1 信息工程大学信息系统工程学院，河南 郑州 450001
2 河南省文物考古研究院，河南 郑州 450001
针对实验室显微CT扫描过程会产生噪声，导致重建后CT图像质量下降的问题，提出一种深层多残差编解码卷积去噪网络。以原始的残差编解码网络为基础，首先通过增加网络的卷积层数，引入多残差映射，实现对实验室级显微CT图像中噪声分布特性的有效学习；其次设计了专用的混合损失函数，增强网络对图像细节信息的保留能力。实验结果表明，所提方法对CT图像中的噪声具有显著的抑制效果，同时能够极大程度地保留图像的结构信息和特征信息。
图像处理 图像去噪 显微CT 无损检测 残差学习 混合损失函数 激光与光电子学进展
2023, 60(14): 1410014
1 天津大学微电子学院, 天津 300072
2 天津市成像与感知微电子技术重点实验室, 天津 300072
针对现有方法对肝部医学影像分割上的不足,提出了一种用于对肝部医学影像进行分割的改进型U-Net结构。在上采样过程中只复制池化层特征,以减少信息丢失;同时引入残差网络对初步分割图像进行循环精炼,实现高层特征与低层特征的融合;利用对边界敏感的新型混合损失函数对图像进行细化处理,得到更为精确的分割结果。实验结果表明,肝脏图像和肝脏肿瘤图像的Dice系数分别为96.26%和83.32%。相比传统的U-Net,所提网络可以获得更高级的语义信息,进一步提高对肝脏和肝肿瘤图像的分割精度。
图像处理 图像分割 肝部医学图像分割 U-Net 残差优化模块 混合损失函数 激光与光电子学进展
2020, 57(22): 221003
脑肿瘤图像自动分割的难点在于肿瘤形态各异,且类别不平衡情况比较严重,常规的卷积神经网络难以预测出高精度分割图像。针对以上问题,在原始3D-Unet的基础上提出一种改进模型,以混合膨胀卷积模块代替常规卷积模块,指数级地增大神经元的感受野,同时减小网络深度,避免上采样时无法恢复小目标的情况。同时以混合损失函数代替原来的Dice损失函数,加强稀疏类分类错误时对模型的惩罚,迫使模型更好地学习分类错误的样本。实验结果表明,混合膨胀卷积模块与混合损失函数能分别提高整个肿瘤区域和肿瘤核心区域的预测精度,提出的3D-HDC-Unet模型改善了脑肿瘤自动分割的多项性能参数。
图像处理 脑肿瘤自动分割 卷积神经网络 混合膨胀卷积 混合损失函数 磁共振图像
