1 三峡大学 水电工程智能视觉监测湖北省重点实验室，湖北宜昌443002
2 三峡大学 计算机与信息学院，湖北宜昌44300
针对大肠的息肉组织与正常组织间无明显边界，准确定位息肉位置困难的问题，提出了一种多尺度ResNeSt-50聚合网络融合顺序树重加权置信度传播（sequential Tree-Reweighted Message Passing， TRW-S）的息肉图像分割方法。为提高网络对息肉信息的表达能力，构建编码-解码结构的多尺度ResNeSt-50聚合网络，编码器由卷积模块和4级ResNeSt模块级联构建ResNeSt-50骨干网络，实现跨通道信息间的线性整合与连接；ResNeSt-50采用拆分注意力机制加强重要通道组的表现能力，增强了残差模块提取息肉图像信息的能力；解码部分下三层构建多层感受野模块（receptive field block， RFB）获取多尺度信息，然后用密集聚合模块整合其输出，并以快速解码方式输出解码信息，保证其分割性能的同时减少参数量；其次，生成预测图时采用测试时图像增强（Test-Time Augmentation， TTA）模块提升预测准确度，并增强网络的泛化能力；最后，构建基于马尔科夫随机场的TRW-S算法对输出的预测图进行后处理，以实现分割边缘的连续性和分割区域内部的一致性。对大肠息肉数据集Kvasir-SEG的测试结果表明，本文方法相比于U-Net，U-Net++，ResUnet、SFA、PraNet等算法，mDice值达91.6%，mIoU达86.3%，Smeasure达0.921， MAE为0.023，优于其他五种息肉分割算法；在未知数据集ETIS-LaribPolypDB，ColonDB上测试结果表明，相比于PraNet模型，本文模型的mDice值分别提升了14.2%，7.7%；从本文模型在ETIS-LaribPolypDB数据集上的分割表现看，本文算法对微小病变十分敏感；因此，本文算法分割的息肉图像，在分割区域内部的一致性、分割边缘的连续性、轮廓清晰度、捕捉微小病变能力等方面均表现出优良的性能，同时，对未知数据集具有较好的泛化能力。
息肉图像分割 多尺度密集聚合网络 拆分注意力机制 顺序树重加权置信度传播 多尺度感受野 polyp image segmentation multiscale dense aggregation network split-attention sequential tree-reweighted message passing multiscale receptive field 光学 精密工程
2023, 31(18): 2765
1 三峡大学计算机与信息学院, 湖北宜昌 443002
2 湖北省水电工程智能视觉监测重点实验室(三峡大学), 湖北宜昌 443002
3 三峡大学第一临床医学院超声科, 湖北宜昌 443002
针对人工手动提取视网膜血管工作量大, 主观性强等问题, 本文提出了一种将区域生长思想、脉冲耦合神经网络(PCNN)、高斯滤波器组及 Gabor滤波器相结合的视网膜血管分割方法。首先将二维高斯滤波器组、二维 Gabor匹配滤波器相结合, 对视网膜血管区域进行形态匹配增强, 提升血管与背景的对比度。然后将带有快速连接机制的 PCNN与区域生长思想相结合, 每次从未处理的像素点中选取亮度最大的作为种子, 使用自适应的连接系数及停止条件, 实现眼底图像中血管的自动分割。整个算法在 DRIVE眼底数据库上的实验结果显示, 平均准确度、灵敏度、特异性分别达到 93.96%、78.64%、95.64%, 分割结果中血管断点少, 微小血管清晰, 具有较好的应用前景。
视网膜血管分割 脉冲耦合神经网络 区域生长 高斯匹配滤波器组 Gabor滤波器 retinal blood vessel extraction pulse coupled neural network region growing Gaussian matched filter bank Gabor filter
1 三峡大学 计算机与信息学院, 湖北 宜昌 443002
2 湖北省水电工程智能视觉监测重点实验室(三峡大学), 湖北 宜昌 443002
针对眼底图像中血管与背景间对比度低以及血管自身结构复杂等因素对视网膜血管分割所带来的问题, 本文提出了一种具有自适应连接值的脉冲耦合神经网络(PCNN)与高斯匹配滤波器相结合的视网膜血管分割方法。首先, 利用对比度受限制的自适应直方图均衡化(CLAHE)技术与二维高斯匹配滤波器对血管区域的对比度进行有效增强。然后, 利用经验阈值选择出一定的血管区域作为初始种子区域。接着, 将带有快速连接机制的PCNN与种子区域增长思想相结合, 通过自适应动态设置PCNN中的连接强度系数和停止条件, 实现眼底图像中血管区域的自动生长。整个算法在DRIVE视网膜图像库中进行了测试, 实验结果表明, 相比于不使用动态连接强度系数与停止条件的方法, 所提出算法的灵敏度从49.79%提高至70.39%, 准确度从95%提高到95.39%。证明了该算法具有较好的分割精确度和应用价值。
视网膜图像处理 血管分割 脉冲耦合神经网络(PCNN) 高斯匹配滤波器 快速连接 retinal image processing blood vessels segmentation Pulse Coupled Neural Network (PCNN) Gaussian matched filter fast linking
