏中的空间分布有着重要意义。由于肝小叶数据采集的困难性和标注的复杂性,缺乏大量准确标注的数据。肝小叶的边界模糊、形态不规则以及成像数据的质量不够精细,共同造成了肝小叶分割的困难。对于这种全新的、复杂难分的数据,传统的图像分割方法效果并不理想。本研究拟借助卷积神经网络对肝小叶进行自动分割,以提高图像分析的效率,减轻生物学研究者或医生的工作量。本文以课题组共聚焦成像获取的小鼠肝脏图像数据为研究对象,在已建立的肝小叶手工分割方法的基础上,结合肝小叶结构的先验知识,建立肝小叶数据的预处理方法,并设计了一种结合多尺度特征预测融合和注意力机制的分割模型。多尺度模块将跳跃连接多个中间层生成的特征聚合起来进行预测,利用不同尺度上的全局信息。注意力机制消除了跳跃连接中的无关性和噪声响应带来的歧义,增加了模型对前景像素的敏感度。该模型在肝小叶数据集上的MIo U为0.7161,平均Dice系数为0.8254。与几个主流的分割网络相比,它在引入参数较少的情况获得了更好的分割性能。将二维肝小叶数据三维重建和渲染,分别对自动分割和手动分割的肝小叶定量分析。统计结果表明,自动分割的191个肝小叶平均体积为0.0788±0.0042 mm,平均面积为1.18±0.05 mm。手动分割的150个肝小叶平均体积为0.0674±0.0036 mm,平均面积为1.09±0.04 mm。通过球形度、扁椭圆度和长椭圆度三个量化参数来描述肝小叶的形态,球形度集中在0.6～0.8,扁椭圆度远大于长椭圆度,肝小叶的形态偏向于不规则的扁状多边棱柱体,类似卵石状。与手工分割的量化结果对比,两种方法计算的肝小叶体积(P=0.2230)和面积(P=0.6037)无显著性差异。而自动分割的肝小叶形态更不规则,这可能与肝小叶边缘的分割不够精细存在粘连有关。总体而言,自动分割方法在提高肝小叶分割效率的同时,较好地保证了数据分析的准确性。

关键词：肝小叶卷积神经网络生物医学图像分割多尺度注意力机制定量分析