姚宇
- 作品数：54 被引量：191H指数：7
- 供职机构：中国科学院成都计算机应用研究所更多>>
- 发文基金：四川省科技支撑计划中国科学院西部之光基金国家自然科学基金更多>>
- 相关领域：自动化与计算机技术天文地球医药卫生电子电信更多>>
- 中值滤波与各向异性扩散相结合的医学图像滤波方法被引量：19
- 2014年
- 医学图像的滤波处理,须保留具有重要诊断意义的边缘细节信息。针对Perona-Malik(PM)各向异性扩散模型遇到强噪声则失效和扩散门限参数K依靠经验选取的不足,提出了一种改进的各向异性扩散算法。将PM算法与中值滤波结合,用经过中值滤波平滑后的梯度模代替原始图像的梯度模,以控制扩散的过程。应用自适应扩散门限(当前邻域内梯度的绝对偏差中值(MAD))和迭代终止准则,提高算法鲁棒性和效率。实验分别对超声心动图、CT图像和Lena图像进行去噪处理,用峰值信噪比(PSNR)和边缘保持能力EPI作为评价标准。实验结果表明,改进算法优于PM算法和Catte-PM方法,在提高信噪比的同时保留了图像的细节信息,可以更好地满足医学图像的使用要求。
- 付丽娟姚宇付忠良
- 关键词：医学图像中值滤波
- 基于深度学习的多模态医学图像分割综述
- 2023年
- 多模态医学图像可以为临床医生提供靶区(如肿瘤、器官或组织)的丰富信息。然而,由于多模态图像之间相互独立且仅有互补性,如何有效融合多模态图像并进行分割仍是亟待解决的问题。传统的图像融合方法难以有效解决此问题,因此基于深度学习的多模态医学图像分割算法得到了广泛的研究。从原理、技术、问题及展望等方面对基于深度学习的多模态医学图像分割任务进行了综述。首先,介绍了深度学习与多模态医学图像分割的一般理论,包括深度学习与卷积神经网络(CNN)的基本原理与发展历程,以及多模态医学图像分割任务的重要性;其次,介绍了多模态医学图像分割的关键概念,包括数据维度、预处理、数据增强、损失函数以及后处理等;接着,对基于不同融合策略的多模态分割网络进行综述,对不同方式的融合策略进行分析;最后,对医学图像分割过程中常见的几个问题进行探讨,并对今后研究作了总结与展望。
- 窦猛陈哲彬王辛周继陶姚宇
- 关键词：多模态医学图像图像融合图像分割
- 应用多索引加法量化编码的近邻检索算法被引量：3
- 2018年
- 目的 海量图像检索技术是计算机视觉领域研究热点之一,一个基本的思路是对数据库中所有图像提取特征,然后定义特征相似性度量,进行近邻检索。海量图像检索技术,关键的是设计满足存储需求和效率的近邻检索算法。为了提高图像视觉特征的近似表示精度和降低图像视觉特征的存储空间需求,提出了一种多索引加法量化方法。方法 由于线性搜索算法复杂度高,而且为了满足检索的实时性,需把图像描述符存储在内存中,不能满足大规模检索系统的需求。基于非线性检索的优越性,本文对非穷尽搜索的多索引结构和量化编码进行了探索新研究。利用多索引结构将原始数据空间划分成多个子空间,把每个子空间数据项分配到不同的倒排列表中,然后使用压缩编码的加法量化方法编码倒排列表中的残差数据项,进一步减少对原始空间的量化损失。在近邻检索时采用非穷尽搜索的策略,只在少数倒排列表中检索近邻项,可以大大减少检索时间成本,而且检索过程中不用存储原始数据,只需存储数据集中每个数据项在加法量化码书中的码字索引,大大减少内存消耗。结果 为了验证算法的有效性,在3个数据集SIFT、GIST、MNIST上进行测试,召回率相比近几年算法提升4%~15%,平均查准率提高12%左右,检索时间与最快的算法持平。结论 本文提出的多索引加法量化编码算法,有效改善了图像视觉特征的近似表示精度和存储空间需求,并提升了在大规模数据集的检索准确率和召回率。本文算法主要针对特征进行近邻检索,适用于海量图像以及其他多媒体数据的近邻检索。
- 刘恒姚宇曾玲陶攀
- 关键词：倒排索引矢量量化
- 基于深度学习的遥感图像目标检测与识别被引量：28
- 2020年
- 为解决目前的遥感图像目标检测算法存在的对小尺度目标检测精度低和检测速度慢等问题,提出了一种基于深度学习的遥感图像目标检测与识别算法。首先,构建一个含有不同尺度大小的遥感图像的数据集用于模型的训练和测试;其次,基于原始的多尺度单发射击(SSD)网络模型,融入了设计的浅层特征融合模块、浅层特征增强模块和深层特征增强模块;最后,在训练策略上引入聚焦分类损失函数,以解决训练过程中正负样本失衡的问题。在高分辨率遥感图像数据集上进行实验,结果表明所提算法的检测平均精度均值(mAP)达到77.95%,相较于SSD网络模型提高了3.99个百分点,同时检测速度为33.8 frame/s。此外,在拓展实验中,改进算法对高分辨率遥感图像中模糊目标的检测效果也优于原多尺度单发射击网络模型。实验结果说明,所提改进算法能够有效地提高遥感图像目标检测的精度。
- 史文旭鲍佳慧姚宇
- 关键词：目标检测遥感图像卷积神经网络
- 基于多任务学习的肝细胞癌分割与病理分化程度预测方法被引量：1
- 2023年
- 肝细胞癌(HCC)是最常见的肝脏恶性肿瘤,其中HCC分割和病理分化程度预测是手术治疗和预后评估过程中的两个重要任务。现有方法通常独立地解决这两个问题,没有考虑两个任务的相关性。本文提出了一种多任务学习模型,旨在同时完成分割任务和病理分化程度分类任务。本文所提模型由分割子网和分类子网构成:在分类子网中提出了一种多尺度特征融合方法来提高分类精度;在分割子网中设计了一种边界感知注意力,用于解决肿瘤过分割问题。本文采用动态权重平均多任务损失,使模型在两个任务中同时获得最优的性能。研究结果显示,本文方法在295例HCC患者上的实验结果均优于其它多任务学习方法,在分割任务上戴斯相似系数(Dice)为(83.9±0.88)%,同时在分类任务上的平均召回率为(86.08±0.83)%,F1分数为(80.05±1.7)%。该结果表明,本文提出的多任务学习方法能够同时较好地完成分类任务和分割任务,可为HCC患者的临床诊断和治疗提供理论参考。
- 文含赵莹杨涌王洪凯刘爱连刘爱连付忠良
- 关键词：多任务学习肝细胞癌
- 基于深度学习与医学先验知识的超声心动图切片识别被引量：2
- 2017年
- 针对传统机器学习方法在围术期食管超声心动图(TEE)上进行切片识别时识别精度不够高和模型不能端到端的问题,提出了一种基于深度学习与医学先验的端到端切片识别方法。首先,提取TEE超声切片上的切片角度信息训练一个小型卷积神经网络(CNN)进行角度分类,获取分类结果即医学先验概率;然后,对整个TEE超声切片成像区域训练一个大型深度学习网络模型进行切片分类,获取验证前分类结果,即条件概率;最后通过贝叶斯方法校验获取最终的识别结果。实验结果表明,与传统方法相比结合深度学习与医学先验的切片识别方法极大地提高了TEE切片识别的精度。
- 唐涔轩王晓东姚宇
- 关键词：超声心动图卷积神经网络贝叶斯方法
- 基于经食道超声心动图超声数据的心脏病分类被引量：1
- 2017年
- 为了研究经食道超声心动图(TEE)超声数据与心脏病类别之间的关系,提出一种以决策树(DT)分类器作为基分类器的自适应提升(AdaBoost)分类预测模型(DT_AdaBoost)。该模型首先对训练集中的每个样本赋予一个相同的权重表示样本被选中的概率,然后有放回地选取样本组成训练子集训练DT分类器,如果该分类器的分类准确率大于50%,则计算此DT分类器的重要性,并更新样本权重,最后在新的样本分布下再次进行抽样训练。依此类推,可得到多个权重不同的DT分类器,把所有DT分类器按重要性叠加(boost)起来,即可得到最终的强分类器。仿真结果表明,以DT分类器作为基分类器的Ada Boost方法诊断准确率相对稳定在96.88%,高于以支持向量机(SVM)作为基分类器的94.70%、以K最近邻(KNN)作为基分类器的94.65%以及以朴素贝叶斯(Naive Bayes)作为基分类器的96.04%,并且较单一算法的分类器性能提高。
- 王巧华伍岳庆姚宇
- 关键词：经食道超声心动图心脏病决策树ADABOOST
- 基于活动形状模型对超声图像左心室的分割被引量：1
- 2017年
- 针对超声心动图中左心室轮廓的分割问题,利用活动形状模型完成对医生所标注特征点的训练和目标轮廓匹配点的搜索。首先,对训练集内的特征点坐标进行归一化对齐和消除统计相关性,建立形状向量;接着,使用灰度差值分作为局部特征,以马氏距离作为度量进行搜索;为让搜索后匹配点更接近标注点,减小微小变量对搜索过程的影响,进一步提出基于主成分分析的局部特征,结合多分辨率金字塔模型来改进搜索过程;最后,在测试图像上使用不同的搜索方式进行分割。实验表明,改进搜索方式后匹配点和标注点的距离的均值和方差都减小了,匹配点更接近标注点。
- 姜雪琦伍岳庆姚宇
- 关键词：超声图像活动形状模型主成分分析
- 基于内容的Gist-Hash超声图像检索算法被引量：1
- 2017年
- 针对日益增长的超声图像,传统的基于文本的超声图像检索已经无法满足现有的需求,提出了基于内容的Gist-Hash算法超声图像检索方法。该方法首先选取了优势较为明显的全局特征Gist,充分利用了超声图像的特征,同时选取Hash算法对图像Gist特征进行优化,将其转化为Hash编码,提高了检索速度。通过Linux平台对该检索方法进行了验证,实验结果表明,基于Gist特征和Hash算法的超声图像检索方法,相比传统的Gist特征和欧氏距离的检索方法,大幅提高了检索的速度,使得医生在实际操作中能够更快地获取到比较满意的检索结果。
- 方欣姚宇
- 关键词：超声图像HASH算法相似度
- 基于监督下降方法的左心室超声图像分割被引量：3
- 2018年
- 针对基于表观模型的图像分割算法在特征点迭代定位过程中计算量过大、对非线性局部特征的优化较为困难等问题,采用一种基于监督学习的梯度下降算法,建立4层多分辨率金字塔模型,并使用一种基于巴氏系数的特征提取函数(B-SIFT)替代原方法中的尺度不变特征变换(SIFT)特征,对左心室心内膜及心外膜进行特征点定位。首先对训练集进行归一化处理,统一经食道超声心动图像(TEE)的尺度;然后建立基于多分辨率金字塔和B-SIFT特征的监督下降模型,得到特征点趋近于真实值的梯度下降方向序列;最后将得到的方向序列作用于测试集中,得到最终的左心室分割结果。将该方法与传统监督下降方法进行对比,其得到的分割平均误差相比传统监督下降方法降低了47%,迭代得到的最终值相对单一尺度的梯度下降算法更加逼近真实值。
- 魏雨汐伍岳庆陶攀姚宇
- 关键词：左心室特征点定位超声心动图图像分割尺度不变特征变换
