摘要：针对冠脉造影图像照明不均、血管结构与背景区域对比度低、冠脉血管拓扑结构复杂等分割难点,建立了一个冠脉造影血管分割标注数据集,并在此基础上提出了一种基于特征图金字塔的冠脉造影图像血管分割模型。本文模型以U-Net网络为基础进行改进和优化,首先,将U-Net编码部分的第一个卷积层修改为一个7×7的卷积层,并提高每一层的感受野,在编解码层中引入修改后的ConvNeXt block,使得网络提取更深层次特征的能力有所提升;其次,设计分组注意力机制模块GA,并将其引入到U-Net跨连接处,对编码部分提取的特征进行增强,弥补编解码器间存在的语义差距;最后,在U-Net解码器处设计了一个特征图金字塔级联模块PFC,融合各尺度的特征图,并在PFC中每一层中加入SE注意力机制模块,用于筛选特征图中的有效信息,网络损失函数为PFC模块各层输出的加权,以监督网络各层的特征提取。本文模型在测试集上的测试结果如下:Dice系数为0.8843,Jaccard系数为0.7926。实验结果表明,相比其他常用方法,本文模型在冠脉血管分割上具有较强的鲁棒性,在低对比度下能够有效抑制噪声,对冠脉血管具有更好的分割效果。

摘要：针对图像中灰度分布不均匀和弱边缘情况下已有的水平集模型不能正确分割,且现有基于先验形状的水平集模型都要利用大量样本来进行训练的不足,提出一种无需训练的血管先验形状水平集分割方法.首先通过机械应力张量的方法分析Hessian矩阵,并建立血管相似函数;然后根据血管相似函数临界值得到血管的先验形状,并用水平集符号距离隐式表达形状曲线;最后将先验血管形状模型作为约束加入到耦合最小方差和FLUX模型的能量函数中,采用变分水平集法求解能量函数的极值.由于曲线的演化不仅依赖图像的区域信息和梯度信息,还受到血管先验形状的约束,因此该模型不但能精确定位边缘,还能准确地提取出血管.实验结果表明,采用该方法分割严重灰度分布不均匀的血管造影图像,具有准确度好、精度高、鲁棒性好的优点.

摘要：目的提出一种对医学眼底图像中的血管部分进行准确分割的模型,避免传统医学图像处理算法严重依赖于人工设计的特征、特征的设计较复杂、模型的泛化能力较差等问题。方法本研究中采用深度学习的算法实现医学图像中对眼底图像中血管部分的分割任务,提出了一种基于改进的条件生成对抗网络(cGAN)的血管分割算法,并在该任务中引入了多尺度的网络结构用于提取眼底图像中不同类型的血管。结果该分割模型在特征比较明显的主血管部分和对比度较低、提取难度较大的血管分支上均能取得很好的效果,实现了眼底图像上血管的自动分割。在模型评估阶段,本研究中通过多个在医学图像分割领域中广泛应用的评价指标对本研究中设计的模型进行评估。在DRIVE数据集上的验证结果显示,特异度为0.9829,F1评分为0.7944,G-mean为0.8748,马修斯相关系数(MCC)为0.7764,在STARE数据集上特异度为0.9782,F1评分为0.7735,MCC为0.7573。结论多通道cGAN相对于同任务的分割算法性能具有很大的提升,并在某些评价指标上能够接近医生分割的结果。

摘要：目的光学相干断层扫描血管造影(optical coherence tomography angiography,OCTA)是一种非侵入式的新兴技术,越来越多地应用于视网膜血管成像。与传统眼底彩照相比,OCTA技术能够显示黄斑周围的微血管信息,在视网膜血管成像邻域具有显著优势。临床实践中,医生可以通过OCTA图像观察不同层的血管结构,并通过分析血管结构的变化来判断是否存在相关疾病。大量研究表明,血管结构的任何异常变化通常都意味着存在某种眼科疾病。因此,对OCTA图像中的视网膜血管结构进行自动分割提取,对众多眼部相关疾病量化分析和临床决策具有重大意义。然而,OCTA图像存在视网膜血管结构复杂、图像整体对比度低等问题,给自动分割带来极大挑战。为此,提出了一种新颖的融合隐向量对齐和Swin Transformer的视网膜血管结构的分割方法,能够实现血管结构的精准分割。方法以ResU-Net为主干网络,通过Swin Transformer编码器获取丰富的血管特征信息。此外,设计了一种基于隐向量的特征对齐损失函数,能够在隐空间层次对网络进行优化,提升分割性能。结果在3个OCTA图像数据集上的实验结果表明,本文方法的AUC(area under curce)分别为94.15%,94.87%和97.63%,ACC(accuracy)分别为91.57%,90.03%和91.06%,领先其他对比方法,并且整体分割性能达到最佳。结论本文提出的视网膜血管分割网络,在3个OCTA图像数据集上均取得了最佳的分割性能,优于对比方法。

摘要：肺部CT图像中血管的分割在疾病的诊断和外科治疗中起着重要作用。在医学图像相关任务中,深度学习因其强大的表现能力和辨别学习能力,被广泛应用。然而基于深度学习的方法需要昂贵的GPU和大量有标签的数据。为了更好地平衡肺部CT图像血管分割的准确性和效率,提出了一种基于多维信息融合的快速有效的血管分割算法(MDF),该算法设计2D分割分支和3D分割分支来充分利用2D和3D信息,在最后的分割结果中对多个分支的结果进行合并,能够快速有效地融入到传统无监督算法。与此同时,MDF具有强大并行能力,能够在低端显卡上被显著加速。选取VESSEL12挑战的23例数据以及CARVE14挑战赛的55例数据对所提出的基于多维信息融合的血管分割算法进行了全面评估。实验结果表明,MDF与其他无监督算法相比有着更高的精度,在CARVE14数据集上血管的DSC系数达到了0.716。除此之外,通过GPU并行优化,运行速度大约为基于Hession矩阵的Frangi多尺度算法的20倍。与深度学习算法相比,MDF在不同数据集上的泛化能力更强。

摘要：针对现有算法对微血管分割精度低、难以区分病灶区域等问题,提出一种平衡多尺度注意力网络用于分割视网膜血管。在编码阶段引入多尺度特征提取模块,提升感受野减少血管细节特征损失;在编码和解码器间增加细节增强模块,突出目标区域提高信息敏感度;设计平衡尺度注意力模块调节细节和语义特征进行最终预测,减少伪影现象。实验结果表明,在DRIVE数据集上分割准确率为96.42%、灵敏度为83.17%、特异性为98.27%,优于现有其它算法。

摘要：针对传统的眼底图像血管分割准确率不理想的情况,提出一种基于SegNet的血管分割网络。用截取图像的方法扩增数据;基于SegNet模型进行改进,设计具有不同感受野的编码块、解码块结构,构建编码-多次解码的网络模型;通过大量实验得到分割效果最佳的血管分割网络。血管分割网络在公开眼底数据库DRIVE上进行训练以及测试,准确率、AUC分别达到0.9548、0.9772。实验结果表明,血管分割网络达到了较高的分割精度。

摘要：眼底视网膜血管的分割在眼底视网膜血管病变分析和心脑血管疾病诊断中具有重要的临床应用价值。针对现有视网膜血管割算法分割出的血管边界不够精确光滑以及对低对比度血管分割效果不理想等问题,本文提出一种改进的B样条Ribbon Snake模型,对视网膜图像中的血管进行分割。该方法首先对眼底视网膜图像进行亮度均衡化、去噪等预处理操作,再利用方向线检测算子对血管中心线进行提取,最终在传统B样条Ribbon Snake模型的基础上设计新的宽度能量、区域能量,并利用该模型完成对视网膜血管进行分割。实验结果表明,该方法分割出的血管边界具有精确与光滑的特性,且能对低对比度血管进行有效分割。

摘要：在对视网膜眼底图像中的血管进行预处理并运用脉冲耦合神经网络(Pulse Coupled Neural Network,PCNN)算法迭代原理进行分割的基础上,利用MATLAB的图形用户界面开发环境(GUIDE),通过对各控件的布局设计及其回调函数的编写,实现了视网膜血管分割系统。系统具有界面友好、操作简单等特点,为医学图像研究提供了一种有效的视网膜血管分割方法,也为医学图像处理提供了一个操作方便的实验平台。

摘要：提出了一种基于模糊方法和极坐标下强度剖面的肝脏血管分割方法。首先,采用基于模糊理论的两步增强方法对待处理的肝脏图像进行增强处理。第一步的增强是在充分保留图像细节的基础上让图像中的局部变化更加明显,第二步的增强是在第一步增强的基础上通过锐化参数和修正因子来实现对边缘的增强,从而使图像中血管区域更加明显。然后利用极坐标下强度剖面方法来提取图像中的血管区域。实验表明,该方法能较好地分割出肝脏血管,具有一定的实用性。