摘要：多器官分割在病理分析、手术方案制定以及临床诊断上都具有重要的应用价值.但是,一些器官形变较大、尺寸较小且组织边缘模糊,导致分割效果较差.为了解决该问题,提出了一种用于多器官分割的多尺度聚合网络(MSANet).MSANet有两个优势:首先,设计了多尺度边界提取模块,使用多尺度卷积核提取多个特征图,将不同尺度的特征图互相结合,从而聚合全局上下文信息,并提取不同器官的边界和细节信息;其次,设计了聚焦式注意力模块,通过学习的注意力权重来调节特征图的重要性,从而聚焦感兴趣的多器官区域并捕捉不同器官的关键特征,进一步提高分割性能.在两个公开数据集CHAOS和MS-CMRSeg上进行了大量实验.实验结果表明:MSANet在两个数据集上的分割效果均优于当前主流的多器官分割方法,显著提高了多器官分割精度.

摘要：针对小数据集情况下贝叶斯网络(BN)参数学习结果精度较低的问题,分析了小数据集情况下BN参数变权重设计的必要性,提出一种基于变权重融合的BN参数学习算法VWPL。首先根据专家经验确定不等式约束条件,计算参数学习最小样本数据集阈值,设计了随样本量变化的变权重因子函数;然后根据样本计算出初始参数集,通过Bootstrap方法进行参数扩展得到满足约束条件的候选参数集,将其代入BN变权重参数计算模型即可获取最终的BN参数。实验结果表明,当学习数据量较小时,VWPL算法的学习精度高于MLE算法和QMAP算法的,也优于定权重学习算法的。另外,将VWPL算法成功应用到了轴承故障诊断实验中,为在小数据集上进行BN参数估计提供了一种方法。

摘要：在基于深度学习方法的医学图像分割任务中,通常需要大量的标记数据。然而,获得可靠的标注是昂贵且耗时的。为此,提出了一种新的框架,采用具有形状约束和不确定性估计的双一致性正则化半监督方法,用于3D医学图像分割。首先,引入了一种基于学习目标区域的形状约束,通过联合学习两个网络的输出,加强几何形状约束,从而学习更可靠的信息。其次,设计了一种分割网络,以生成不同尺度的特征图,并引入了多尺度一致性损失来增强其稳定性。然而,由于这些特征图的空间分辨率不同,直接在每个像素上强制一致性可能导致不可靠的结果和信息丢失。因此,进一步提出了一种基于不确定性估计的多尺度一致性学习,以逐步学习有意义和可靠的特征区域,并增强模型的鲁棒性。实验结果表明,由于强大的无标记数据的知识挖掘能力,本文所提出的方法优于流行的半监督医学图像分割方法。

摘要：现有部分无监督低照度图像增强方法在增强图像曝光不足的区域时会降低其高光区域亮度,导致增强后的图像出现伪影;单一的TV损失既无法区别照明特征图的细节,还会忽略照明特征图边缘明暗度差异突出的地区,导致光晕现象的产生。为此,提出一种基于通道注意力与光照权重的无监督低照度图像增强方法 VARRNet。首先,VARRNet将图像转化为HSV空间,将V空间与Retinex理论结合以避免损失信息;其次,为了防止在亮度增强过程中生成伪影,设计了一个亮度估计网络引入通道注意力ECA分配输入特征图的权重,以恢复曝光不足区域的亮度,并有效保持高光区域的亮度;最后,在亮度估计网络中结合TV损失与光照分量权重来保留增强后特征图的丰富细节信息,消除强边缘处的光晕。在与当前流行的5个低照度图像增强方法进行比较实验发现,VARRNet在亮度增强、细节保留、色彩恢复、伪影抑制和光晕去除等方面均取得了更好的可视化效果。

摘要：全卷积神经网络的出现,让遥感影像分割技术不断进步,但是这些方法常常因为两个问题备受限制。首先,由于编解码网络在跳跃连接部分往往会引起特征冗余,导致深度网络模型无法学习到有用的特征信息;其次,主流的深度网络模型致力于提高遥感影像的分割精度,因此通常采用更为复杂的编码策略导致网络模型参数量巨大,资源消耗多。为解决以上问题,论文提出了两个网络优化策略,首先在网络的跳跃连接部分添加注意力机制模块,使网络能够学习到更加有用的知识,从而提升网络的特征学习能力;其次使用深度可分离卷积代替常规卷积以减少网络参数量,在保证网络对遥感影像分割精度的同时提升网络的泛化能力。基于上述策略,该文章设计了一种新的用于遥感影像分割的轻量化网络。实验结果表明,使用提出的网络模型对遥感影像进行图像分割,准确率达到82.92%,MIoU达到69.85%,模型参数量仅有9.835MB,计算量26.028GFlops。