1 重庆大学 光电技术与系统教育部重点实验室,重庆 400044
2 重庆市妇幼保健院 超声科,重庆 401147
3 重庆大学附属肿瘤医院 影像科,重庆 40000
高光谱成像技术的飞速发展给非侵入式医学成像带来新的契机,但高光谱医学图像具有高维度、高冗余以及“图谱合一”的特点,亟需针对上述特点设计智能诊断算法。近年来,Transformer已经在高光谱医学图像处理领域得到广泛应用。然而,不同仪器设备、不同采集操作所获得的高光谱医学图像差异较大,这给现有Transformer诊断模型的实际应用带来了巨大挑战。针对上述问题,本文提出了一种空-谱自注意力Transformer (S3AT),自适应挖掘像素与像素间、波段与波段间的内蕴联系,并在分类阶段融合多个视野下的预测结果。首先,在Transformer编码器中,设计一种空-谱自注意力机制,获取不同视野下高光谱图像上的关键空间信息和重要波段,并将不同视野下所获得的空-谱自注意力进行融合。其次,在模型分类阶段,将不同视野下的预测结果根据可学习权重进行加权融合,对图像进行综合预测。在 In-vivo Human Brain 和 BloodCell HSI 两个数据集上,本文算法总体分类精度分别达到82.25%和91.74%。实验结果表明,所提出的算法有效改善高光谱医学图像分类性能。
高光谱医学图像 Transformer 空-谱自注意力 预测融合 medical hyperspectral images transformer spatial-spectral self-attention predictions fusion 光学 精密工程
2023, 31(18): 2752
光学 精密工程
2023, 31(17): 2598
光学 精密工程
2022, 30(15): 1889
1 重庆大学 光电技术与系统教育部重点实验室,重庆 400044
2 重庆大学附属肿瘤医院 病理科,重庆 400030
卷积神经网络在癌症病理图像分割中具有突出表现,但在临床应用上依然面临着切片染色多样、分辨率差异大等挑战。针对上述问题,提出了一种病灶分割网络HU-Net,提高了癌症病理图像的分割精度。HU-Net使用U-Net网络作为基本结构,利用经过预训练的EfficientNet-B4作为网络特征编码器,解码器部分在U-Net网络上进行改进,将不同深度特征重新进行组合进行特征融合,提升了深层特征在预测中的作用。在此基础上,利用各深度层融合特征预测输出,构建多损失函数共同训练,使深层语义信息更具鉴别力。最后,采用改进的通道注意力模块对融合特征进行选择,使网络对不同分辨率图像的适应性增强,提升了模型筛选重要特征的能力。在BOT数据集和SEED数据集上分别进行癌症病灶分割实验,所提方法的DICE系数得分在两个数据集上分别达到77.99%和82.94%,准确度得分分别达到88.52%和87.42%。该方法相较于U-Net和DeepLabv3+等网络有效提升了癌症病理图像病灶分割精度,实现了更准确的癌症病灶定位和分割。
计算机图像处理 分割算法 特征融合 癌症 病理图像 深度学习 Computer image processing Segmentation algorithm Features fusion Cancer Pathology image Deep learning
1 重庆大学 光电技术与系统教育部重点实验室, 重庆400044
2 重庆大学附属肿瘤医院 影像科, 重庆400030
卷积神经网络的语义分割模型未有效利用特征权重信息,导致在医学图像复杂场景中分割边界出现欠分割现象。针对该问题,基于融合自适应加权聚合策略提出一种改进的U-Net++网络,并将其应用于电子计算机断层扫描影像肺结节分割。该模型首先在卷积神经网络中提取出不同深度特征语义级别的信息,再结合权重聚合模块,自适应地学习各层特征的权重,然后将学习得到的权重加载到各个特征层上采样得到的分割图以得到最终的分割结果。在LIDC数据集和重庆大学附属肿瘤医院肺部电子计算机断层扫描数据集上进行了分割实验,所提方法的交叉比在两个数据集上分别可达到80.59%和87.40%、骰子系数分别可达到88.23%和90.83%。相比U-Net和U-Net++方法,该算法有效提升了图像分割性能。本文方法能在肿瘤微小细节上实现精确分割,较好地解决了肺结节向周围浸润性生长时出现欠分割的问题。
计算机图象处理 分割算法 权重聚合 肺结节 CT影像 Computer image processing Segmentation algorithm Weighted aggregation Lung nodule CT image
1 重庆大学 光电技术及系统教育部重点实验室,重庆 400044
2 重庆川仪自动化股份有限公司技术中心,重庆 401121
使用差分吸收光谱技术(Differential optical absorption spectroscopy, DOAS)进行工业在线气体检测,在气体浓度较低时,其光谱吸收不明显, 信噪比较低,通过传统方法来对工业气体浓度进行反演,预测结果难以满足工业应用具体要求。针对SO2气体的差分吸收光谱特点, 采用氚灯作为光源,采集189.73~644 nm波段内的标准浓度SO2的吸收光谱高维数据,选取吸收光谱数据并进行预处理,然后 利用训练集数据建立深度信念网络模型进行低维特征提取。在此基础上,利用训练数据的低维嵌入特征构建极限学习机反演模型, 实现SO2气体浓度计算,并对该模型进行了有效性测试,从而得到一种更加精确的SO2气体浓度在线检测方法。
气体浓度检测 差分吸收光谱技术 深度信念网络 极限学习机 gas concentration detection SO2 SO2 differential optical absorption spectroscopy deep belief network extreme learning machine 大气与环境光学学报
2020, 15(3): 207
1 重庆大学光电技术及系统教育部重点实验室, 重庆 400044
2 重庆大学附属肿瘤医院影像科, 重庆 400030
深度学习模型训练时需要大量的注释样本,但在医学领域注释数据难以获取。针对此问题,提出了一种结合部分注释数据的自监督学习算法,以提高3D肺结节的分类性能。在传统自监督训练的网络结构基础上,设计了一种多任务学习的网络结构,以同时利用医学图像处理任务中大量未注释数据和少量注释数据。通过先训练未注释数据然后加入注释数据继续训练的方式,实现了注释数据与未注释数据间部分网络结构和参数的共享。相较于传统自监督学习方法,所提算法在保证模型泛化能力的同时能够学习到更多与肺结节相关的鉴别特征,因此将模型迁移学习用于肺结节分类时也能表现出更佳的性能。所提算法在公开数据集LIDC-IDRI上的分类准确率达0.886,曲线下面积(AUC)值达0.929,实验结果表明,所提算法能够有效提升肺结节的分类性能。
图像处理 肺结节分类 特征提取 自监督学习 部分注释 迁移学习 光学学报
2020, 40(18): 1810003