基于深度学习的直肠肿瘤磁共振图像分割系统设计与实现

这是一篇关于医学图像分割,数据增强,CycleGAN,UNet,注意力机制,分割系统的论文, 主要内容为直肠肿瘤病灶区域的精确分割可以为肿瘤的临床治疗和预后监测提供重要依据。然而目前直肠肿瘤分割任务中存在着诸多问题:缺少高质量的数据集;主流分割网络无法完成直肠肿瘤的高精度分割任务;缺少便捷可靠的自动化分割系统等。针对上述问题,本文通过研究基于卷积神经网络的图像增强与分割算法,实现直肠肿瘤磁共振图像(Magnetic Resonance Imaging,MRI)的数据增强和自动分割。本文主要工作与创新归纳为以下几个方面:(1)为了解决高质量直肠肿瘤MRI数据集稀缺的问题,本文通过改进Cycle GAN网络实现直肠肿瘤CT图像与MRI图像的域迁移和重建,基于域迁移和仿射变换的方法构建高质量直肠肿瘤数据集。首先,本文使用UNet++网络作为Cycle GAN网络的基础网络结构,平衡UNet网络中浅层特征与深层特征的比重;其次,在UNet++网络的跳跃连接处引入空间域和通道域的混合注意力机制,对通道域特征信息的权重进行自适应分配;最后,引入SSIM损失函数改进Cycle GAN网络中的循环一致损失和本体映射损失函数,保证重建图像与原始图像的结构一致性。(2)为了实现直肠肿瘤MRI图像中病灶区域的高精度分割,本文在U-Net网络的基础上设计了一种新型分割网络DCMSG-UNet。首先,该网络使用空洞卷积和多头自注意力机制改进分割网络中基础的特征提取模块,在不改变卷积核大小的情况下,提取到更大感受野的特征信息,并使用多头自注意力机制捕获不同感受野中特征信息的长依赖;其次,该网络增加了一条解码器路径,利用该路径融合多尺度特征的下采样信息,实现直肠肿瘤的粗分割;最后,该网络使用GAM混合注意力机制放大附加解码器路径的维度交互特征,然后传入原始解码器路径细化分割结果,从而得到更准确的分割结果。(3)为了实现直肠肿瘤的可视化与交互分割,本文基于PyQt5开发了直肠肿瘤MRI图像分割系统,辅助医生进行直肠肿瘤的临床医学诊断。该系统实现了直肠肿瘤图像的自动分割与可视化、肿瘤分割结果与真实标签的数字量化等功能。综上所述,本文提出的DCMSG-UNet网络集成了UNet网络、空洞卷积、多头自注意力机制和通道注意力机制的优势,在使用Cycle GAN与仿射变换构建的直肠肿瘤数据集上进行实验验证,证明了本文设计的直肠肿瘤图像样本增强方法和分割网络的有效性与合理性。基于DCMSG-UNet分割网络开发的分割系统可以有效地实现直肠肿瘤图像的自动分割任务,为临床医学诊断提供重要参考信息,具有一定的研究意义。

基于深度学习的直肠肿瘤磁共振图像分割系统设计与实现

这是一篇关于医学图像分割,数据增强,CycleGAN,UNet,注意力机制,分割系统的论文, 主要内容为直肠肿瘤病灶区域的精确分割可以为肿瘤的临床治疗和预后监测提供重要依据。然而目前直肠肿瘤分割任务中存在着诸多问题:缺少高质量的数据集;主流分割网络无法完成直肠肿瘤的高精度分割任务;缺少便捷可靠的自动化分割系统等。针对上述问题,本文通过研究基于卷积神经网络的图像增强与分割算法,实现直肠肿瘤磁共振图像(Magnetic Resonance Imaging,MRI)的数据增强和自动分割。本文主要工作与创新归纳为以下几个方面:(1)为了解决高质量直肠肿瘤MRI数据集稀缺的问题,本文通过改进Cycle GAN网络实现直肠肿瘤CT图像与MRI图像的域迁移和重建,基于域迁移和仿射变换的方法构建高质量直肠肿瘤数据集。首先,本文使用UNet++网络作为Cycle GAN网络的基础网络结构,平衡UNet网络中浅层特征与深层特征的比重;其次,在UNet++网络的跳跃连接处引入空间域和通道域的混合注意力机制,对通道域特征信息的权重进行自适应分配;最后,引入SSIM损失函数改进Cycle GAN网络中的循环一致损失和本体映射损失函数,保证重建图像与原始图像的结构一致性。(2)为了实现直肠肿瘤MRI图像中病灶区域的高精度分割,本文在U-Net网络的基础上设计了一种新型分割网络DCMSG-UNet。首先,该网络使用空洞卷积和多头自注意力机制改进分割网络中基础的特征提取模块,在不改变卷积核大小的情况下,提取到更大感受野的特征信息,并使用多头自注意力机制捕获不同感受野中特征信息的长依赖;其次,该网络增加了一条解码器路径,利用该路径融合多尺度特征的下采样信息,实现直肠肿瘤的粗分割;最后,该网络使用GAM混合注意力机制放大附加解码器路径的维度交互特征,然后传入原始解码器路径细化分割结果,从而得到更准确的分割结果。(3)为了实现直肠肿瘤的可视化与交互分割,本文基于PyQt5开发了直肠肿瘤MRI图像分割系统,辅助医生进行直肠肿瘤的临床医学诊断。该系统实现了直肠肿瘤图像的自动分割与可视化、肿瘤分割结果与真实标签的数字量化等功能。综上所述,本文提出的DCMSG-UNet网络集成了UNet网络、空洞卷积、多头自注意力机制和通道注意力机制的优势,在使用Cycle GAN与仿射变换构建的直肠肿瘤数据集上进行实验验证,证明了本文设计的直肠肿瘤图像样本增强方法和分割网络的有效性与合理性。基于DCMSG-UNet分割网络开发的分割系统可以有效地实现直肠肿瘤图像的自动分割任务,为临床医学诊断提供重要参考信息,具有一定的研究意义。

基于卷积神经网络的月球撞击坑识别研究

这是一篇关于月球撞击坑识别,UNet,分层策略,MaskRCNN的论文, 主要内容为月球撞击坑作为月球表面最普遍的地貌结构单元,记载了月球数十亿年间的撞击历史,对月球撞击坑的精准判读有助于推动月球的探索进程,构建人类对月球的深层次认知。近年来,随着深空探测技术的加速发展,高精度的月球测量数据为月球撞击坑的精准识别提供了研究基础。早期的撞击坑识别研究主要使用形态学、统计学等方法,通过人工构造撞击坑的几何特征对其进行识别,但是这些方法计算量大、操作复杂,且识别精度较低,难以适应当前研究需要。卷积神经网络因其强大的数据表征能力在图像识别领域异军突起,应用卷积神经网络对撞击坑进行精准识别已经成为当前该领域的主流研究方向。然而,由于月球撞击坑数量众多,且不同区域、大小、年代的撞击坑特征各异,常规的卷积神经网络难以对其进行有效区分,因此本论文在已有研究的基础上,对撞击坑识别应用的难点问题进行深入分析,一方面通过改进现有卷积神经网络架构以增强其对撞击坑的学习能力,另一方面针对撞击坑的直径特征提出分层策略来提高对训练数据的利用程度。本论文选取了美国NASA实验室提供的高精度月球数字高程模型作为实验数据,依据月球撞击坑专家标记库使用Python软件进行自动标注,分别以语义分割任务和目标检测任务为切入点展开实验,对改进网络和分层策略的有效性进行验证。本论文的主要研究内容如下:(1)在语义分割任务中,选用UNet架构作为撞击坑语义分割实验的基础框架,设计了基于UNet架构的Res UNet、DARUNet和Mobile UNet网络,以特征提取能力更强的Res Net网络和运算更高效的Mobile Net网络替换原始UNet网络的编码层,加强对撞击坑特征的提取能力和运行效率,同时设计了Dense ASPP模块以增强网络的多尺度特征捕获能力,并在Res UNet的基础上提出了DARUNet网络。最后结合各网络的分割结果,设计了后处理模块以改善对撞击坑的整体分割效果。(2)在目标检测任务中,基于深度学习框架MMdetection重新构建实例分割模型Mask RCNN网络,优化模型的训练过程,增加数据增强操作,增强模型泛化性,并根据月球撞击坑的直径范围提出分层策略,保留大型撞击坑特征,生成多尺度月球撞击坑数据集,提高网络对训练数据的利用程度。实验结果显示,本论文构建的Res UNet网络的1分数最高达到68.42%,DARUNet网络的1分数达到68.73%,Mobile UNet网络的1分数达到68.45%,均超过经典方法Deep Moon的实验精度66.40%,经过后处理模块后,2分数达到76.23%,有效提高了预测精度;Mask RCNN模型在原始数据集的预测结果中1分数达到了83.4%,在使用数据分层策略后,Mask RCNN模型的1分数达到84.3%。

公路路面病害智能检测技术研究与应用

这是一篇关于路面病害检测,深度学习,YOLOv5,UNet的论文, 主要内容为公路作为重要的交通基础设施,对国民经济发展起着至关重要的促进作用。为加快建设交通强国,国家大力开展交通基础设施建设,公路规模不断扩大。随着大量公路被投入使用,受行车荷载和自然环境等因素影响,以坑槽和裂缝为主的路面病害日益增多,导致公路耐久能力和承载能力降低,安全隐患日益突出。路面病害检测是路面及时养护与修复的关键,对于公路养护决策具有重要的指导意义。传统路面病害检测主要依赖人工调查,效率低、安全性不高,无法满足大规模公路养护的实际需求,亟需实现路面病害的智能化检测。近年来,随着图像处理和深度学习技术的快速发展,国内外已经研发了一些路面病害智能化检测技术,但是这些技术的研究主要以裂缝为主,病害类型较为单一;受实际复杂的背景信息干扰,检测精度较低;模型体积较大难以满足实际部署的需求。为解决以上关键问题,本文以坑槽和裂缝两种主要的路面病害类型为研究对象,开展公路路面病害智能检测技术研究。主要研究内容及成果如下:1.针对现有路面病害数据集病害类型较为单一、场景类型较为简单,难以满足实际检测需求的难题,本文以《公路技术状况评定标准》(JTG 5210-2018)中的描述指导,构建了多种类、多场景类型、包含类别标注和语义标注的路面病害检测数据集HPDDD和路面病害分割数据集HPDSD。通过人工拍摄、网络爬虫等方式获取了坑槽、横向裂缝、纵向裂缝和复杂裂缝四种路面病害类型,晴天、雨天、阴影干扰等多种场景类型,沥青路面、水泥路面、砂石路面等多种路面类型,以及不同尺度样本大小的路面病害图像,丰富了数据集的种类、场景类型和样本的多样性。经数据预处理和人工标注形成规范化的数据集,并采用数据增强方法对少量类别样本图像进行扩充,完成了HPDDD和HPDSD的构建。2.针对现有路面病害检测算法容易受光照、阴影、车道线、旁车、井盖等复杂背景信息干扰,检测精度较低,模型体积较大难以部署的难题,提出了基于改进YOLOv5算法的路面病害检测模型YOLOv5＿S+G+RS。基于所构建的HPDDD数据集,本文首先通过对比经典目标检测算法的检测性能,验证了YOLOv5算法在路面病害检测问题上的优越性。然后针对YOLOv5算法对路面病害关键特征提取能力不强、计算复杂度较高以及模型泛化性不强的问题,通过融合注意力模块、模型轻量化设计和数据重采样机制等方法对YOLOv5算法进行改进,设计和实现了YOLOv5＿S+G+RS模型。实验表明,本文方法能够实现复杂背景环境条件下多种路面病害类型的检测和识别,m AP指标高达93.4%,具有较高的检测精度,模型参数量仅为5M左右,为实际部署带来了可能。3.在路面病害检测的基础上,提出了基于改进UNet算法的路面病害分割模型UNet＿ECA+AG,探索了基于形态学操作的分割结果量化分析方法,实现对检测的路面病害区域的分割提取和量化分析。基于所构建的HPDSD数据集,本文选用经典图像分割算法UNet的模型架构搭建了路面病害分割网络框架,针对路面病害形状不规则、轮廓不清晰,受光照、阴影等外界因素干扰导致分割效果较差的问题,通过融合空间注意力和通道注意力方法对UNet算法进行改进,设计和实现了UNet＿ECA+AG模型。实验表明,本文方法能够实现对路面病害区域更为全面的特征关注和学习,准确分割病害区域。通过对分割后的病害区域进行形态学操作获取了病害的长度、宽度和面积,可辅助路面病害的损坏评估,为公路养护决策提供客观数据支持。4.设计和搭建了公路路面病害智能检测管理平台。该平台基于主流系统框架Vue+Element-plus+Spring Boot进行开发,包含路面病害数据采集轨迹、病害检测、病害分割以及病害信息查询等功能,实现了路面病害数据采集、可视化分析、存储和管理的有效统一,将公路路面病害智能检测技术推向了实际应用。

基于语义分割的胶带识别与自动开箱系统设计

这是一篇关于胶带识别,语义分割,UNet,纸箱自动开箱系统,双目视觉的论文, 主要内容为近年来,我国跨境电商与国际物流行业蓬勃发展,海关口岸检验检疫邮寄物数量逐年递增。目前只能依靠海关人员对可疑邮寄物开箱查验,人工操作危险性大。因此,本文针对可疑纸箱的智能拆包问题,设计了一种基于语义分割的胶带识别算法,并开发了一套纸箱自动开箱系统。主要工作如下:首先,介绍了卷积神经网络的原理与构成,分析了目前用于语义分割网络模型的常用评价指标;构建了胶带数据集,用于语义分割网络模型的训练和测试。其次,进行纸箱胶带识别算法的设计与实验。在UNet算法的编码-解码框架的基础上,采用残差结构作为特征提取主干网络,不再使下采样得到的特征图与上采样得到的特征图直接堆叠,使用空洞空间卷积池化金字塔对下采样的特征图进行特征扩充后,再与上采样得到的特征图堆叠。分别使用UNet、PSP-Net与本文设计的算法模型在胶带数据集上进行实验对比。结果表明,相比Unet、PSPNet算法,本文设计的胶带识别算法在平均像素准确率上分别提高1.71%和0.41%,达到了81.45%;在平均交并比评价指标上分别提高了1.25%和0.73%,达到了78.09%。然后,进行纸箱自动开箱系统的设计与搭建。基于纸箱自动开箱系统功能分析,确定该系统主要包括三部分:传感系统、控制系统及机器人部分。传感系统由双目相机与传感器组成,负责检测纸箱到达工作区及获取纸箱图像;控制系统由计算机与PLC控制器组成,用于人机交互、图像信息计算处理及工作台开箱作业流程控制;机器人部分实现对纸箱切割作业。最后,开展纸箱自动开箱系统实验与分析。结合本文设计的纸箱识别算法与胶带识别算法分别对纸箱、胶带进行识别与定位,最后使用机器人对纸箱进行切割。实验结果表明:纸箱开箱系统能在25s内完成整个纸箱切割的流程,纸箱切割定位误差在2.5mm以内。

公路路面病害智能检测技术研究与应用

这是一篇关于路面病害检测,深度学习,YOLOv5,UNet的论文, 主要内容为公路作为重要的交通基础设施,对国民经济发展起着至关重要的促进作用。为加快建设交通强国,国家大力开展交通基础设施建设,公路规模不断扩大。随着大量公路被投入使用,受行车荷载和自然环境等因素影响,以坑槽和裂缝为主的路面病害日益增多,导致公路耐久能力和承载能力降低,安全隐患日益突出。路面病害检测是路面及时养护与修复的关键,对于公路养护决策具有重要的指导意义。传统路面病害检测主要依赖人工调查,效率低、安全性不高,无法满足大规模公路养护的实际需求,亟需实现路面病害的智能化检测。近年来,随着图像处理和深度学习技术的快速发展,国内外已经研发了一些路面病害智能化检测技术,但是这些技术的研究主要以裂缝为主,病害类型较为单一;受实际复杂的背景信息干扰,检测精度较低;模型体积较大难以满足实际部署的需求。为解决以上关键问题,本文以坑槽和裂缝两种主要的路面病害类型为研究对象,开展公路路面病害智能检测技术研究。主要研究内容及成果如下:1.针对现有路面病害数据集病害类型较为单一、场景类型较为简单,难以满足实际检测需求的难题,本文以《公路技术状况评定标准》(JTG 5210-2018)中的描述指导,构建了多种类、多场景类型、包含类别标注和语义标注的路面病害检测数据集HPDDD和路面病害分割数据集HPDSD。通过人工拍摄、网络爬虫等方式获取了坑槽、横向裂缝、纵向裂缝和复杂裂缝四种路面病害类型,晴天、雨天、阴影干扰等多种场景类型,沥青路面、水泥路面、砂石路面等多种路面类型,以及不同尺度样本大小的路面病害图像,丰富了数据集的种类、场景类型和样本的多样性。经数据预处理和人工标注形成规范化的数据集,并采用数据增强方法对少量类别样本图像进行扩充,完成了HPDDD和HPDSD的构建。2.针对现有路面病害检测算法容易受光照、阴影、车道线、旁车、井盖等复杂背景信息干扰,检测精度较低,模型体积较大难以部署的难题,提出了基于改进YOLOv5算法的路面病害检测模型YOLOv5＿S+G+RS。基于所构建的HPDDD数据集,本文首先通过对比经典目标检测算法的检测性能,验证了YOLOv5算法在路面病害检测问题上的优越性。然后针对YOLOv5算法对路面病害关键特征提取能力不强、计算复杂度较高以及模型泛化性不强的问题,通过融合注意力模块、模型轻量化设计和数据重采样机制等方法对YOLOv5算法进行改进,设计和实现了YOLOv5＿S+G+RS模型。实验表明,本文方法能够实现复杂背景环境条件下多种路面病害类型的检测和识别,m AP指标高达93.4%,具有较高的检测精度,模型参数量仅为5M左右,为实际部署带来了可能。3.在路面病害检测的基础上,提出了基于改进UNet算法的路面病害分割模型UNet＿ECA+AG,探索了基于形态学操作的分割结果量化分析方法,实现对检测的路面病害区域的分割提取和量化分析。基于所构建的HPDSD数据集,本文选用经典图像分割算法UNet的模型架构搭建了路面病害分割网络框架,针对路面病害形状不规则、轮廓不清晰,受光照、阴影等外界因素干扰导致分割效果较差的问题,通过融合空间注意力和通道注意力方法对UNet算法进行改进,设计和实现了UNet＿ECA+AG模型。实验表明,本文方法能够实现对路面病害区域更为全面的特征关注和学习,准确分割病害区域。通过对分割后的病害区域进行形态学操作获取了病害的长度、宽度和面积,可辅助路面病害的损坏评估,为公路养护决策提供客观数据支持。4.设计和搭建了公路路面病害智能检测管理平台。该平台基于主流系统框架Vue+Element-plus+Spring Boot进行开发,包含路面病害数据采集轨迹、病害检测、病害分割以及病害信息查询等功能,实现了路面病害数据采集、可视化分析、存储和管理的有效统一,将公路路面病害智能检测技术推向了实际应用。

基于Transformer的肝脏肿瘤分割算法研究

这是一篇关于肝脏肿瘤分割,UNet,Transformer机制,上下文Bridge,上下文先验层的论文, 主要内容为肝癌是世界范围内最常见的恶性肿瘤之一,严重威胁着人类的生命健康,从计算机断层扫描(Computed Tomography,CT)中精确分割出肝脏肿瘤对后期的临床诊断具有重要的意义。随着深度学习的迅猛发展,医学图像分割取得了很大的进展。肝脏CT图像中的肿瘤位置随机、形态多样、大小不一,且肝脏与周围正常组织器官、肿瘤与肝脏正常组织之间的对比度较低,造成肿瘤边界模糊,受这些因素的制约,现有的很多分割方法存在分割不足、分割过度和小尺度肿瘤漏检等问题,肝脏肿瘤的精确分割仍旧是一项极具挑战的任务。本文针对上述问题开展以下研究:(1)针对肝脏肿瘤分割任务中的边界模糊、小尺度肿瘤漏检问题,基于Transformer机制提出一种肝脏肿瘤分割网络—BBTUNet(Boundary Bridge Transformer UNet)。首先,基于Transformer机制重新设计了UNet的跳跃连接结构,有效弥补了UNet网络结构长依赖性上下文特征提取的不足。其次,引入可分离的空洞卷积提出BFFN(Bridge Feedforward Neural Network)模块,融合多尺度感受野的特征,细化肝脏肿瘤的边界。最后,在3DIRCADB数据集上进行实验测试,结果表明Dice、IOU、Acc、Sen和Spe五种评价指标分别达到82.1%、74.8%、96.4%、78.7%和96.1%,与原始UNet网络相比分别提升了10.9%、6.8%、4.6%、8.4%和5%,有效提升了肝脏肿瘤的分割性能,解决了过度分割和分割不足问题。(2)针对肝脏肿瘤位置随机、多尺度问题,在基于Transformer上下文Bridge的网络上进一步深入研究,提出一种融合上下文先验和交叉注意力的肝脏肿瘤分割网络—CPTCA-Net(Context-prior Transformer Cross-attention-Net)。首先,在编码器阶段添加上下文先验层,将编码器的多尺度特征有效聚合,通过亲和力损失监督获取丰富的类内和类间上下文,得到上下文先验图,将其嵌入到跳跃连接结构中,引导感兴趣区域特征的有效传递;其次,利用高效的Transformer机制构建交叉注意力,重新构建跳跃连接结构,交叉关注编码器与解码器的深层和浅层特征,获得多层级语义特征,缩小编码器与解码器的语义差别,提升网络的分割性能。最后在3DIRCADB数据集上进行肝脏肿瘤分割实验,实验结果表明,提出的CPTCA-Net网络在Dice、IOU、Acc、Sen、Spe五种评价指标分别达到83.2%、75.3%、97.1%、79%和96.7%,与原始UNet网络相比分别提升了12%、7.3%、5.3%、8.7%和5.6%,有效提高了肝脏肿瘤的分割精度。

基于U型神经网络的皮肤病变图像分割算法研究

这是一篇关于医学图像分割,卷积神经网络,UNet,残差机制,注意力机制的论文, 主要内容为随着医学成像技术不断地发展,丰富且多元化的医学图像可以清晰地展示出人体组织器官的形态、蕴含丰富的纹理信息。存在于皮肤病变图像中的皮损是前期诊断、分类等关键步骤的基础,实现对皮肤病变图像的高效分割对于开展皮肤病变研究和临床诊疗具有重要的研究价值和现实意义。UNet网络因灵活性、可迁移性和可优化的模块化设计等优点,成为目前应用最为广泛的医学图像分割架构之一。然而,UNet网络因卷积和池化操作内在的局限性,易造成部分特征信息丢失。同时,跳跃连接也仅能融合相同比例的特征,造成了编-解码器级别的语义鸿沟。本文在深度学习技术框架下,利用深度残差学习机制构建深层次特征提取网络,设计残差递归卷积形式的特征提取层作为模型的主干。同时,以注意力机制融合Atrous空间金字塔池化模块的形式对皮肤病变图像中的关键区域进行关注,并以多尺度的方式提取图像特征。最后,为减少皮肤病变图像中存在的噪声等缺陷对分割网络产生的不良影响,对网络的输入层、输出层进行创新设计,确保改进算法的有效性。论文主要研究工作和创新包括以下几个方面:(1)以深度残差学习策略为设计核心,设计残差递归卷积层作为分割模型主干:残差形式的设计有助于模型提取深层次的图像特征,递归的循环方式对皮肤病变图像进行有效地特征积累。设计Atrous空间金字塔池化模块以三个不同的膨胀率并行地提取皮肤病变图像特征,克服因池化操作而降低特征图分辨率、导致特征信息损失的问题。同时,融合注意力单元对图像中关键特征区域进行关注、忽略无关信息,减少网络编码特征的计算成本。通过对皮肤病变数据集的测试实验结果分析可知,改进的算法可以有效分割正常皮肤和病变区域,降低误诊的可能性。(2)进一步对注意力单元进行改进,采用卷积块注意力模块从信道和空间两个维度对图像特征进行更细致的关注。此外,对算法的输入端和输出端进行创新设计:输入端依旧采用残差的设计思想,消除图像中存在噪声等缺陷对于分割模型的不良影响;输出端则是对来自解码路径中的图像特征从多尺度提取特征,并利用函数将输出特征固定在0-1之间保留其特征属性。从皮肤病变数据集上的验证结果可知,改进后的算法在准确识别、定位和分割病变区域等方面具有显著优势。同时,提高诊断的准确性和可靠性,帮助医生准确识别病变区域并做出正确的诊疗决策。该论文有图46幅,表8个,参考文献98篇。