期刊文献+
共找到419篇文章
< 1 2 21 >
每页显示 20 50 100
基于金字塔卷积和像素注意力的分割方法
1
作者 阴桂梅 肖易勇 +4 位作者 席鑫华 赵艳丽 谭淑平 强彦 罗士朝 《计算机应用与软件》 北大核心 2025年第6期241-248,289,共9页
针对医学图像分割任务中存在的分割目标大小变化跨度大且结构复杂,以及神经网络对目标边缘细节学习效果差这两个问题,在U-Net网络的基础上构造了金字塔空洞卷积与像素级注意力网络(DP-Net)。设计金字塔空洞卷积模块并替换传统的卷积操作... 针对医学图像分割任务中存在的分割目标大小变化跨度大且结构复杂,以及神经网络对目标边缘细节学习效果差这两个问题,在U-Net网络的基础上构造了金字塔空洞卷积与像素级注意力网络(DP-Net)。设计金字塔空洞卷积模块并替换传统的卷积操作,通过多种空洞卷积的组合扩展了网络感受野并编码得到全局上下文信息;提出像素级注意力模块,在通道注意力机制的基础上进一步编码像素间的依赖关系使网络能从不同通道的特征中学习到更丰富的局部上下文信息。通过在肺部公开数据集LIDC和私人肝肿瘤数据集上进行实验评估,所提出的DP-Net在三种评估指标上都获得优于当前方法的性能,证明所提出网络改进在分割精度方面的有效性。 展开更多
关键词 深度学习 医学图像处理 图像分割 注意力机制 空洞卷积
在线阅读 下载PDF
分割图像辅助的自监督医学图像配准
2
作者 李宗民 王群 +1 位作者 李泫廷 杨超智 《计算机工程与设计》 北大核心 2025年第3期857-863,共7页
为解决可形变医学图像配准工作更关注于像素/体素层级的配准,忽略了扫描图像中的结构信息的问题,采用多结构特征提取模块(multi-structure feature extraction,MSFE)。以形变图像的分割图像和固定图像的分割图像作为输入,提取结构信息... 为解决可形变医学图像配准工作更关注于像素/体素层级的配准,忽略了扫描图像中的结构信息的问题,采用多结构特征提取模块(multi-structure feature extraction,MSFE)。以形变图像的分割图像和固定图像的分割图像作为输入,提取结构信息并反馈给配准神经网络。在此基础上,在配准任务常用的损失函数中加入与MSFE模块搭配的损失函数与分割任务中常用的损失函数以辅助配准。所提方法只参与配准网络的训练阶段,不参与测试阶段,不会增加实际配准时所需的时间。在OASIS Sample Data数据集上的实验验证了方法的有效性。 展开更多
关键词 深度学习 自监督 单模态 可形变配准 医学图像 医学图像配准 分割图像
在线阅读 下载PDF
基于边缘增强的交叉注意力医学影像分割方法
3
作者 陆秋 张云磊 +1 位作者 邵铧泽 黄琳 《桂林理工大学学报》 北大核心 2025年第1期111-119,共9页
为了在复杂的腹部多器官MRI和CT医学影像中解决目标区域与背景的边缘误分割问题,提出一种以ResUNet网络为基架,包含二维分轴的交叉注意力机制和两阶段边缘增强模块的网络模型(REAUp-L)。第1阶段的边缘信息增强模块用于下采样阶段,以更... 为了在复杂的腹部多器官MRI和CT医学影像中解决目标区域与背景的边缘误分割问题,提出一种以ResUNet网络为基架,包含二维分轴的交叉注意力机制和两阶段边缘增强模块的网络模型(REAUp-L)。第1阶段的边缘信息增强模块用于下采样阶段,以更好地提取边缘信息;第2阶段的不确定性概率边缘区域增强模块用于上采样阶段,以更好地保留边缘信息和降低噪声造成的误差;跳跃连接阶段使用一种二维分轴交叉注意力机制,以更好地捕获全局依赖关系。在腹部多器官数据集上进行的实验结果表明:该网络模型较基于UNet改进的3种主流网络模型在Dice和IoU评价指标中都有了一定的提升;边缘增强能有效提取医学影像的边缘信息,得到更加清晰的边缘曲线,有利于进一步提升分割性能。 展开更多
关键词 医学影像分割 交叉注意力机制 不确定性 像素点概率机制
在线阅读 下载PDF
深度学习下的医学图像分割综述
4
作者 邢素霞 李珂娴 +2 位作者 方俊泽 郭正 赵士杭 《计算机工程与应用》 北大核心 2025年第7期25-41,共17页
针对医学图像的高维性、复杂性和高精度要求等特性,深度学习下的医学图像分割方法凭借其强大的特征提取能力和对复杂模式的学习能力,能够自适应地从大量数据中学习并提取多层次特征,展现出高精度、高鲁棒性和可扩展性强等优势。通过端... 针对医学图像的高维性、复杂性和高精度要求等特性,深度学习下的医学图像分割方法凭借其强大的特征提取能力和对复杂模式的学习能力,能够自适应地从大量数据中学习并提取多层次特征,展现出高精度、高鲁棒性和可扩展性强等优势。通过端到端地提取感兴趣的器官、组织或病变区域,为医生在疾病诊断、制定治疗策略和临床研究等领域提供有力帮助。重点综述了U-Net、Transformer、Mamba、分割一切模型(segment anythingmodel,SAM)及其各自变体模型在医学图像分割中的应用情况和发展脉络,从多个维度进行了综合对比分析,对开展医学影像研究、临床疾病诊断与治疗决策,以及医疗技术创新产品开发均具有一定参考价值。在此基础上,总结了目前医学图像分割研究中面临的挑战,并对该领域未来的研究前景进行展望。 展开更多
关键词 医学图像分割 深度学习 U-Net TRANSFORMER Mamba 分割一切模型(SAM)
在线阅读 下载PDF
用于医学图像分割的多层特征交叉融合网络研究
5
作者 刘玉 何立风 +1 位作者 朱纷 张梦颖 《陕西科技大学学报》 北大核心 2025年第3期181-189,共9页
针对U型结构处理医学图像分割任务时存在的编解码器特征差异大、浅层特征丢失、抽象特征学习不足等缺陷,设计了一种多层特征交叉融合网络(MFCF-Net).首先,设计了深度注意力聚合模块,采用深度可分离卷积提取多尺度特征,并通过混合注意力... 针对U型结构处理医学图像分割任务时存在的编解码器特征差异大、浅层特征丢失、抽象特征学习不足等缺陷,设计了一种多层特征交叉融合网络(MFCF-Net).首先,设计了深度注意力聚合模块,采用深度可分离卷积提取多尺度特征,并通过混合注意力机制抑制背景的影响;其次,设计了多尺度快速融合模块,融合通过不同池化策略提取的多尺度特征信息,以丰富深层网络的抽象特征;最后,通过编码支路对深层网络细节信息进行补充.在NIH数据集、ISIC2017数据集和ISIC2018数据集上进行的实验结果表明MFCF-Net的分割效果优于其他先进的网络,尤其在NIH数据集上,DSC达到了0.8837,IoU达到了0.9992. 展开更多
关键词 医学图像分割 U型结构 多尺度融合 注意力机制 卷积神经网络
在线阅读 下载PDF
深度学习在结肠息肉图像分割中的研究综述 被引量:1
6
作者 李国威 刘静 +1 位作者 曹慧 姜良 《计算机科学与探索》 北大核心 2025年第5期1198-1216,共19页
结肠息肉是一种可能发展为结直肠癌的胃肠道异常生长组织,因此,早期检测和切除结肠息肉对预防结直肠癌具有重要意义。近年来,深度学习技术在结肠息肉图像分割领域中的应用取得了显著进展,大幅提高了分割的准确性和自动化水平。针对深度... 结肠息肉是一种可能发展为结直肠癌的胃肠道异常生长组织,因此,早期检测和切除结肠息肉对预防结直肠癌具有重要意义。近年来,深度学习技术在结肠息肉图像分割领域中的应用取得了显著进展,大幅提高了分割的准确性和自动化水平。针对深度学习在结肠息肉图像分割中的研究展开综述,介绍了多种结肠息肉成像方式及包括图片和视频在内的常用数据集,并详细说明了这些数据集的特点。深入阐述了基于深度学习的结肠息肉分割方法,涵盖了全卷积网络、Mask R-CNN、生成对抗网络、U-Net、Transformer以及多网络融合模型,其中重点强调了UNet及其变体在结肠息肉图像分割中的应用,分析了其结构改进、性能提升和实际应用效果。同时,综合对比了各网络模型的主要改进思路、优缺点及其分割结果。指出了当前深度学习在该领域面临的主要挑战,并对未来的研究方向进行了相应的展望。 展开更多
关键词 结肠息肉分割 深度学习 医学图像 卷积神经网络 U-Net
在线阅读 下载PDF
基于自监督学习的医学影像异常检测 被引量:1
7
作者 王楠 林绍辉 +4 位作者 齐福霖 陈玉珑 李珂 沈云航 马利庄 《计算机辅助设计与图形学学报》 北大核心 2025年第3期474-483,共10页
自监督学习(SSL)可以很好地捕捉关于不同概念的通用知识,有利于各种下游任务.针对自监督学习方法没有充分利用医学图像的多模态特征等问题,提出一种考虑医学图像多模态互补信息的自监督学习方法——SLeM.该方法首先将单个模态的图像均... 自监督学习(SSL)可以很好地捕捉关于不同概念的通用知识,有利于各种下游任务.针对自监督学习方法没有充分利用医学图像的多模态特征等问题,提出一种考虑医学图像多模态互补信息的自监督学习方法——SLeM.该方法首先将单个模态的图像均匀地划分为4个块,使用这些块随机组合构建多模态图像,不同的多模态图像被分配不同的标签,使得多模态特征可以通过分类任务来学习;为了提取不同大小肿瘤的特征,在学习到的多模态特征后加入上下文融合块;通过简单的微调将学到的特征转移到下游的多模态医学图像分割任务中.在公开数据集BraTS 2019和CHAOS上与JiGen,Taleb以及Supervoxel等具有代表性的多模态方法对比及消融实验结果表明,所提方法在整个肿瘤区域的分割准确度提升了2.03个百分点,在肿瘤核心区域的分割准确度提升了3.92个百分点,在肿瘤增强区域的分割准确度提升了1.75个百分点,并在视觉方面有较好的效果,明显优于其他方法. 展开更多
关键词 自监督学习 多模态融合 医学图像分割 特征提取 多尺度卷积
在线阅读 下载PDF
基于注意力机制与多任务的肺部疾病诊断方法 被引量:2
8
作者 刘兆伟 方艳红 +1 位作者 郑明宇 锁斌 《计算机工程》 北大核心 2025年第1期332-342,共11页
肺部疾病存在种类多、病灶区域小的特点,现有数据集也存在数据量小的问题,导致模型效果不理想。为提高诊断效果,提出一种基于多任务联合注意力机制的肺部诊断网络(ASNet)。基于U-Net构建多任务诊断网络,在原有病灶分割任务基础上加入病... 肺部疾病存在种类多、病灶区域小的特点,现有数据集也存在数据量小的问题,导致模型效果不理想。为提高诊断效果,提出一种基于多任务联合注意力机制的肺部诊断网络(ASNet)。基于U-Net构建多任务诊断网络,在原有病灶分割任务基础上加入病理分类任务,加强任务之间的联系,以分割任务为辅,提升分类任务准确率;提出多尺度挤压激励模块,加强空间和通道之间的信息融合;引入一种轴向注意力机制,强调全局上下文信息和位置信息缓解由于医疗数据匮乏引起的欠拟合问题;设计自适应多任务混合损失函数,实现分割和分类任务损失权重的均衡。在自建数据集上的实验结果表明,提出网络在病灶分割任务上的Dice系数、特异性(SP)、灵敏度(SE)、HD距离和准确率的平均结果分别为81.1%、99.0%、84.1%、24.6 mm和97.5%,优于SAUNet++、SwinUnet等其他先进分割网络;在病理分类任务上比MobileNetV2网络在精确率、召回率和准确率指标上分别提升了2.0、1.8和1.7百分点,明显提升了在分类和分割上的精度,对小目标病灶分割效果更佳,其在合理的参数量下更适用于协助肺部疾病诊断。 展开更多
关键词 深度学习 信息融合 疾病诊断 多任务联合学习 注意力机制 医学图像分割
在线阅读 下载PDF
基于卷积神经网络的卵巢囊腺瘤CT图像病灶分割
9
作者 扈拯宁 黄强 +2 位作者 谢尧 周飞 刘梦娟 《计算机应用与软件》 北大核心 2025年第1期189-196,共8页
卵巢囊腺瘤是一种病发于卵巢内的疾病。为了实现卵巢CT图像的病灶自动分割,提出一种基于改进的U-net模型的卵巢囊腺瘤CT图像病灶分割方法,将VGG16作为编码器,进一步简化U-net模型结构,并且结合CT图像特征进行数据增强。基于临床诊断数... 卵巢囊腺瘤是一种病发于卵巢内的疾病。为了实现卵巢CT图像的病灶自动分割,提出一种基于改进的U-net模型的卵巢囊腺瘤CT图像病灶分割方法,将VGG16作为编码器,进一步简化U-net模型结构,并且结合CT图像特征进行数据增强。基于临床诊断数据构建一个卵巢CT图像数据集,进行模型训练和评估。模型在测试集上的IoU(Intersection over Union)达到了88.85%,AUC达到了99.72%,表明改进的U-net模型进行卵巢囊腺瘤病灶分割的可行性和精确性。与原始U-net模型相比,所提出方法能够在不损失分割准确度的前提下缩减模型规模,更适用于辅助临床诊断。 展开更多
关键词 医学图像分割 U-net 深度学习 卵巢囊腺瘤
在线阅读 下载PDF
新解码器的CNNs-Transformers融合网络及其病理图像肿瘤分割应用
10
作者 马丽晶 王朝立 +2 位作者 孙占全 程树群 王康 《小型微型计算机系统》 北大核心 2025年第6期1442-1449,共8页
病理图像是肿瘤诊断的"金标准",但超高分辨率的病理图像使得医生需要消耗大量的精力和时间,而且诊断结果主观性比较强.随着人工智能技术的发展,深度学习模型提供了计算机代替人对病理图像进行快速、准确和可靠诊断的可能性.然... 病理图像是肿瘤诊断的"金标准",但超高分辨率的病理图像使得医生需要消耗大量的精力和时间,而且诊断结果主观性比较强.随着人工智能技术的发展,深度学习模型提供了计算机代替人对病理图像进行快速、准确和可靠诊断的可能性.然而,目前大多数的网络更注重如何在编码器部分提取更准确的特征,而对于同等重要的解码器部分的结构设计研究则稍显不足.针对该问题,本文提出了由三类上采样模块组成的新网络,而编码器部分采用Swin Transformer和ConvNeXt作为网络的双分支并行独立结构.三类上采样模块分别是多重转置卷积采样、双线性上采样和Swin Transformer上采样,其特点是可以充分利用病理图像特征之间局部和全局的依赖关系.该网络分别在肝癌数据集和GLAS数据集上进行了验证,并与不同类型的主流网络进行了对比,性能指标皆达到比较好的结果. 展开更多
关键词 医学图像分割 深度学习 卷积神经网络 Swin Transformer
在线阅读 下载PDF
融合注意力与Transformer的肝肿瘤CT图像分割方法
11
作者 张倩 胡建文 +1 位作者 王鼎湘 李茂军 《小型微型计算机系统》 北大核心 2025年第3期680-688,共9页
CT图像是医生对病人进行疾病诊断和制定治疗计划的重要依据.然而,CT图像中肝肿瘤通常具有灰度多样、边界模糊、且与肝脏正常组织细胞的密度很接近等特点,导致肿瘤的边缘区域的分割和上下文特征信息的获取受到了限制.本文提出了一种融合... CT图像是医生对病人进行疾病诊断和制定治疗计划的重要依据.然而,CT图像中肝肿瘤通常具有灰度多样、边界模糊、且与肝脏正常组织细胞的密度很接近等特点,导致肿瘤的边缘区域的分割和上下文特征信息的获取受到了限制.本文提出了一种融合注意力机制与Transformer的U型分割网络(Integrated the Attention mechanism and Transformer U-shaped segmentation network,IAT-Unet).首先,在编码器的末端级联BiFormer模块,对富含语义信息的高级特征进行全局建模,避免造成关键信息的丢失;其次,在解码器中引入双重高效注意力机制(Dual highly Effective Attention Mechanism,DEAM),在空间上建模和跨通道交互,可以捕获肿瘤准确的定位信息和远程依赖关系,提高肿瘤特征的表达能力;此外,提出双桥跳跃连接,通过在编码器与解码器直接连接和利用边缘增强模块(Edge Enhancement Module,EEM)进行间接连接,可以补偿编码器在提取特征时丢失的信息,同时也能突出肿瘤的边缘轮廓.所提出的方法在公开数据集LiTS17进行验证表明,该方法的Dice系数、Jaccard相似系数、精确率和召回率分别为93.32%、87.47%、93.09%和93.55%;在3DIRCADb数据集上验证,肝肿瘤分割的Dice系数为90.40%.与多种分割方法进行比较,该方法对CT图像中肝肿瘤的分割具有优势. 展开更多
关键词 医学图像分割 肝肿瘤分割 U-net TRANSFORMER 注意力机制
在线阅读 下载PDF
交换标签部分和交叉监督的半监督医学图像分割
12
作者 罗毅恒 张俊华 张剑青 《计算机工程与应用》 北大核心 2025年第4期253-261,共9页
针对目前医学图像分割领域存在的分割精度不高和数据获取成本高、难度大的问题,提出了交换标签部分和交叉监督的半监督医学图像分割算法。交换标签部分算法定位两张图片的标签部分并进行交换,解决数据分布不匹配和经验分布差距问题。将T... 针对目前医学图像分割领域存在的分割精度不高和数据获取成本高、难度大的问题,提出了交换标签部分和交叉监督的半监督医学图像分割算法。交换标签部分算法定位两张图片的标签部分并进行交换,解决数据分布不匹配和经验分布差距问题。将Transformer网络应用在Mean Teachers架构,用于与CNN进行交叉监督,辅助CNN提高伪标签的生成质量。添加在预训练和自训练中加入交换标签后图像的训练策略,扩充训练数据集,使模型能学习到更多特征。在ACDC数据集10%有标签实验中Dice系数达到90.67%,较基准模型提升了2.26个百分点,在ACDC数据集5%有标签实验和PROMISE12数据集20%有标签实验中Dice系数分别达到88.69%和84.34%。与其他方法相比,多个实验各项指标均达到最优,实验结果证明了提出方法的有效性和可靠性。 展开更多
关键词 医学图像分割 半监督 交换标签部分 交叉监督
在线阅读 下载PDF
医学图像分割中的双分支特征提取器及高效特征融合方法
13
作者 张凡 侯惠芳 +1 位作者 张自豪 潘泉 《计算机工程与应用》 北大核心 2025年第14期286-296,共11页
在医学图像分割领域,卷积网络和Transformer网络均以其独特优势而备受青睐,但各自的应用也面临着特定的局限性。此外,现有的特征融合模块存在显著的信息损失,无法充分学习和利用空间和通道之间的复杂关系来实现更准确的分割。为此,提出... 在医学图像分割领域,卷积网络和Transformer网络均以其独特优势而备受青睐,但各自的应用也面临着特定的局限性。此外,现有的特征融合模块存在显著的信息损失,无法充分学习和利用空间和通道之间的复杂关系来实现更准确的分割。为此,提出了一种双分支并行网络特征提取器,解决了单个网络在信息提取方面的不足,有效地克服了两个网络串联组合时可能出现的信息瓶颈问题。同时,为了更充分地利用空间和通道之间的复杂关系,进一步引入了多分支局部全局特征融合增强模块,它能够高效地融合双分支的特征。实验表明,该算法在Synapse和ACDC数据集上表现出色,平均Dice分别达到83.32%和91.82%,HD95指标分别达到15.80 mm和1.29 mm,具有较强的竞争力。 展开更多
关键词 医学图像分割 卷积神经网络(CNN) Transformer网络 特征融合
在线阅读 下载PDF
引入解耦残差自注意力的边界交叉监督语义分割网络
14
作者 姜坤元 李小霞 +4 位作者 王利 曹耀丹 张晓强 丁楠 周颖玥 《计算机应用》 北大核心 2025年第4期1120-1129,共10页
针对内镜语义分割网络中病灶边缘信息丢失和大面积病灶分割不全的问题,提出一种引入解耦残差自注意力(DRA)的边界交叉监督语义分割网络(BCS-SegNet)。首先,引入DRA,以增强网络对远距离关联性病灶的学习能力;其次,构建跨级交叉融合(CLF)... 针对内镜语义分割网络中病灶边缘信息丢失和大面积病灶分割不全的问题,提出一种引入解耦残差自注意力(DRA)的边界交叉监督语义分割网络(BCS-SegNet)。首先,引入DRA,以增强网络对远距离关联性病灶的学习能力;其次,构建跨级交叉融合(CLF)模块,从而将编码结构中的多级特征图逐对组合,进而实现在低计算成本下图像细节与语义信息的融合;最后,使用多方向多尺度的二维Gabor变换提取边缘信息,并使用空间注意力加权特征图中的边缘特征,以监督分割网络的解码过程,从而在像素级别上提供更精准的类内分割一致性。实验结果表明,在ISIC2018皮肤镜和Kvasir-SEG/CVC-ClinicDB结肠镜数据集上,BCS-SegNet的平均交并比(mIoU)和Dice系数分别为84.27%、90.68%和79.24%、87.91%;在自建食管内镜数据集上,BCS-SegNet的mIoU和Dice系数分别为82.73%和90.84%,mIoU相较于U-net和UCTransNet分别提升了3.30%和4.97%。可见,所提网络可以达到更完整的分割区域和更清晰的边缘细节等视觉效果。 展开更多
关键词 食管内镜图像 医学图像分割 自注意力机制 二维Gabor变换 多尺度边缘特征
在线阅读 下载PDF
MCNet:融合多层感知机和卷积的轻量级病变区域分割网络
15
作者 申华磊 上官国庆 +2 位作者 袁成雨 陈艳浩 刘栋 《河南师范大学学报(自然科学版)》 北大核心 2025年第3期96-103,共8页
针对现有医学图像分割网络存在计算量大、对硬件资源要求高和推理速度慢等不足,提出一种轻量级快速分割网络MCNet.MCNet采用编码器-解码器架构,使用多层感知机(MLP)和卷积分别提取并融合医学图像的全局特征和局部特征,以减少网络参数量... 针对现有医学图像分割网络存在计算量大、对硬件资源要求高和推理速度慢等不足,提出一种轻量级快速分割网络MCNet.MCNet采用编码器-解码器架构,使用多层感知机(MLP)和卷积分别提取并融合医学图像的全局特征和局部特征,以减少网络参数量并提高分割精度.在编码阶段使用卷积分支和多层感知机分支分别提取多尺度的局部特征和全局特征.通过跳跃连接融合这些特征并送入解码器.在解码阶段使用注意力门控机制进行特征增强.在BUSI和ISIC2018数据集上进行实验.和当前最优方法相比,MCNet的Dice相似系数和均交并比在BUSI数据集上分别提高0.11%和0.09%、在ISIC2018数据集上分别提高0.64%和0.95%.同时,MCNet显著减少了网络参数量、降低了浮点运算次数并缩短了CPU推理时间. 展开更多
关键词 医学图像分割 深度神经网络 多层感知机(MLP) 轻量级网络
在线阅读 下载PDF
基于可疑像素相互修正的半监督医学图像分割
16
作者 杨子瑶 雷涛 +3 位作者 杜晓刚 王梦溪 孙菲蔓 公茂果 《电子学报》 北大核心 2025年第5期1607-1621,共15页
现有的半监督学习方法通常对图像中的所有像素进行同等处理,忽视了图像内不同区域的复杂度差异.这导致模型对于预测难度较高的挑战性区域学习不足,从而降低了其对这些区域的处理能力.此外,由于伪标签是基于当前模型对未标注数据的预测... 现有的半监督学习方法通常对图像中的所有像素进行同等处理,忽视了图像内不同区域的复杂度差异.这导致模型对于预测难度较高的挑战性区域学习不足,从而降低了其对这些区域的处理能力.此外,由于伪标签是基于当前模型对未标注数据的预测结果生成的,而模型在挑战性区域表现较差,因此不准确的预测增加了伪标签中引入噪声的风险,进而降低了伪标签的可信度.针对上述问题,提出了一种基于可疑像素相互修正的半监督学习框架(Suspicious Pixel Mutual Correction,SPMC).该框架由两个编码器结构相同,但解码器上采样方式不同的网络构成.首先,设计了一个用于处理标注数据的共困像素筛查(Common Difficulty Pixel Screening,CDPS)模块.通过利用每个网络预测结果中的可疑像素,精准筛查出两个网络都预测困难的共困像素,并使用准确的监督信号对其进行修正,从而提高模型对挑战性区域预测的准确性.其次,设计了一个用于处理未标注数据的软伪标签辅助教学(Soft Pseudo-Label Assisted Teaching,SPLAT)模块.通过利用一个网络生成的软伪标签中的可信像素,选择性地对另一个网络预测结果中的可疑像素进行伪监督.两个网络通过高质量交互来更新参数,从而减少模型的认知偏差并提升伪标签质量.实验结果表明,提出的方法在三种公开医学数据集左心房(Left Atrium,LA)、脑部肿瘤分割(Brain Tumor Segmentation,BraTS)和自动心脏挑战(Automatic Cardiac Diagnosis Challenge,ACDC)上的性能均优于当前主流的半监督学习方法. 展开更多
关键词 半监督学习 医学图像分割 一致性正则化 伪标签 不确定性 像素级修正
在线阅读 下载PDF
FDiff-Fusion:基于模糊逻辑驱动的医学图像扩散融合网络分割模型
17
作者 耿胜 丁卫平 +3 位作者 鞠恒荣 黄嘉爽 姜舒 王海鹏 《计算机科学》 北大核心 2025年第6期274-285,共12页
医学图像分割在临床诊疗和病理分析中具有重要的应用价值。近年来,去噪扩散模型在图像分割建模方面取得了显著成功,其能够更好地捕获图像中的复杂结构和细节信息。然而,利用去噪扩散模型进行医学图像分割的方法大多忽略了分割目标的边... 医学图像分割在临床诊疗和病理分析中具有重要的应用价值。近年来,去噪扩散模型在图像分割建模方面取得了显著成功,其能够更好地捕获图像中的复杂结构和细节信息。然而,利用去噪扩散模型进行医学图像分割的方法大多忽略了分割目标的边界不确定和区域模糊因素,从而造成了最终分割结果的不稳定性和不准确性。为了解决这一问题,提出了一种基于模糊逻辑驱动的医学图像扩散融合网络分割模型(FDiff-Fusion)。该模型通过将去噪扩散模型集成到经典U-Net网络中,有效地从输入医学图像中提取丰富的语义信息。由于医学图像的分割目标边界不确定性和区域模糊化现象普遍存在,因此在U-Net网络的跳跃路径上设计了一种模糊学习模块。该模块为输入的编码特征设置多个模糊隶属度函数,以描述特征点之间的相似程度,并对模糊隶属度函数应用模糊规则处理,从而增强了模型对不确定边界和模糊区域的建模能力。此外,为了提高模型分割结果的准确性和鲁棒性,在测试阶段引入了基于迭代注意力特征融合的方法。该方法将局部上下文信息添加到注意力模块中的全局上下文信息中,以融合每个去噪时间步的预测结果。实验结果显示,与现有的先进分割网络相比,FDiff-Fusion在BRATS 2020脑肿瘤数据集上获得的平均Dice分数和HD95距离分别为84.16%和2.473mm,在BTCV腹部多器官数据集上获得的平均Dice分数和HD95距离分别为83.82%和7.98mm,表现出良好的分割性能。 展开更多
关键词 去噪扩散模型 U-Net网络 医学图像分割 模糊学习 迭代注意力特征融合
在线阅读 下载PDF
LFC-UNETR:一种用于多模态的脑肿瘤分割的全卷积网络
18
作者 罗康 丁德锐 庞飞翔 《小型微型计算机系统》 北大核心 2025年第9期2201-2208,共8页
脑肿瘤作为大脑中异常细胞的集合体,其生长迅速且与周围组织相互浸润,导致边界模糊.针对传统CNN分割网络在捕获语义信息时远程依赖关系不足、池化下采样带来的信息丢失以及基于Transformer分割网络的高计算复杂度等问题,本研究受ConvNeX... 脑肿瘤作为大脑中异常细胞的集合体,其生长迅速且与周围组织相互浸润,导致边界模糊.针对传统CNN分割网络在捕获语义信息时远程依赖关系不足、池化下采样带来的信息丢失以及基于Transformer分割网络的高计算复杂度等问题,本研究受ConvNeXt和Transformer模型的启发,提出了一种新颖的基于编码-解码结构的全卷积网络LFC-UNETR.在编码阶段,提出了ConvReXt块以提取局部特征,并将其扩展为ConvReXt下采样块.该下采样块能够保留更丰富的语义信息,有效地避免了传统池化下采样导致的细节和空间关系的信息损失.进而,设计了密集并行全局注意力模块,在增强局部特征提取的同时提高了模型对远程依赖关系的捕捉能力,解决了普通卷积感受野受限的不足.此外,改进了跳接与解码器部分,采用密集多尺度模块以减轻编解码器之间的语义偏差,并增强网络在上采样阶段的特征提取能力.在BraTS 2020脑肿瘤数据集上的实验结果表明,LFC-UNETR在整体肿瘤、肿瘤核心和增强肿瘤3个区域的平均Dice系数分别为92.08%,91.53%和86.58%,不仅在Dice系数上表现出色,而且参数量相对较少.这一成果证明了LFC-UNETR在多模态MRI脑肿瘤分割任务中的有效性和优越性. 展开更多
关键词 多模态脑肿瘤图像 深度学习 医疗图像分割 TRANSFORMER
在线阅读 下载PDF
基于多尺度注意力U-Net的医学肝脏计算机断层扫描图片分割算法
19
作者 金涛 王震 李昭蒂 《哈尔滨工程大学学报》 北大核心 2025年第3期529-539,共11页
针对传统肝脏分割方法十分依赖医生的经验,并且分割过程耗时,易出错的现象,本文提出适用于临床情景中医学肝脏计算机断层扫描的分割方法。基于多尺度残差混合注意力U-Net将多尺度注意力机制模块引入U-Net网络。该模块可以抑制不相关的区... 针对传统肝脏分割方法十分依赖医生的经验,并且分割过程耗时,易出错的现象,本文提出适用于临床情景中医学肝脏计算机断层扫描的分割方法。基于多尺度残差混合注意力U-Net将多尺度注意力机制模块引入U-Net网络。该模块可以抑制不相关的区域,从多个角度提取图像特征,并突出显示分割任务;在标准卷积层中添加残差结构可以有效地避免梯度爆炸并增加网络深度;使用混合空洞注意力常规层来替换“U”形网络的底部,以获得上下文信息,避免空间信息的丢失。试验结果表明:在LiTS17和SLiver07数据集上与其他方法相比,本文方法具有更好的性能和最高的分割精度。 展开更多
关键词 神经网络 深度学习 语义分割 肝脏分割 医学图像 注意力机制 空洞卷积
在线阅读 下载PDF
MSP-YOLACT:面向多模态PET/CT肺部肿瘤医学图像的实例分割模型
20
作者 周涛 柴文文 +3 位作者 王亚星 陈凯雄 陆惠玲 石道宗 《光子学报》 北大核心 2025年第4期198-212,共15页
针对多模态肺部肿瘤医学图像对比度低、病灶边界模糊,现有方法未充分考虑多模态图像信息互补性的问题,提出了面向多模态PET/CT肺部肿瘤医学图像的实例分割模型,该模型为充分利用不同模态图像的病灶共性特征进行病灶形态增强,设计融合PET... 针对多模态肺部肿瘤医学图像对比度低、病灶边界模糊,现有方法未充分考虑多模态图像信息互补性的问题,提出了面向多模态PET/CT肺部肿瘤医学图像的实例分割模型,该模型为充分利用不同模态图像的病灶共性特征进行病灶形态增强,设计融合PET和CT模态图像特征的多模态特征混合器;为增加模型对病灶区域的关注度,构造增强特征金字塔,该结构由强化特征融合模块以及多尺度特征融合器组成;为增强模型对病灶区域的定位能力,设计基于全局与局部特征强化的并行特征增强预测头模块。使用临床多模态肺部肿瘤医学图像数据集验证模型的有效性,结果表明所提模型对于肺部病灶分割的AP_(det)、AP_(seg)、AR_(det)、AR_(seg)、mAP_(det)和mAP_(seg)分别为64.55%、65.53%、51.47%、52.28%、64.37%和65.41%。该模型实现对肺部肿瘤病灶区域的精确检测分割,以及对肺部肿瘤自动化辅助诊断具有积极意义。 展开更多
关键词 医学图像 肺部肿瘤 多模态 PET/CT 实例分割 注意力机制
在线阅读 下载PDF
上一页 1 2 21 下一页 到第
使用帮助 返回顶部