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。
基于深度学习的肺部CT图像分割算法研究
这是一篇关于肺结点,残差模块,3D U-Net,注意力机制,深度监督,多尺度卷积,U-Net的论文, 主要内容为肺癌是当今世界死亡率最高的癌症,如果能够在肺癌发生的早期发现并及时治疗,可以明显降低肺癌死亡率。利用图像分割技术对患者肺部CT图像中发生病变的区域进行精准分割,可以提高肺癌早期诊断率。传统图像分割方法分割精度低且需要大量人工操作。近年来分割精度更高且特征表征能力更强的深度神经网络在图像分割领域得到了广泛应用。因此,本文以U-Net和3D U-Net网络这两种深度学习方法为基础展开研究。主要贡献如下:(1)基于深度残差网络和注意力机制的U-Net图像分割算法研究针对U-Net中的传统CNN网络随着深度增加出现网络性能退化的问题,本文探索了一种特征提取能力更强的深度学习方法;针对肺结点大小形态各异且容易受到周围组织干扰的问题,设计了两种不同尺度的卷积模块;针对U-Net中跳跃连接忽略了通道间关系的问题,引入了注意力机制。首先对特征提取网络进行改进,将表征能力更强的深度残差网络作为主干网络。其次参考Inception设计了大核卷积模块,并引入小核卷积模块,提取全局语义信息和局部几何信息。最后使用注意力模块,加强特征通道之间的联系,使特征表达更丰富。在LUNA16数据集上进行实验,最终实验结果表明本文模型相较于基础U-Net网络精确度提高了3.86%,DICE提升了5.53%。(2)基于注意力机制和深度监督的3D U-Net图像分割算法研究针对2D U-Net模型中没有考虑CT图像三维空间特性的问题,本文探索了一种分割精度更高的3D U-Net模型;针对二维注意力模块无法适用于高维数据的问题,改进了3D U-Net的注意力模块;针对模型对于不同形态和大小的特征鲁棒性低的问题,利用深度监督方法进行改进。首先将U-Net模型中的二维卷积核替换为三维卷积核以适应不经过切片处理的完整CT图像。其次将二维注意力模块扩展到三维,使模型在空间和通道维度获得了整个全局范围内特征之间的依赖。最后利用深度监督方法,防止浅层特征丢失,同时避免梯度消失等问题。实验结果表明,3D U-Net模型比原始2D U-Net模型有着更强的分割性能,同时相较于基础3D U-Net模型,本文方法平均交并比提高了1.92%,DICE系数提高了2.59%,MPA系数提高了2.04%。(3)基于3D CNN的肺结点分类研究针对3D U-Net分割结果中出现的假阳性样本,本文设计了一种分类网络对其进行区分。将所有分割后的肺结点作为输入,使用3D CNN网络进行特征提取,最后使用全连接网络整合特征并分类。实验结果表明,通过筛选,有效降低了假阳性样本的比例,降低了发生误诊的概率。
基于改进U-Net的机翼结冰冰形识别技术研究
这是一篇关于机翼结冰,图像分割,神经网络,U-Net,残差模块,CBAM的论文, 主要内容为结冰是影响飞机飞行安全的重要因素之一,飞机从设计制造到投入运营,都必须关注飞机结冰问题,对飞机关键部位的结冰探测也尤为重要。目前,常用的单点结冰探测器只能提供结冰信号,难以给出飞机某一区域整体的结冰状态;目视探测又往往存在一些经验上的判断,只能作为飞机结冰的辅助探测装置。为了实现机翼结冰的精确化、具体化识别,本文提出一种基于改进U-Net的机翼结冰冰形识别方法,完成对机翼结冰冰形的像素级识别。首先,针对机翼结冰图像样本采集困难、成本高昂的问题,本文设计并搭建了简易冰风洞结冰实验平台模拟风速0～18.5m/s;平均过冷水滴直径26.3～32.5 m;水滴含量0.8～0.9g/m3;温度-15～0℃的机翼结冰环境条件,进行机翼结冰实验并采集机翼模型结冰图像样本。结合高斯噪声、HSV变换等图像处理方法实现样本增强,构建机翼结冰图像样本集,用于机翼结冰冰形识别的神经网络训练。其次,针对结冰透明度高、冰形边界模糊的问题,本文在U-Net网络模型跳跃连接通道加入CBAM,搭建了Att U-Net网络模型,通过对下采样过程特征图进行通道和空间注意力处理,提高网络模型对冰形边界的识别能力。对比实验得出,引入CBAM的Att U-Net网络模型对机翼结冰测试集图像样本中的识别查全率达到了93.48%,相较于U-Net网络模型提高了8.69个百分点。针对机翼结冰图像样本存在多因素的干扰,图像样本背景复杂,导致U-Net网络模型识别精确率低下的问题。本文引入残差模块构建RU-Net网络模型,以防止训练过程中出现梯度消失的问题,更进一步挖掘结冰区域特征,区分背景干扰,以提高U-Net网络模型识别精度。对比实验结果表明,引入残差模块的RU-Net网络模型对机翼结冰测试集图像样本识别精确率达91.49%,远高于78.32%的U-Net识别效果。为了U-Net网络模型能够同时具备对复杂背景的抗干扰能力和冰形模糊边界的精确识别能力,将CBAM和残差模块进行整体融合并入U-Net结构,同时在网络模型的输出端加入形态学处理算法,构建针对机翼结冰冰形识别的改进U-Net网络模型。在相同软硬件平台进行U-Net、Att U-Net、RU-Net以及改进U-Net网络模型的性能对比实验,结果与U-Net网络模型相比,识别查全率和精确率分别提升11.98、17.00个百分点,验证了改进模块对网络模型性能的提升。利用改进U-Net网络模型对蓝天、阴天背景以及不同翼面logo的机翼结冰图像样本进行识别测试,精确率均在90%以上,验证了网络模型的泛化能力。最后,利用改进U-Net网络模型对机翼结冰过程第5min、10min和20min的图像样本进行识别,结果表明,在机翼结冰初期,机翼前缘区域会迅速与过冷水滴碰撞并在整个区域内形成薄冰,随着时间的推移,翼面结冰面积变化较小。通过统计改进U-Net网络模型识别结果中结冰区域所占像素个数的方法,直观的反映出机翼结冰过程中结冰区域面积的变化,充分的验证了改进U-Net网络模型对机翼结冰区域面积变化的感知能力。
基于U-Net网络的肝脏及其肿瘤CT图像分割方法的研究
这是一篇关于肝脏肿瘤分割,U-Net,残差模块,空洞卷积,注意力机制的论文, 主要内容为肝癌是全世界发病率和死亡率极高的恶性肿瘤,严重威胁着人们的身体健康,通过早期的筛查和治疗可以有效地减少癌症的发病率和死亡率。医生获取病人腹部CT图像后,要进一步判断肝脏肿瘤的位置、大小、体积等信息,需要将图像中肝脏肿瘤区域标注出来,然而手工分割需要耗费大量的时间和精力。为了提升肝脏肿瘤分割的精准度和效率,本文提出了基于U-Net网络的肝脏及其肿瘤CT图像分割方法的研究。(1)针对传统的基于灰度、边缘、纹理分割方法的缺点,本文提出了基于改进的2D U-Net网络的肝脏及其肿瘤图像分割方法,将2D U-Net网络作为基础网络,在网络的卷积层加入了残差学习模块,防止网络训练过程中出现过拟合;针对肝脏肿瘤在CT图像中占比较小,损失函数容易陷入局部最小值的问题,将交叉熵损失函数和Dice损失函数组成混合损失函数,有效地解决了网络训练过程中出现类别不均衡问题。(2)针对2D U-Net网络没有学习到图像空间信息的问题,本文提出了 3D U-Net网络。为了防止网络训练过程中出现梯度消失,提升网络的收敛性能,引进了残差模块,同时引进空间位置注意力机制和通道注意力机制,将空间维度与通道维度的语义信息进行关联建模,将图像的全局特征和局部特征相联合,增强特征的表达能力。(3)针对3D U-Net网络进行肝脏及其肿瘤分割计算量很大,储存需求高,端到端的训练受到GPU内存和数据大小限制的问题,提出了 2.5D U-Net网络。本文在网络的编码层和解码层之间引入空洞卷积,减少了特征损失,增大了肝脏及其肿瘤的视野感知域,提高肝脏及其肿瘤图像检测和分类的精度,同时引入空间位置注意力机制和通道注意力机制,增强特征的表达能力。运用改进的U-Net网络进行肝脏及其肿瘤的分割,实验结果表明,改进后的网络模型具有较好的优化效果,能够将肝脏及其肿瘤从腹部CT图像中精确分割,具有一定的临床参考价值。
基于多尺度密集连接3DU-Net的肺结节分割方法研究
这是一篇关于医学图像分割,深度学习,3DU-Net,多尺度密集连接,残差模块的论文, 主要内容为肺癌作为全球发病率、死亡率均位居前列的疾病,严重危害人类的健康,尽早发现与治疗是降低肺癌死亡率的重要手段。肺结节是肺癌的早期存在形态,及时诊断肺结节是提高肺癌患者治愈率的关键。CT技术是目前临床医学中应用最为广泛的诊疗手段,但CT诊疗产生的数据以指数倍形式迅速增长。因此,医生人工观察CT图像进行疾病诊断需要巨大的工作量,效率较低,且诊断结果通常带有较强的主观性。为提高医生的诊断效率、减少医生的工作量,通过计算机、人工智能技术对医学图像中的肺结节进行分割尤为重要。而如何基于人工智能技术对CT图像进行高效精准的分割,是本文关注的重点研究问题。U-Net网络是一种典型的深度神经网络,因其结构相对简单、泛化能力较强,成为医学图像分割领域常用的一种网络。但随着网络深度的加深,U-Net网络会出现梯度消失的问题,并且未充分利用不同尺度之间的特征信息。针对以上问题,本文提出一种基于多尺度密集连接3DU-Net网络模型(Multi-scale Densely Connection 3DU-Net,MSDU-Net)的肺结节分割方法。本文基于U-Net网络的严格对称结构,提出多尺度密集连接(Multi-scale Densely Connection,MSD)模块,其可将网络中不同尺度的特征融合在一起共同作为本阶段(Stage)的输入,使得在网络的每一阶段中所获得的输入信息均为以前阶段的全部特征,从而提高整体网络的分割效果。并且,本文引入残差3D卷积(Residual 3D Convolution,R3D-conv)模块,将U-Net网络与残差网络相结合,可以有效解决深度卷积网络中由于层数加深而产生的梯度消失问题。本文在原始U-Net网络架构中同时嵌入R3D-conv模块和所提出的MSD模块,构建一个新的网络模型,即MSDU-Net。为了验证提出的MSDU-Net模型的分割准确率,本文在两个经典的肺部医学图像数据集蒙哥马利县X射线数据集和LUNA16数据集上对其性能进行了测试,并将其与目前一些分割性能较好的医学图像分割方法进行了对比。实验结果表明本文提出的MSDU-Net模型可以取得较好的分割效果,性能总体上优于其他对比方法。
基于深度学习的脑肿瘤医学图像分割方法研究
这是一篇关于脑肿瘤分割,U-Net,注意力机制,残差模块,一致性正则化的论文, 主要内容为脑肿瘤是一种治疗难度高、死亡率高、复发率高的顽固性疾病。目前在众多的医疗方案中手术切除是脑肿瘤最有效的治疗方法,可有效延长患者生命。在现实生活中,许多患脑肿瘤的病人没有得到及时准确的诊断,错过治疗最佳时机。所以在早期诊断时,精确的医学图像分割技术有助于医生及时准确地给出诊断结果,开展后续治疗。目前,大量基于深度学习的医学图像辅助人工判断方法被提出,有效地提升了医生的诊断效率。然而,由于脑肿瘤存在形态多变,肿瘤组织边缘模糊和标签数据匮乏等特点,实现精确自动分割脑肿瘤医学图像成为近年来计算机领域的挑战任务。因此,本文从深度学习算法的角度来实现脑肿瘤图像的精确分割,主要工作包括:(1)为解决脑肿瘤分割任务中肿瘤形态复杂以及肿瘤组织边缘分割模糊的问题,本文针对脑肿瘤数据的特点,提出一种基于多尺度的双注意力U-Net的脑肿瘤医学图像分割模型-DF-Rep UNet。首先,将Rep VGG模块融入U-Net编码层中,形成多尺度编码模块,以提高模型对样本整体特征的提取能力。其次,引入一种基于通道和空间的注意力特征融合拼接模块SDAM,该模块通过加权融合特征通道和空间像素,提取浅层特征中分割目标位置信息和区域边缘信息,进而提高目标定位精度和缓解边缘模糊问题。最后,将基于亚像素融合的金字塔模块融入U-Net解码层中,以缓解上采样带来的通道信息丢失,进而提高预测模型的鲁棒性。经实验证明,DF-Rep UNet模型中每个模块都具有效性,而且整体性能优于其他经典的脑肿瘤分割方法。(2)为解决大量无标签脑肿瘤医学图像无法有效利用的问题,本文提出一种名为MC-MTN的改进模型。该模型引入多插值一致性正则化和平均教师网络,旨在建立半监督学习模型,有效利用无标签数据中的特征,从而提高模型在分割不同样本时的鲁棒性和精确度。首先,提出一种改进的平均教师网络,通过引入动态衰减因子从而改进学生网络和教师网络参数传递过程,使得模型更加适用于脑肿瘤医学图像。其次,提出一种多插值一致性正则化方法,通过三张图片进行插值处理来引入对抗方向上的扰动,从而增强半监督模型中的监督信号。经实验证明,MC-MTN模型能够有效地提升DF-Rep UNet在Bra TS脑肿瘤数据集上的分割效果,且整体性能优于其他最新的脑肿瘤分割方法。
基于U-Net网络的肝脏及其肿瘤CT图像分割方法的研究
这是一篇关于肝脏肿瘤分割,U-Net,残差模块,空洞卷积,注意力机制的论文, 主要内容为肝癌是全世界发病率和死亡率极高的恶性肿瘤,严重威胁着人们的身体健康,通过早期的筛查和治疗可以有效地减少癌症的发病率和死亡率。医生获取病人腹部CT图像后,要进一步判断肝脏肿瘤的位置、大小、体积等信息,需要将图像中肝脏肿瘤区域标注出来,然而手工分割需要耗费大量的时间和精力。为了提升肝脏肿瘤分割的精准度和效率,本文提出了基于U-Net网络的肝脏及其肿瘤CT图像分割方法的研究。(1)针对传统的基于灰度、边缘、纹理分割方法的缺点,本文提出了基于改进的2D U-Net网络的肝脏及其肿瘤图像分割方法,将2D U-Net网络作为基础网络,在网络的卷积层加入了残差学习模块,防止网络训练过程中出现过拟合;针对肝脏肿瘤在CT图像中占比较小,损失函数容易陷入局部最小值的问题,将交叉熵损失函数和Dice损失函数组成混合损失函数,有效地解决了网络训练过程中出现类别不均衡问题。(2)针对2D U-Net网络没有学习到图像空间信息的问题,本文提出了 3D U-Net网络。为了防止网络训练过程中出现梯度消失,提升网络的收敛性能,引进了残差模块,同时引进空间位置注意力机制和通道注意力机制,将空间维度与通道维度的语义信息进行关联建模,将图像的全局特征和局部特征相联合,增强特征的表达能力。(3)针对3D U-Net网络进行肝脏及其肿瘤分割计算量很大,储存需求高,端到端的训练受到GPU内存和数据大小限制的问题,提出了 2.5D U-Net网络。本文在网络的编码层和解码层之间引入空洞卷积,减少了特征损失,增大了肝脏及其肿瘤的视野感知域,提高肝脏及其肿瘤图像检测和分类的精度,同时引入空间位置注意力机制和通道注意力机制,增强特征的表达能力。运用改进的U-Net网络进行肝脏及其肿瘤的分割,实验结果表明,改进后的网络模型具有较好的优化效果,能够将肝脏及其肿瘤从腹部CT图像中精确分割,具有一定的临床参考价值。
基于超声图像的胎儿头部周长测量方法研究
这是一篇关于胎儿头部周长测量,残差模块,U-net,Canny算子的论文, 主要内容为胎儿头部周长是胎儿重要的生理指标之一,可以从孕妇的产前超声图像中获得。在超声图像中识别并准确分割胎儿头部区域的边缘对准确计算胎儿头部周长至关重要。因此,本课题对在超声图像中自动检测胎儿头部边缘及测量胎儿头部周长进行了相关研究。为了减少数据量不足带来的误差,对原始数据集进行数据增强;针对超声图像中头部边缘模糊,部分胎儿头部轮廓缺失两类问题,对数据使用直方图均衡化及线性变换进行两次对比度增强处理。针对超声图像中孕妇的子宫内部存在与胎儿头部区域内部结构相似区域所带来的问题,采用YOLOv5网络对超声图像中的胎儿头部区域进行矩形目标区域检测,最大限度地去除相似结构所带来的影响。对超声图像中的胎儿头部区域进行矩形目标区域检测后需对胎儿头部的椭圆形目标区域进行分割。为达到这一目标,本课题所采用的基础模型为U-net网络模型。为了避免在网络训练过程中因网络深度加深而出现梯度爆炸或梯度消失的情况,用残差网络结构替代原始U-net网络模型的特征提取网络结构;为了进一步减少超声图像中胎儿头部边缘模糊及部分轮廓缺失带来的影响,添加空间注意力机制模块使网络更多地关注于目标区域;在网络中添加带有空洞卷积的空间金字塔模块,空洞卷积中的扩张率使网络具有不同大小的感受野,同时保证网络的分辨率,空间金字塔模块使网络在不增加参数的情况下留下更多的图像特征;多尺度监督采用相同的损失函数通过不同的尺度掩模对得到的特征信息进行监督,从而使获得的特征信息更加多样化;为了解决超声图像中目标区域与背景区域占比不均的问题,提出一种改进后的损失函数。为提高胎儿头部区域边缘轮廓的拟合精度,使用高斯函数的一阶偏导数平滑图像代替原始Canny算子中的高斯函数;针对原始Canny算子中拟合边缘较厚的问题,提出使用迭代选取单阈值的方法替代原始算子的双阈值方法,同时使用放大插值的方法对算子所得边缘进行细化。利用细化后的边缘计算胎儿头部周长。胎儿头部目标区域分割实验在8个评价指标中采用IoU系数及DICE系数作为主要参考指标,得到IoU系数为0.9465,DICE系数为0.9794;胎儿头部周长测量实验中得到DICE系数为98.02±1.36,AD为2.12±1.36,HD为1.25±1.54。实验结果表明,本文方法可以有效提高胎儿头部周长测量的准确率。
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：源码项目助手 ，原文地址：https://bishedaima.com/lunwen/48559.html
