CN114842012B - 基于位置意识u型网络的医学图像小目标检测方法及装置 - Google Patents

基于位置意识u型网络的医学图像小目标检测方法及装置 Download PDF

Info

Publication number
CN114842012B
CN114842012B CN202210777350.3A CN202210777350A CN114842012B CN 114842012 B CN114842012 B CN 114842012B CN 202210777350 A CN202210777350 A CN 202210777350A CN 114842012 B CN114842012 B CN 114842012B
Authority
CN
China
Prior art keywords
small target
neighborhood
medical image
module
features
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202210777350.3A
Other languages
English (en)
Other versions
CN114842012A (zh
Inventor
边小勇
许和伟
李波
刘小明
邓鹤
顾进广
张晓龙
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Wuhan University of Science and Engineering WUSE
Original Assignee
Wuhan University of Science and Engineering WUSE
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Wuhan University of Science and Engineering WUSE filed Critical Wuhan University of Science and Engineering WUSE
Priority to CN202210777350.3A priority Critical patent/CN114842012B/zh
Publication of CN114842012A publication Critical patent/CN114842012A/zh
Application granted granted Critical
Publication of CN114842012B publication Critical patent/CN114842012B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10048—Infrared image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/07—Target detection

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于位置意识U型网络的医学图像小目标检测方法及装置，其中的方法首先利用嵌入软阈值的残差块对输入特征进行去噪，使得网络模型更具有泛化能力；接着，再将去噪后的特征输入到邻域差分对比模块，进一步突出小目标所在位置，从而使得小目标和背景进一步分离；最后，将邻域差分对比模块的输出结果输入到双分支注意力模块，使得该网络关注到小目标的位置信息，进行最后的检测，具有提高检测率，降低虚警率，提高检测效率的有益技术效果。

Description

基于位置意识U型网络的医学图像小目标检测方法及装置
技术领域
本发明涉及医学小目标检测技术领域，尤其涉及一种基于位置意识U型网络的医学图像小目标检测方法及装置。
背景技术
在许多军用和民用领域中，如预警、海上监控夜间导航等，红外搜索和跟踪系统是一项重要的技术。而由于红外成像可以远距离捕获目标，且抗干扰能力强，因此成为红外搜索与跟踪（IRST）系统中的关键技术之一。然而由于红外探测系统成像距离长，目标通常缺乏纹理特性或固定形状。此外，目标具有低信噪比（SCR），因为它总是在复杂的噪声和强杂波的场景中。因此红外小目标检测是一项重要且具有挑战性的问题。
在早期，为了检测红外小目标，大量的传统方法被学者提出。例如基于滤波的方法、基于局部对比度的方法，以及基于低秩的方法。传统的模型驱动方法将红外小目标建模为从附近像素高度相关的缓慢过渡背景中弹出的异常值。因此，检测红外小目标是一种斑点检测的形式，这是图像处理文献中历史悠久的问题。然而，在现实世界的场景中，问题更复杂：有更多的干扰因素，它们在背景中也作为异常值出现。因此，模型驱动的方法必须对小目标（例如最稀疏的目标或最显著的目标）、背景（例如平滑的目标或非局部相关的目标）或两者都做出强有力的先验假设。该问题的传统图像处理公式通常仅利用灰度值作为空间域中的特征，缺乏真实目标和干扰物之间的语义区分性；由此产生的方法通常只能处理局部对比度高的非常显著的目标，而不能处理隐藏在复杂背景中的暗淡目标。此外，利用此类小目标先验的算法对与图像内容相关的超参数非常敏感，例如，朱虎等人发表的《基于Top-Hat正则化的低秩张量补全的医学图像小目标检测》，IEEE 地球科学和遥感学报 vol.58,no. 2, pp.1004-10016, 2020(《Infrared Small Target Detection via Low-RankTensor Completion With Top-Hat Regularization》IEEE Transactions on Geoscienceand Remote Sensing, vol. 58, no. 2, pp. 1004–1016, 2020)中的稀疏控制超参数λ和白相志等人发表的《基于微分熵的红外小目标检测对比度测量》，IEEE 地质科学和遥感学报 vol. 56, no. 4, pp. 2452–2466, Jan 2018(《Derivative Entropy-Based ContrastMeasure for Infrared Small-Target Detection》IEEE Transactions on Geoscienceand Remote Sensing, vol. 56, no. 4, pp. 2452–2466, Jan 2018)中的预设目标大小，这在背景快速变化的高度可变场景中很容易失败。这些传统方法严重依赖于人工标记的目标特征。当检测场景的特征（例如目标大小、目标形状、信噪比以及复杂的背景）明显变化时，这些方法很难用人工标记的特征来处理这些变化。
总的来说，上述方法完全依赖于先验知识来设计用于小目标检测的滤波器或模型。这些方法在应用于各种特定应用时是不可行的。当设计方法的先验知识与特定应用场景的先验知识不匹配时，场景的新先验知识不容易或快速嵌入到这些方法中。相比之下，基于训练样本的学习方法更可行，因为新的先验知识嵌入可以通过场景中的训练样本轻松实现。而近年来，基于深度学习的方法开始被学者提出。深度学习的方法可以自动从训练数据集中学习小目标的特征，更有利于模型学到目标的潜在特征，从而加强的模型的泛化性，使得模型不再过于依赖人工标记的目标特征。刘明等人发表的《基于深度学习的红外小目标检测与信噪比控制的样本生成》, 计算机科学和机械自动化的当前趋势, Vol. 1. DeGruyter Open Poland, pp. 211–220, 2018（《Image Small Target Detection based onDeep Learning with SNR Controlled Sample Generation》, in Current Trends inComputer Science and Mechanical Automation Vol. 1. De Gruyter Open Poland,pp. 211–220, 2018）中首先使用了基于卷积神经网络的方法去检测红外小目标。他们设计了一个五层的多层感知机检测红外小目标。接着又有研究人员提出各种检测算法，例如任少卿发表的《Faster R-CNN：使用区域提议网络实现实时目标检测》, 神经信息处理系统的进展, vol. 28, 2015（《Faster r-cnn: Towards real-time object detection withregion proposal networks》 Advances in neural information processing systems,vol. 28, 2015）。
对于红外小目标而言，由于目标较小，采用检测的方式对目标定位不够准确，因此吴一全等人发表的《用于红外小目标检测的非对称上下文调制》, IEEE, 计算机视觉应用冬季会议, pp. 949–958, 2021（《Asymmetric Contextual Modulation for InfraredSmall Target Detection》 IEEE Winter Conference on Applications of ComputerVision (WACV), pp. 949–958, 2021）中首次提出基于分割方法检测小目标。接着又有学者基于上述方法提出新的模型检测小目标。如李博阳等人发表的《用于红外小目标检测的密集嵌套注意网络》, 2021（《Dense nested attention network for infrared smalltarget detection》 in arXiv:2106.00487, 2021.）。该方法设计了一个密集嵌套交互模块，以实现高级和低级特征的渐进交互。通过该模块的反复交互作用，可以维持深层的小目标。尽管已有的深度学习方法检测性能已经较好了，但是它们中的大部分方法依旧有较高的虚警率，同时检测率也有待提升，且无法兼顾检测效率和检测正确率。
由此可知，现有技术中的方法，还存在许多不足。传统的检测方法只针对特定场景，模型不具有泛化性；而当前的深度学习方法却无法兼顾检测率与检测效率。
发明内容
有鉴于此，本发明提供了一种基于位置意识U型网络的医学图像小目标检测方法及装置，用以解决或者至少部分解决现有技术中存在的因目标缺失、虚警等导致的检测准确度不高的技术问题。
为了解决上述技术问题，本发明第一方面提供了基于位置意识U型网络的医学图像小目标检测方法，包括：
获取医学图像数据集，并按预设比例划分为训练数据集和测试数据集；
对划分出的训练数据集中的图像进行预处理；
构建基于位置意识U型网络的医学图像小目标检测模型，该模型包括嵌入软阈值的残差块模块、邻域差分对比模块以及双分支注意力模块，其中，嵌入软阈值的残差块模块用于对输入的图像进行去噪处理；邻域差分对比模块用于根据嵌入阈值的残差模块的输出进行小目标与背景的分离；双分支注意力模块用于根据邻域差分对比模块的输出进行小目标检测，得到检测结果；
利用预处理后的训练数据集对构建的医学图像小目标检测模型进行训练，通过最小化损失函数的方式对模型进行微调，将得到的最优检测模型作为训练好的医学图像小目标检测模型；
利用训练好的医学图像小目标检测模型对待检测图像进行小目标检测。
在一种实施方式中，对划分出的训练数据集中的图像进行预处理，包括：
将输入图像的格式转换为CNN网络要求的lmdb格式；
将转换为lmdb格式的图像的尺寸缩放到CNN网络要求的输入大小。
在一种实施方式中，嵌入软阈值的残差块模块的处理过程包括：
利用SE-Net算法学习输入特征的阈值，计算公式如下：
Figure 642316DEST_PATH_IMAGE001
其中，S（）表示Squeeze，为挤压操作，E（）表示Excitation，为激发操作，x表示输入 的特征，
Figure 535710DEST_PATH_IMAGE002
为元素乘法，T为学习到的阈值；
利用学习到的阈值对输入特征进行噪声去除，软阈值处理公式如下：
Figure 940016DEST_PATH_IMAGE003
Sgn（）表示获取输入特征x的正负号，Ƴ为一个可学习的尺度参数，初始化为1，Y为经过软阈值处理后的特征值。
在一种实施方式中，邻域差分对比模块的处理过程包括：
设置不同的邻域大小，获取当前邻域的平均值，计算公式如下：
Figure 881427DEST_PATH_IMAGE004
其中，
Figure 526035DEST_PATH_IMAGE005
是指以像素点(x, y)为中心的邻域大小为k的邻域的平均值，k为邻 域的大小；
Figure 434954DEST_PATH_IMAGE006
、N、
Figure 128103DEST_PATH_IMAGE007
分别代表邻域像素点集合、邻域像素点数量和邻域内像素点(s, t) 的像素值，m为最大的邻域大小的尺寸；
根据得到的各个邻域的平均值，更新像素点(x, y)位置的像素值，其过程如下：
Figure 189600DEST_PATH_IMAGE008
其中，
Figure 942793DEST_PATH_IMAGE009
为更新后的像素点位置的像素值，
Figure 89740DEST_PATH_IMAGE010
为以像素点(x, y)为 中心的邻域大小为1的邻域的平均值，
Figure 586581DEST_PATH_IMAGE011
为以像素点(x, y)为中心的邻域大小为m 的邻域的平均值。
在一种实施方式中，双分支注意力模块的处理过程包括：
将高层特征进行双线性采样、逐点卷积后得到与低层特征具有相同的卷积核的特征，然后将与低层特征具有相同的卷积核的特征输入至多尺度通道注意力中，得到关注高层特征中的小目标后的特征；
将低层特征输入到多尺度通道注意力中，得到关注低层特征中的小目标后的特征；
根据关注高层特征中的小目标后的特征、关注低层特征中的小目标后的特征、低层特征以及改变后的高层特征得到融合后的特征。
在一种实施方式中，根据关注高层特征中的小目标后的特征、关注低层特征中的小目标后的特征、低层特征以及改变后的高层特征得到融合后的特征，具体通过下述公式实现：
Figure 506780DEST_PATH_IMAGE012
其中，M（）表示是多尺度通道注意力机制，Conv表示逐点卷积操作，Up表示双线性 上采样操作，
Figure 430874DEST_PATH_IMAGE013
和
Figure 720910DEST_PATH_IMAGE014
分别代表高层特征和低层特征，
Figure 755862DEST_PATH_IMAGE015
表示融合后的特征。
在一种实施方式中，损失函数为组合损失，计算公式为：
Figure 526372DEST_PATH_IMAGE016
其中，
Figure 621367DEST_PATH_IMAGE017
为软IoU损失，IOU为交并比，公式为：
Figure 992174DEST_PATH_IMAGE018
Figure 830817DEST_PATH_IMAGE019
表示双分支注意力模块得到的最终特征的像素值，
Figure 455833DEST_PATH_IMAGE020
表示标记好的小目 标图像，（i，j）是指在图像上点的坐标；
Figure 987309DEST_PATH_IMAGE021
为监督损失，公式为：
Figure 64986DEST_PATH_IMAGE022
Figure 956588DEST_PATH_IMAGE023
为二值交叉熵损失。
基于同样的发明构思，本发明第二方面提供了基于位置意识U型网络的医学图像小目标检测装置，包括：
数据集获取及划分模块，用于获取医学图像数据集，并按预设比例划分为训练数据集和测试数据集；
预处理模块，用于对划分出的训练数据集中的图像进行预处理；
模型构建模块，用于构建基于位置意识U型网络的医学图像小目标检测模型，该模型包括嵌入软阈值的残差块模块、邻域差分对比模块以及双分支注意力模块，其中，嵌入软阈值的残差块模块用于对输入的图像进行去噪处理；邻域差分对比模块用于根据嵌入软阈值的残差块模块的输出进行小目标与背景的分离；双分支注意力模块用于根据邻域差分对比模块的输出进行小目标检测，得到检测结果；
模型训练模块，用于利用预处理后的训练数据集对构建的医学图像小目标检测模型进行训练，通过最小化损失函数的方式对模型进行微调，将得到的最优检测模型作为训练好的医学图像小目标检测模型；
小目标检测模块，用于利用训练好的医学图像小目标检测模型对待检测图像进行小目标检测。
基于同样的发明构思，本发明第三方面提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现第一方面所述的方法。
基于同样的发明构思，本发明第四方面提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现第一方面所述的方法。
相对于现有技术，本发明的优点和有益的技术效果如下：
本发明提供的基于位置意识U型网络的医学图像小目标检测方法及装置，采用基于位置意识U型网络的医学图像小目标检测模型来实现，利用嵌入软阈值的残差块模块对输入的图像进行去噪处理，邻域差分对比模块根据嵌入软阈值的残差块模块的输出进行小目标与背景的分离；双分支注意力模块根据邻域差分对比模块的输出进行小目标检测，得到检测结果；然后对模型进行训练，最终利用训练好的模型进行医学图像的检测。
由于本发明的方法，可以利用嵌入软阈值的残差块对输入特征进行去噪，使得网络模型更具有泛化能力；将去噪后的特征输入到邻域差分对比模块，可以进一步突出小目标所在位置，从而使得小目标和背景进一步分离；最后，将邻域差分对比模块的输出结果输入到双分支注意力模块进行最后的检测，得到最终的检测结果。具有提高检测率，降低虚警率，提高检测效率的有效效果。解决了现有技术中检测准确度不高的技术问题。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例中基于位置意识U型网络的医学图像小目标检测方法的流程图；
图2为本发明实施例中基于位置意识U型网络的医学图像小目标检测模型的框架图；
图3为本发明实施例中嵌入软阈值的残差块模块的框架图；
图4为本发明实施例中邻域差分对比模块的框架图；
图5为本发明实施例中双分支注意力模块的框架图；
图6为本发明实施例中多尺度通道注意力的框架图；
图7为本发明具体实施例的实验结果；
图8为本发明实施例中一种计算机可读存储介质的结构框图；
图9为本发明实施例中计算机设备的结构图；
图10为本发明实施例中的算法与其他算法的对比示意图。
具体实施方式
本发明的目的在于针对现有技术中由于无法准确识别医学图像小目标，导致虚警率过高的问题以及检测缺失的问题，提供一种基于位置意识U型网络的医学图像小目标检测方法及装置，从而提高医学图像小目标检测准确性的目的。
为了达到上述目的，本发明的主要构思如下：
提供基于位置意识U型网络的医学图像小目标检测方法，首先获取医学图像小目标数据集并进行数据集划分；接着对数据集进行预处理；然后将预处理后的图像数据输入到嵌入软阈值的残差块模块中，对图像进行去噪处理；接着将去噪后的数据输入到邻域差分对比模块中，进一步的将小目标和背景区分开；然后把邻域差分对比模块的结果输入到双分支注意力模块中，对小目标进行最后的检测，实现更精准的小目标检测；最后将测试集作为输入通过最优检测网络获得最终的预测结果。
本发明提供的基于位置意识U型网络的医学图像小目标检测方法，由于采用了软阈值去噪，接着再通过邻域差分对比模块进一步分离小目标和背景，最后通过双分支注意力使得该网络进一步关注到小目标的位置，对图像特征进行最后的检测，在医学图像小目标检测上取得了更好的效果。
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例一
本发明实施例提供了基于位置意识U型网络的医学图像小目标检测方法，包括：
S1：获取医学图像数据集，并按预设比例划分为训练数据集和测试数据集；
S2：对划分出的训练数据集中的图像进行预处理；
S3：构建基于位置意识U型网络的医学图像小目标检测模型，该模型包括嵌入软阈值的残差块模块、邻域差分对比模块以及双分支注意力模块，其中，嵌入软阈值的残差块模块用于对输入的图像进行去噪处理；邻域差分对比模块用于根据嵌入软阈值的残差块模的输出进行小目标与背景的分离；双分支注意力模块用于根据邻域差分对比模块的输出特征进行小目标检测，得到检测结果；
S4：利用预处理后的训练数据集对构建的医学图像小目标检测模型进行训练，通过最小化损失函数的方式对模型进行微调，将得到的最优检测模型作为训练好的医学图像小目标检测模型；
S5：利用训练好的医学图像小目标检测模型对待检测图像进行小目标检测。
请参见图1，为本发明实施例中基于位置意识U型网络的医学图像小目标检测方法的流程图。
具体来说，步骤S1中的医学图像数据集是指是某一个开源的医学图像小目标数据集，该数据集中包含多种背景下的小目标，每种背景包括多个图像。
步骤S2中对医学数据集中的图像进行预处理，是指将医学数据集中的图像的格式和尺寸调整成CNN网络可以处理的形式。
步骤S3是模型的构建，该模型主要包括三个模块，嵌入软阈值的残差块模块、邻域差分对比模块以及双分支注意力模块，嵌入软阈值的残差块模块利用软阈值去除小目标图像的噪声，邻域差分对比模块根据嵌入软阈值的残差块模块输出的图像特征获取更精准的小目标信息；双分支注意力模块根据邻域差分对比模块输出的图像特征，使得该网络关注到小目标的位置，进一步检测小目标，以及降低检测的虚警率。
也就是说，本发明构建的模型，首先通过嵌入软阈值的残差模块进行特征提取，由于嵌入了软阈值，该特征提取步骤会加大目标与噪声背景的像素值差异；因此通过邻域差分对比模块对特征提取后的特征进一步将目标和背景分离；最后通过双分支注意力模块完成最后的检测步骤。
具体实施过程中，嵌入软阈值的残差块模块、邻域差分对比模块以及双分支注意力模块的数量可以根据实际情况设置。
步骤S4是模型的训练，步骤S5是模型的具体应用。
在一种实施方式中，对划分出的训练数据集中的图像进行预处理，包括：
将输入图像的格式转换为CNN网络要求的lmdb格式；
将转换为lmdb格式的图像的尺寸缩放到CNN网络要求的输入大小。
具体实施过程中，以Luna医学图像小目标图像数据集为例进行处理，该数据集是从Luna16中随机抽取1186张图像，每张图像的大小为360×360个像素。
在一种实施方式中，嵌入软阈值的残差块模块的处理过程包括：
利用SE-Net算法学习输入特征的阈值，计算公式如下：
Figure 701690DEST_PATH_IMAGE001
其中，S（）表示Squeeze，为挤压操作，E（）表示Excitation，为激发操作，x表示输入 的特征，
Figure 138487DEST_PATH_IMAGE002
为元素乘法，T为学习到的阈值；
利用学习到的阈值对输入特征进行噪声去除，软阈值处理公式如下：
Figure 969040DEST_PATH_IMAGE003
Sgn（）表示获取输入特征x的正负号，Ƴ为一个可学习的尺度参数，初始化为1，Y为经过软阈值处理后的特征值。
请参见图3，为本发明实施例中嵌入软阈值的残差块模块的框架图。
具体来说，嵌入软阈值的残差块模块是一个特征提取网络，本实施方式中采用残差网络res-net34。通过设置残差网络res-net34的学习参数（例如学习率、偏差等），并初始化网络权重、偏差参数后，则可以利用该网络进行特征提取。SE-Net为嵌入软阈值的残差块模块的一部分，主要是为了获取每一层网络中特征对应的阈值。采用针对每个卷积核学习到不同的阈值，然后根据阈值去除噪声，如云层，光点等。
在具体实施时，可以将批处理大小设置为4，学习率设置为0.01。
在一种实施方式中，邻域差分对比模块的处理过程包括：
设置不同的邻域大小，获取当前邻域的平均值，计算公式如下：
Figure 883907DEST_PATH_IMAGE004
其中，
Figure 749094DEST_PATH_IMAGE005
是指以像素点(x, y)为中心的邻域大小为k的邻域的平均值，k为邻 域的大小；
Figure 608991DEST_PATH_IMAGE006
、N、
Figure 926839DEST_PATH_IMAGE007
分别代表邻域像素点集合、邻域像素点数量和邻域内像素点(s, t)的像素值，m为最大的邻域大小的尺寸。
根据得到的各个邻域的平均值，更新像素点(x, y)位置的像素值，其过程如下：
Figure 645397DEST_PATH_IMAGE008
其中，
Figure 99512DEST_PATH_IMAGE009
为更新后的像素点位置的像素值，
Figure 127380DEST_PATH_IMAGE010
为以像素点(x, y)为 中心的邻域大小为1的邻域的平均值，
Figure 932525DEST_PATH_IMAGE024
为以像素点(x, y)为中心的邻域大小为m 的邻域的平均值。需要说明的是，
Figure 454773DEST_PATH_IMAGE009
是指邻域差分对比模块输出的特征在点（x, y） 上的像素值。
请参见图4，为本发明实施例中邻域差分对比模块的框架图。
具体来说，邻域差分对比模块是根据真图（已有数据集中的图像）在嵌入软阈值的残差块模块中得到的结果，进一步获取更精准的小目标信息，以方便小目标的检测。
在具体实施时，可以将邻域大小设置为1，3，5，7，9，13；同时，也可以根据针对的目标大小，相应的更改邻域大小。
在一种实施方式中，双分支注意力模块的处理过程包括：
将高层特征进行双线性采样、逐点卷积后得到与低层特征具有相同的卷积核的特征，然后将与低层特征具有相同的卷积核的特征输入至多尺度通道注意力中，得到关注高层特征中的小目标后的特征；
将低层特征输入到多尺度通道注意力中，得到关注低层特征中的小目标后的特征；
根据关注高层特征中的小目标后的特征、关注低层特征中的小目标后的特征、低层特征以及改变后的高层特征得到融合后的特征。
具体来说，将邻域差分对比模块计算出来的特征输入到双分支注意力模块中，使得该网络关注到小目标的位置，进一步检测小目标，以及降低检测的虚警率。将与低层特征具有相同的卷积核的特征输入至多尺度通道注意力中，从而让网络进一步关注到高层特征中的小目标；将低层的特征输入到多尺度通道注意力中，让网络关注到低层特征中的小目标。
在一种实施方式中，根据关注高层特征中的小目标后的特征、关注低层特征中的小目标后的特征、低层特征以及改变后的高层特征得到融合后的特征，具体通过下述公式实现：
Figure 28974DEST_PATH_IMAGE025
其中，M（）表示是多尺度通道注意力机制，Conv表示逐点卷积操作，Up表示双线性 上采样操作，
Figure 978475DEST_PATH_IMAGE013
和
Figure 5337DEST_PATH_IMAGE014
分别代表高层特征和低层特征，
Figure 580544DEST_PATH_IMAGE015
表示融合后的特征。
请参见图5和图6，其中，图5为本发明实施例中双分支注意力模块的框架图；图6为本发明实施例中多尺度通道注意力的框架图。
具体来说，
Figure 9251DEST_PATH_IMAGE026
表示关注高层特征中的小目标后的特征，
Figure 129654DEST_PATH_IMAGE027
表示将高层特征进行双线性采样、逐点卷积后得到与低层特征具有相同的 卷积核的特征，
Figure 643812DEST_PATH_IMAGE028
表示关注低层特征中的小目标后的特征。
在一种实施方式中，损失函数为组合损失，计算公式为：
Figure 773442DEST_PATH_IMAGE029
其中，
Figure 40344DEST_PATH_IMAGE030
为软IoU损失，IOU为交并比，公式为：
Figure 862806DEST_PATH_IMAGE031
Figure 598681DEST_PATH_IMAGE019
表示双分支注意力模块得到的最终特征的像素值，
Figure 266423DEST_PATH_IMAGE020
表示标记好的小目 标图像，（i，j）是指在图像上点的坐标；
Figure 404143DEST_PATH_IMAGE021
为监督损失，公式为：
Figure 643845DEST_PATH_IMAGE022
Figure 601436DEST_PATH_IMAGE023
为二值交叉熵损失。
具体来说，在训练过程中，联合邻域差分对比模块的部分输出和双分支注意力模块的最后输出，以监督损失和Soft-IOU损失的组合方式对网络进行微调，得到最优检测模型，作为训练好的模型。
请参见图2，为本发明实施例中基于位置意识U型网络的医学图像小目标检测模型的框架图。该实施方式中，检测模型包括5个嵌入阈值的残差块模块、4个邻域差分对比模块和3个双分支注意力模块，其中，5个嵌入阈值的残差块模块为特征提取部分，三个双分支注意力模块为上采样部分。邻域差分对比模块与嵌入阈值的残差块模块、双分支注意力模块为平行连接关系，用于对嵌入阈值的残差块模块特征提取后的特征进一步将目标和背景分离。
总体来说，先是通过嵌入软阈值的残差模块进行特征提取，由于嵌入了软阈值，该特征提取步骤会加大目标与噪声背景的像素值差异；然后再通过邻域差分对比模块对特征提取后的特征进一步将目标和背景分离；最后通过双分支注意力模块完成最后的检测步骤。
具体来说，每个嵌入阈值的残差块的输入特征各不相同，从上往下，第一个嵌入阈值的残差块的输入特征为预处理后的图像的特征，第二个嵌入阈值的残差块的输入特征为前一个残差块的输出特征，第三至第五个也类似，都为前一个残差块的输出特征为输入。关于邻域差分对比模块，是以与之对应的嵌入阈值的残差块的输出作为输入，例如最上层的邻域差分对比模块有三个输入，最底层的邻域差分对比模块具有两个输入。
此外，是双分支注意力模块，最底层的双分支注意力模块是将两个邻域差分对比模块的输出作为输入，接下来中间层的双分支注意力模块则是以同一层的邻域差分对比模块的输出以及它的下一层的（该处为最底层的）双分支注意力模块的输出作为输入，最上层的双分支注意力模块，则与之类似。
关于双分支注意力模块对于高层特征和低层特征的处理，是相对来说的，对于最底层的双分支注意力模块来说，第四个邻域差分对比模块（从上往下数第4个）的输出特征为高层特征，第三个邻域差分对比模块输出的特征为低层特征，类似地，对于中间层的双分支注意力模块来说，它的两个输入中，邻域差分对比模块的输出为低层特征，最底层的双分支注意力模块的输出为高层特征。此外，由于每个双分支注意力模块的输入不相同，则其输出，即得到的融合后的特征也不相同。最底层的双分支注意力模块根据前文中融合后的特征的计算方式，以同一层的邻域差分对比模块的输出作为低层特征，以上一层的邻域差分比对模块的输出作为高层特征进行计算，得到对应的融合后的特征，然后作为高层特征，与中间双分支注意力模块的输出作为低层特征输入中间层的双分支注意力模块进行计算，得到中间层融合后的特征，最后通过最上层的双分支注意力模块以中间层融合后的特征作为高层特征，以最上层双分支注意力模块同一层的邻域差分对比模块的输出作为低层特征进行计算，得到最上层融合后的特征，即为最终的特征。
在一种实施方式中，利用测试数据集对模型进行测试。测试过程与利用训练数据集进行训练的过程类似，将进行数据预处理后测试数据集中的图像的测试集作为输入，将之输入到特征提取网络（嵌入软阈值的残差块模块）中，去除图像的噪声；然后将之输入到邻域差分对比模块，进一步分离小目标和背景；最后，再将之输入到双分支注意力模块，获得最后的检测的结果。
具体实现步骤如下：
步骤S7.1：对测试集数据进行图像预处理；
步骤S7.2：将数据预处理后的测试集图像输入特征提取网络得到去噪后的图像特征；
步骤S7.3：将特征提取网络得到的特征输入到邻域差分对比模块，进一步将小目标和背景分离；
步骤S7.4：将邻域差分对比模块的结果输入到双分支注意力模块中，进行最后的检测步骤。
如图7所示，为本发明中利用本发明的方法对医学图像小目标进行检测的结果图。
现有技术中还有基于生成式对抗网络的医学图像小目标方法，构建一种具有特殊结构的生成式对抗网络，在条件GAN的基础上进行扩展，通过两个生成器分别减少漏检率以及虚警率，但是该网络需要三个子网络来实现小目标检测，对硬件性能要求过高，而且检测时间过长。
本发明采用基于位置意识U型网络的医学图像小目标检测方法，首先将根据已划分好的训练集和测试集加载医学图像小目标数据集；接着对数据集进行预处理；然后将预处理后的图像数据输入到嵌入软阈值的残差块模块中，对图像进行去噪处理；再接着把去噪后的数据输入到邻域差分对比模块中，进一步的将小目标和背景区分开；然后把邻域差分对比模块的结果输入到双分支注意力模块中，对小目标进行最后的检测，实现更精准的小目标检测；最后将测试集作为输入通过最优检测网络获得最终的预测结果，具有提高医学图像小目标检测率，降低虚警率的效果。
因此，本发明通过基于位置意识U型网络的医学图像小目标检测方法，由于采用了软阈值去噪，接着再通过邻域差分对比模块进一步分离小目标和背景，最后通过双分支注意力对图像特征进行最后的检测，在医学图像小目标检测上取得了更好的效果。
为了验证本发明提出的医学图像小目标检测方法的优势，使用公开医学图像小目标数据（Luna），将本实例算法与其他算法做分析和对比，如图10所示：
其中，NRU算法参见文献1，徐麒皓. 基于 NRU 网络的肺结节检测方法[J]. 计算机工程与应用, 2021, 57(4): 83-90；改进双向LSTM算法参见文献2，徐麒皓. 改进双向LSTM 的肺结节分割方法[J]. 计算机工程与应用；Wang算法参见文献3，Wang S, Mu Z ,Gevaert O , et al. A multi-view deep convolutional neural networks for lungnodule segmentation[J]. Conf Proc IEEE Eng Med Biol Soc, 2017, 2017:1752-1755；Salsabil算法参见文献4，El-Regaily S A, Salem M, Aziz M , et al. Lungnodule segmentation and detection in computed tomography[C]// 2017 EighthInternational Conference on Intelligent Computing and Information Systems(ICICIS). IEEE, 2017。由图10可知，在基于卷积神经网络算法中，本发明提出的基于位置意识U型网络的医学图像小目标检测方法具有更好的效果，进一步说明通过基于位置意识U型网络的医学图像小目标检测方法网络模型及其训练，提出了阈值嵌入残差网络，可以先去除医学图像小目标图像的周边噪声，然后再将去除噪声的特征输入到邻域局部对比模块中，进一步的将背景与小目标进行分离，最后将特征输入到双分支注意力模块中，对特征进行最后的检测，能够提高小目标检测的效果。
实施例二
基于同样的发明构思，本实施例提供了基于位置意识U型网络的医学图像小目标检测装置，包括：
数据集获取及划分模块，用于获取医学图像数据集，并按预设比例划分为训练数据集和测试数据集；
预处理模块，用于对划分出的训练数据集中的图像进行预处理；
模型构建模块，用于构建基于位置意识U型网络的医学图像小目标检测模型，该模型包括嵌入软阈值的残差块模块、邻域差分对比模块以及双分支注意力模块，其中，嵌入软阈值的残差块模块用于对输入的图像进行去噪处理；邻域差分对比模块用于根据嵌入软阈值的残差块模块的输出进行小目标与背景的分离；双分支注意力模块用于根据邻域差分对比模块的输出进行小目标检测，得到检测结果；
模型训练模块，用于利用预处理后的训练数据集对构建的医学图像小目标检测模型进行训练，通过最小化损失函数的方式对模型进行微调，将得到的最优检测模型作为训练好的医学图像小目标检测模型；
小目标检测模块，用于利用训练好的医学图像小目标检测模型对待检测图像进行小目标检测。
由于本发明实施例二所介绍的装置为实施本发明实施例一中基于位置意识U型网络的医学图像小目标检测方法所采用的装置，故而基于本发明实施例一所介绍的方法，本领域所属人员能够了解该装置的具体结构及变形，故而在此不再赘述。凡是本发明实施例一中方法所采用的装置都属于本发明所欲保护的范围。
实施例三
如图8所示，基于同一发明构思，本发明还提供了一种计算机可读存储介质300，其上存储有计算机程序311，该程序被执行时实现如实施例一中所述的方法。
由于本发明实施例三所介绍的计算机可读存储介质为实施本发明实施例一中基于位置意识U型网络的医学图像小目标检测方法所采用的计算机可读存储介质，故而基于本发明实施例一所介绍的方法，本领域所属人员能够了解该计算机可读存储介质的具体结构及变形，故而在此不再赘述。凡是本发明实施例一的方法所采用的计算机可读存储介质都属于本发明所欲保护的范围。
实施例四
基于同一发明构思，本申请还提供了一种计算机设备，如图9所示，包括存储401、处理器402及存储在存储器上并可在处理器上运行的计算机程序403，处理器402执行上述程序时实现实施例一中的方法。
由于本发明实施例四所介绍的计算机设备为实施本发明实施例一中基于位置意识U型网络的医学图像小目标检测方法所采用的计算机设备，故而基于本发明实施例一所介绍的方法，本领域所属人员能够了解该计算机设备的具体结构及变形，故而在此不再赘述。凡是本发明实施例一中方法所采用的计算机设备都属于本发明所欲保护的范围。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备（系统）、和计算机程序产品的流程图和／或方框图来描述的。应理解可由计算机程序指令实现流程图和／或方框图中的每一流程和／或方框、以及流程图和／或方框图中的流程和／或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的装置。
尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然，本领域的技术人员可以对本发明实施例进行各种改动和变型而不脱离本发明实施例的精神和范围。这样，倘若本发明实施例的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (8)

1.基于位置意识U型网络的医学图像小目标检测方法，其特征在于，包括：
获取医学图像数据集，并按预设比例划分为训练数据集和测试数据集；
对划分出的训练数据集中的图像进行预处理；
构建基于位置意识U型网络的医学图像小目标检测模型，该模型包括5个嵌入阈值的残差块模块、4个邻域差分对比模块和3个双分支注意力模块，其中，5个嵌入阈值的残差块模块为特征提取部分，三个双分支注意力模块为上采样部分，邻域差分对比模块与嵌入阈值的残差块模块、双分支注意力模块为平行连接关系，其中，嵌入软阈值的残差块模块用于对输入的图像进行去噪处理；邻域差分对比模块用于根据嵌入阈值的残差模块的输出进行小目标与背景的分离；双分支注意力模块用于根据邻域差分对比模块的输出进行小目标检测，得到检测结果；
利用预处理后的训练数据集对构建的医学图像小目标检测模型进行训练，通过最小化损失函数的方式对模型进行微调，将得到的最优检测模型作为训练好的医学图像小目标检测模型；
利用训练好的医学图像小目标检测模型对待检测图像进行小目标检测；
双分支注意力模块根据邻域差分对比模块的输出进行小目标检测的处理过程包括：
将高层特征进行双线性采样、逐点卷积后得到与低层特征具有相同的卷积核的特征，然后将与低层特征具有相同的卷积核的特征输入至多尺度通道注意力中，得到关注高层特征中的小目标后的特征；
将低层特征输入到多尺度通道注意力中，得到关注低层特征中的小目标后的特征；
根据关注高层特征中的小目标后的特征、关注低层特征中的小目标后的特征、低层特征以及改变后的高层特征得到融合后的特征，具体通过下述公式实现：
Figure 469917DEST_PATH_IMAGE001
其中，M（）表示是多尺度通道注意力机制，Conv表示逐点卷积操作，Up表示双线性上采 样操作，
Figure 795856DEST_PATH_IMAGE002
和
Figure 958985DEST_PATH_IMAGE003
分别代表高层特征和低层特征，
Figure 344967DEST_PATH_IMAGE004
表示融合后的特征。
2.如权利要求1所述的基于位置意识U型网络的医学图像小目标检测方法，其特征在于，对划分出的训练数据集中的图像进行预处理，包括：
将输入图像的格式转换为CNN网络要求的lmdb格式；
将转换为lmdb格式的图像的尺寸缩放到CNN网络要求的输入大小。
3.如权利要求1所述的基于位置意识U型网络的医学图像小目标检测方法，其特征在于，嵌入软阈值的残差块模块的处理过程包括：
利用SE-Net算法学习输入特征的阈值，计算公式如下：
Figure 108392DEST_PATH_IMAGE005
其中，S（）表示Squeeze，为挤压操作，E（）表示Excitation，为激发操作，x表示输入的特 征，
Figure 238022DEST_PATH_IMAGE006
为元素乘法，T为学习到的阈值；
利用学习到的阈值对输入特征进行噪声去除，软阈值处理公式如下：
Figure 255657DEST_PATH_IMAGE007
Sgn（）表示获取输入特征x的正负号，Ƴ为一个可学习的尺度参数，初始化为1，Y为经过软阈值处理后的特征值。
4.如权利要求1所述的基于位置意识U型网络的医学图像小目标检测方法，其特征在于，邻域差分对比模块的处理过程包括：
设置不同的邻域大小，获取当前邻域的平均值，计算公式如下：
Figure 812540DEST_PATH_IMAGE008
其中，
Figure 813994DEST_PATH_IMAGE009
是指以像素点(x, y)为中心的邻域大小为k的邻域的平均值，k为邻域的大 小；
Figure 731003DEST_PATH_IMAGE010
、N、
Figure 868724DEST_PATH_IMAGE011
分别代表邻域像素点集合、邻域像素点数量和邻域内像素点(s, t)的像素 值，m为最大的邻域大小的尺寸；
根据得到的各个邻域的平均值，更新像素点(x, y)位置的像素值，其过程如下：
Figure 596508DEST_PATH_IMAGE012
其中，
Figure 597175DEST_PATH_IMAGE013
为更新后的像素点位置的像素值，
Figure 849034DEST_PATH_IMAGE014
为以像素点(x, y)为中心 的邻域大小为1的邻域的平均值，
Figure 841261DEST_PATH_IMAGE015
为以像素点(x, y)为中心的邻域大小为m的邻 域的平均值。
5.如权利要求1所述的基于位置意识U型网络的医学图像小目标检测方法，其特征在于，损失函数为组合损失，计算公式为：
Figure 5526DEST_PATH_IMAGE016
其中，
Figure 450414DEST_PATH_IMAGE017
为软IoU损失，IOU为交并比，公式为：
Figure 712155DEST_PATH_IMAGE018
Figure 90047DEST_PATH_IMAGE019
表示双分支注意力模块得到的最终特征的像素值，
Figure 894055DEST_PATH_IMAGE020
表示标记好的小目标图 像，（i，j）是指在图像上点的坐标；
Figure 357397DEST_PATH_IMAGE021
为监督损失，公式为：
Figure 905053DEST_PATH_IMAGE022
Figure 386719DEST_PATH_IMAGE023
为二值交叉熵损失。
6.基于位置意识U型网络的医学图像小目标检测装置，其特征在于，包括：
数据集获取及划分模块，用于获取医学图像数据集，并按预设比例划分为训练数据集和测试数据集；
预处理模块，用于对划分出的训练数据集中的图像进行预处理；
模型构建模块，用于构建基于位置意识U型网络的医学图像小目标检测模型，该模型包括5个嵌入阈值的残差块模块、4个邻域差分对比模块和3个双分支注意力模块，其中，5个嵌入阈值的残差块模块为特征提取部分，三个双分支注意力模块为上采样部分，邻域差分对比模块与嵌入阈值的残差块模块、双分支注意力模块为平行连接关系，其中，嵌入软阈值的残差块模块用于对输入的图像进行去噪处理；邻域差分对比模块用于根据嵌入软阈值的残差块模块的输出进行小目标与背景的分离；双分支注意力模块用于根据邻域差分对比模块的输出进行小目标检测，得到检测结果；
模型训练模块，用于利用预处理后的训练数据集对构建的医学图像小目标检测模型进行训练，通过最小化损失函数的方式对模型进行微调，将得到的最优检测模型作为训练好的医学图像小目标检测模型；
小目标检测模块，用于利用训练好的医学图像小目标检测模型对待检测图像进行小目标检测；
双分支注意力模块根据邻域差分对比模块的输出进行小目标检测的处理过程包括：
将高层特征进行双线性采样、逐点卷积后得到与低层特征具有相同的卷积核的特征，然后将与低层特征具有相同的卷积核的特征输入至多尺度通道注意力中，得到关注高层特征中的小目标后的特征；
将低层特征输入到多尺度通道注意力中，得到关注低层特征中的小目标后的特征；
根据关注高层特征中的小目标后的特征、关注低层特征中的小目标后的特征、低层特征以及改变后的高层特征得到融合后的特征，具体通过下述公式实现：
Figure 876475DEST_PATH_IMAGE001
其中，M（）表示是多尺度通道注意力机制，Conv表示逐点卷积操作，Up表示双线性上采 样操作，
Figure 827114DEST_PATH_IMAGE002
和
Figure 690378DEST_PATH_IMAGE003
分别代表高层特征和低层特征，
Figure 777282DEST_PATH_IMAGE004
表示融合后的特征。
7.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被执行时实现如权利要求1至5中任一项权利要求所述的方法。
8.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至5中任一项权利要求所述的方法。
CN202210777350.3A 2022-07-04 2022-07-04 基于位置意识u型网络的医学图像小目标检测方法及装置 Active CN114842012B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210777350.3A CN114842012B (zh) 2022-07-04 2022-07-04 基于位置意识u型网络的医学图像小目标检测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210777350.3A CN114842012B (zh) 2022-07-04 2022-07-04 基于位置意识u型网络的医学图像小目标检测方法及装置

Publications (2)

Publication Number Publication Date
CN114842012A CN114842012A (zh) 2022-08-02
CN114842012B true CN114842012B (zh) 2022-10-25

Family

ID=82574395

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210777350.3A Active CN114842012B (zh) 2022-07-04 2022-07-04 基于位置意识u型网络的医学图像小目标检测方法及装置

Country Status (1)

Country Link
CN (1) CN114842012B (zh)

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10482603B1 (en) * 2019-06-25 2019-11-19 Artificial Intelligence, Ltd. Medical image segmentation using an integrated edge guidance module and object segmentation network
CN113591968A (zh) * 2021-07-27 2021-11-02 中国人民解放军国防科技大学 一种基于非对称注意力特征融合的红外弱小目标检测方法
CN114202672A (zh) * 2021-12-09 2022-03-18 南京理工大学 一种基于注意力机制的小目标检测方法
CN114241340B (zh) * 2021-12-16 2024-05-10 北京工业大学 一种基于双路深度残差网络的图像目标检测方法及系统
CN114648684A (zh) * 2022-03-24 2022-06-21 南京邮电大学 一种用于图像目标检测的轻量级双分支卷积神经网络及其检测方法

Also Published As

Publication number Publication date
CN114842012A (zh) 2022-08-02

Similar Documents

Publication Publication Date Title
CN113065558B (zh) 一种结合注意力机制的轻量级小目标检测方法
CN110472627B (zh) 一种端到端的sar图像识别方法、装置及存储介质
Lim et al. Foreground segmentation using convolutional neural networks for multiscale feature encoding
CN112488210A (zh) 一种基于图卷积神经网络的三维点云自动分类方法
CN113591968A (zh) 一种基于非对称注意力特征融合的红外弱小目标检测方法
CN110689021A (zh) 一种基于深度学习的低可见度环境下实时目标检测方法
CN114241274B (zh) 一种基于超分辨率多尺度特征融合的小目标检测方法
WO2023000949A1 (zh) 视频监控火灾的检测方法及装置
CN113191489B (zh) 二值神经网络模型的训练方法、图像处理方法和装置
US20230104196A1 (en) Device and a Method for Processing Data Sequences Using a Convolutional Neural Network
Cho et al. Semantic segmentation with low light images by modified CycleGAN-based image enhancement
Moghimi et al. Real-time underwater image resolution enhancement using super-resolution with deep convolutional neural networks
CN113781519A (zh) 目标跟踪方法和目标跟踪装置
CN110532959B (zh) 基于双通道三维卷积神经网络的实时暴力行为检测系统
CN115861756A (zh) 基于级联组合网络的大地背景小目标识别方法
CN115661611A (zh) 一种基于改进Yolov5网络的红外小目标检测方法
CN117788296B (zh) 基于异构组合深度网络的红外遥感图像超分辨率重建方法
CN115063704A (zh) 一种立体特征融合语义分割的无人机监测目标分类方法
CN112800932B (zh) 海上背景下显著船舶目标的检测方法及电子设备
CN117079117B (zh) 水下图像处理及目标识别的方法及装置、存储介质及电子设备
CN111598841B (zh) 基于正则化稠密连接特征金字塔的实例显著性检测方法
CN117409244A (zh) 一种SCKConv多尺度特征融合增强的低照度小目标检测方法
CN115358952B (zh) 一种基于元学习的图像增强方法、系统、设备和存储介质
CN114842012B (zh) 基于位置意识u型网络的医学图像小目标检测方法及装置
CN115311550B (zh) 遥感影像语义变化检测方法、装置、电子设备及存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant