摘要：针对基于深度神经网络的图像超分辨率重建算法在特征提取过程中容易丢失特征信息,导致重建图像缺少纹理和边缘细节等问题,提出一种多级信息补偿的u型网络图像超分辨率重建算法.首先设计一个用于图像超分辨率重建的u型网络,该网络通过下通道分支对输入特征进行多层级特征提取和通道压缩,通过底层模块对压缩后的特征进行融合并提取不同通道的相关特征,通过上通道分支对压缩后的相关特征进行多层次特征提取和通道恢复;然后设计多级信息补偿模型,对u型网络的通道压缩过程中丢失的信息和通道恢复过程中难以恢复的信息进行补偿;最后在不同放大倍数下的Set5、Set14、BSD100和urban100测试集上对所提算法和主流算法进行对比测试分析,实验结果表明所提算法相比主流算法实现了在峰值信噪比(PSNR)/结构相似度(SSIM)指标和视觉效果上的巨大提升.

摘要：针对普通二维语义分割网络难以精确分割海马体磁共振图像的问题,提出结合序列学习和u型网络的海马体分割方法.该方法中,u型网络由编码器和解码器2部分组成,编码器提取并编码图像特征,解码器组合特征并输出分割掩码;序列学习使用双向卷积长短期记忆网络引入相邻切片间的依赖信息以提升分割精度.在ADNI数据集上的实验结果表明,文中方法的分割性能较通常的u型网络更优,且网络的可视化结果表现出可解释性,与专家知识相符合.

摘要：成像系统实时采集的低光照环境图像具有照度低、噪声严重、视觉效果差等问题,为了提高低光照环境成像质量,本文提出基于多尺度小波u型网络的低光照图像增强方法。该方法采用多级编解码器构建u型网络,并引入小波变换构建特征分频单元,分离高频和低频信息,增强对低频照度特征和高频纹理信息的感知。设计多尺度感知损失函数,指导网络学习低频信息到高频信息的逐级重建,从而优化网络的收敛和性能。最后,在LOL、LIME、NPE、MEF、DICM和VV数据集上进行测试。实验结果表明,所提方法能够有效提升图像照度,抑制图像噪声和纹理丢失问题,并在PSNR、SSIM和LOE评价指标上均优于比较算法,在主观和客观评价方面均优于其他对比算法。

摘要：针对目前基于非迭代式网络的图像压缩感知重建方法存在着细节处理能力不足以及测量值利用不充分的问题,提出了一种双u型门控网络(dual u-shaped gated network, DuGN)用于图像压缩感知重建。该方法在原有的u型结构网络的基础上进行了改进,提升了u型结构网络在压缩感知任务中的学习能力。在测量值的利用上,结合交叉注意力机制,提出了一种测量值非局部融合模块(measurements non-local fusion, MNLF),用于将测量值中的非局部信息融合到深层网络中,指导网络进行重建,提升模型性能。此外,在基本模块的设计上,提出了窗口门控网络模块(window gated network, WGN),增强了网络的细节处理能力。实验结果表明,与已有的压缩感知重建方法相比,DuGN在Set11数据集上有着更高的PSNR和SSIM,且在图像重建的真实性上有着更好的表现。

摘要：目前,医学图像分割模型广泛采用基于全卷积网络(FCN)的u型网络(u-Net)作为骨干网,但卷积神经网络(CNN)在捕捉长距离依赖能力上的劣势限制了分割模型性能的进一步提升。针对上述问题,研究者们将Transformer应用到医学图像分割模型中以弥补CNN的不足,结合Transformer和u型结构的分割网络成为研究热点之一。在详细介绍u-Net和Transformer之后,按医学图像分割模型中Transformer模块所处的位置,包括仅在编码器或解码器、同时在编码器和解码器、作为过渡连接和其他位置进行分类,讨论各模型的基本内容、设计理念以及可改进的地方,并分析了Transformer处于不同位置的优缺点。根据分析结果可知,决定Transformer所在位置的最大因素是目标分割任务的特点,而且Transformer结合u-Net的分割模型能更好地利用CNN和Transformer各自的优势,提高模型的分割性能,具有较大的发展前景和研究价值。

摘要：由于脑卒中严重程度不同,病灶位置、形状和面积有较大差异,导致目前基于深度学习的分割方法仍还不够理想.针对脑卒中病灶特征,提出了一种新的u型分割网络,该网络的编码器是一个结合Transformer和卷积网络的双分支混合架构,该结构特点是在构建图像层次化特征过程中将基于Transformer的全局特征和基于卷积网络的局部特征进行交叉学习,促进编码器在训练和推理过程中将两种风格的特征相互增强.此外,为了增强小目标、弱边缘的特征表达,构建了合并模块将编码器得到的两种风格的层次化特征进行融合,并将融合后特征输送到一个级联的上采样器中预测病灶区域,以及设计了一个结合Dice函数和Focal函数的损失函数用以缓解小病灶区域造成的前景与背景数据之间的数据不平衡问题.所提出的方法在一个开源脑卒中数据集进行了验证,与其他相关方法相比,所提出的方法在分割精度、效率等方面均表现出较好的性能.

摘要：肺部CT图像分割是计算机辅助诊断系统识别肺癌等疾病的基础步骤,但肺部组织的多样性易造成CT图像的肺部区域出现局部噪点,且心脏等器官的介入也易导致肺部边缘模糊。为解决上述问题,提出一种结合局部上下文关系建模与自适应感知学习的u型卷积网络模型。针对肺部区域的局部噪点,模型通过周边信息对肺部特征构建多层次的上下文关系,增强网络对多样肺细胞的识别能力。针对边界难以区分的问题,设计了自适应感知学习模块:模块设计了混合注意力从通道层面与空间层面引导模型赋予肺部区域更多的关注;自适应感知模块之间由下至上的特征融合机制增强了模型识别肺部特征的鲁棒性。该方法在LuNA和SHCXR两个肺部分割数据集上取得了98.58%和97.68%分割精度,较其他分割方法平均提升了0.34%和0.25%,可为进一步的肺部疾病分析提供有力支持。

摘要：研究基于生成对抗网的中国山水画的边界外推问题.现有的图像外推方法主要是针对草地、天空等内容比较单一、纹理比较规范的自然场景进行的,直接将其应用于内容较为复杂、层次丰富、笔触变化多样的中国山水画外推会出现外推内容模糊、与原有图像边界语义不一致等现象.针对上述问题,基于生成对抗网的思想,提出一种新的生成对抗网的双向解码特征融合网络(bidirectional decoding feature fusion generative adversarial network,BDFF-GAN).网络在生成器设计方面,以现有的u型网络(u-Net)为基础,增加一个多尺度解码器,构建一种双向解码特征融合的生成器uY-Net.多尺度解码器抽取编码器不同层级的特征进行交叉互补的组合,增强了不同尺度特征之间的连接交融;同时每一层双向解码的结果还通过条件跳跃连接进一步相互融合.uY-Net设计上的这2个特点有利于网络对山水画不同粒度的语义特征和笔触形态的传递与学习.在鉴别器设计方面,采用全局鉴别器和局部鉴别器相结合的架构,全局鉴别器将整幅山水画作为输入来控制外推结果的全局一致性,局部鉴别器将原有山水画与外推山水画交界处周围的小区域作为输入以提高外推部分与原画作的连贯性和细节生成质量.实验结果表明,与其他方法相比较,所提算法较好地学习到了山水画的语义特征和纹理信息,外推结果在语义内容的连贯性和笔触纹理结构的自然性方面都有更好的表现.此外,还设计了一种新的用户交互方式,该方式通过外推边界引导线的形式控制外推部分的轮廓走向,从而实现了布局可调的山水画外推效果,扩展了上述BDFF-GAN网络的生成多样性和应用互动性.

摘要：针对视网膜血管拓扑结构不规则、形态复杂和尺度变化多样的特点,该文提出一种多分辨率融合输入的u型网络(MFIu-Net),旨在实现视网膜血管精准分割。设计以多分辨率融合输入为主干的粗略分割网络,生成高分辨率特征。采用改进的ResNeSt代替传统卷积,优化血管分割边界特征;将并行空间激活模块嵌入其中,捕获更多的语义和空间信息。构架另一u型精细分割网络,提高模型的微观表示和识别能力。一是底层采用多尺度密集特征金字塔模块提取血管的多尺度特征信息。二是利用特征自适应模块增强粗、细网络之间的特征融合,抑制不相关的背景噪声。三是设计面向细节的双重损失函数融合,以引导网络专注于学习特征。在眼底数据用于血管提取的数字视网膜图像(DRIVE)、视网膜结构分析(STARE)和儿童心脏与健康研究(CHASE_DB1)上进行实验,其准确率分别为97.00%,97.47%和97.48%,灵敏度分别为82.73%,82.86%和83.24%,曲线下的面积(AuC)值分别为98.74%,98.90%和98.93%。其模型整体性能优于现有算法。

摘要：视网膜血管分割对眼部疾病的自动分析和诊断具有重要意义.针对视网膜图像对比度低、血管细小导致血管分割困难的问题,本文提出一种结合注意力机制和条件生成对抗网络的视网膜血管分割方法.首先设计一个高低层(HL)特征注意力模块作用于高层和低层特征图,使模型分别加强高层和低层空间相关特征,剔除冗余信息,有助于模型更加关注血管前景信息,提高细小血管的分割精度;其次将高低层特征注意力模块与u型网络相结合,构成视网膜血管分割的生成器,并去掉生成器中的BN层,避免小批次训练生成器时批统计量不稳定对分割结果造成的影响;最后将残差网络作为判别器,与生成器一起构成条件生成对抗网络,在生成器和判别器博弈过程中增强生成器学习能力.实验结果表明,本文方法在DRIVE数据集测试的灵敏度、特异性、准确率、AuC(Area under Curve)分别为82.88%、97.45%、95.59%和97.86%,各项指标均优于目前主流的视网膜血管分割算法.