首页期刊导航|中国图象图形学报
期刊信息/Journal information
中国图象图形学报
中国图象图形学报

李小文

月刊

1006-8961

jig@irsa.ac.cn

010-64807995 8261442

100101

北京9718信箱

中国图象图形学报/Journal Journal of Image and GraphicsCSCD北大核心CSTPCD
查看更多>>本刊是集计算机图象图形高科技理论与应用研究成果、成果产品化与商情动态于一体的综合性学术期刊。是核心期刊、权威性杂志。作为中国图象图形学学会的会刊，利用学会在国内外广泛的科技信息渠道、全方位多层面的学科交叉应用，积极向产业界宣传科技成果，热心向科技界推荐最新产品。
正式出版
收录年代

    《中国图象图形学报》精准诊断专刊简介

    沈定刚周涛雷柏英丁忠祥...
    559-560页
      原文链接:
    • NETL
    • NSTL
    • 万方数据

    胎儿脑磁共振图像分割研究进展

    陈健广梦婷陆冉林罗琴...
    561-585页
    查看更多>>摘要：医学影像是产前筛查、诊断、治疗引导和评估的重要工具，能有效避免胎儿脑的发育异常。近年来，磁共振成像在产前诊断中愈加重要，而实现自动、定量、精确地分析胎儿脑磁共振图像依赖于可靠的图像分割。因此，胎儿脑磁共振图像分割具有十分重要的临床意义与研究价值。由于胎儿图像中存在组织器官多、图像质量差及结构变化快等问题，胎儿脑磁共振图像的分割面临着巨大的困难与挑战。目前，尚未有文献对该领域的方法进行系统性的总结和分析，尤其是基于深度学习的方法。本文针对胎儿脑磁共振图像分割方法进行综述，首先，对胎儿脑磁共振图像的主要公开图谱/数据集进行详细说明;接着，对脑实质提取、组织分割和病灶分割方法进行全面的分类与分析;最后，对胎儿脑磁共振图像分割面临的挑战及未来的研究方向进行总结与展望。

    胎儿脑磁共振成像(MRI)数据集图像分割深度学习

      原文链接:
    • NETL
    • NSTL
    • 万方数据

    深度学习在口腔医学影像中的应用与挑战

    赵阳李俊诚成博栋牛娜君...
    586-607页
    查看更多>>摘要：口腔医学影像是进行临床口腔疾病检测、筛查、诊断和治疗评估的重要工具，对口腔影像进行准确分析对于后续治疗计划的制定至关重要。常规的口腔医学影像分析依赖于医师的水平和经验，存在阅片效率低、可重复性低以及定量分析欠缺的问题。深度学习可以从大样本数据中自动学习并获取优良的特征表达，提升各类机器学习任务的效率和性能，目前已广泛应用于医学影像分析处理的各类任务之中。基于深度学习的口腔医学影像处理是目前的研究热点，但由于口腔医学领域内在的特殊性和复杂性，以及口腔医学影像数据样本量通常较小的问题，给深度学习方法在相关学习任务和场景的应用带来了新的挑战。本文从口腔医学影像领域常用的二维X射线影像、三维点云/网格影像和锥形束计算机断层扫描影像3种影像出发，介绍深度学习技术在口腔医学影像处理及分析领域应用的思路和现状，分析了各算法的优缺点及该领域所面临的问题和挑战，并对未来的研究方向和可能开展的临床应用进行展望，以助力智慧口腔建设。

    深度学习口腔医学影像牙齿检测与分割龋齿检测计算机辅助诊断(CAD)

      原文链接:
    • NETL
    • NSTL
    • 万方数据

    GZMH:用于有丝分裂细胞核检测和分割的乳腺癌病理图像数据集

    汪华登王雪馨黎兵兵刘志鹏...
    608-619页
    查看更多>>摘要：目的 有丝分裂细胞核计数是乳腺癌诊断和组织学分级的3个重要评分指标之一，基于深度学习的自动检测方法，可以有效辅助医生进行乳腺病理图像有丝分裂细胞核识别和计数。而当前研究中的公开数据集多为竞赛所用，由举办方联合数据提供者挑选而来，与医院临床应用中所使用的数据存在较大的差异，不利于模型性能及泛化能力的测试验证。针对以上问题，本文发布了来自中国赣州市立医院临床环境的数据集GZMH(Ganzhou munici-pal hospital)。方法 整理并公开发布的数据集GZMH包含55幅全视野数字切片(whole slide images，WSIs)临床乳腺癌病理图像，提供了用于有丝分裂细胞核目标检测和语义分割研究的两种标注，并由2名高年资医师对3名初级病理医师的标注进行了复核。5种主流目标检测方法和5种经典分割方法在GZMH数据集上进行了训练和测试，检验它们在临床数据集GZMH上的性能。结果 目标检测方法实验结果比较中，SSD(single shot multibox detector)模型取得了最佳的效果，F1分数为0。511;分割方法实验结果比较中，R2U-Net(recurrent rsidual convolutional neural net-work based on U-Net)性能最佳，Fl分数为0。430。所有方法在面对较大规模的临床数据集GZMH时体现的性能都明显低于它们在一些公开数据集上的性能。结论 本文所提出的GZMH数据集能够用于有丝分裂目标检测与语义分割研究任务，且此数据集中的图像更加接近实际的应用场景，在推动乳腺病理图像有丝分裂细胞核分割的研究和临床应用方面具有较大的价值。数据集的在线发布地址为:https://doi。org/10。57760/sciencedb。08547。

    乳腺癌病理图像有丝分裂细胞核目标检测语义分割数据集

      原文链接:
    • NETL
    • NSTL
    • 万方数据

    相似度感知蒸馏的统一弱监督个性化联邦图像分割

    潘建珊林立吴洁伟刘翼翔...
    620-636页
    查看更多>>摘要：目的 联邦学习允许多个机构在不侵犯数据隐私、安全的前提下协作训练强大的深度模型。现有多数联邦范式在处理多中心不同数据分布时性能通常会下降，且弱监督条件下的联邦范式鲜有研究，特别是各站点数据采用不同形式稀疏标注的情况。针对该问题，提出 一种站点分布相似度感知知识蒸馏的统一弱监督个性化联邦学习框架(unified weakly supervised personalized federated image segmentation via similarity-aware distillation，pFedWSD)，以应对多中心数据分布和标注上的差异。方法 所提出的pFedWSD通过循环知识蒸馏为每个站点训练个性化模型，包含动态循环公共知识积累及个性化两个阶段。第1阶段以不确定度感知方式动态地排序每轮训练中各站点模型性能，并以循环知识蒸馏的形式积累公共知识;第2阶段通过批标准化层的统计信息来度量各站点间相似性并聚合得到各站点教师模型并进行知识蒸馏。在弱监督方面，引入门控条件随机场损失和树能量损失相结合的训练目标，以产生更为精确的伪标注监督信号。结果 在眼底视杯视盘分割和视网膜中心凹无血管区分割两项任务中，pFed-WSD的Dice系数和HD95(95％Hausdorff distance)指标均优于多种中心式联邦和个性化联邦方法，在两项任务中，Dice 系数分别为 90。38％和 93。12％，相比于较先进的方法 FedAP(federated learning with adaptive batchnorm for person-alized healthcare)和 FedALA(adaptive local aggregation for personalized federated learning)分别提升了 1。67％和 6。56％，性能接近于全监督集中式训练所得的模型。结论 本文提出的弱监督个性化联邦学习框架能有效统一不同形式稀疏标注数据并对不同分布的各站点数据训练得到个性化模型，使各站点分割性能均得到显著提升。

    相似度感知知识蒸馏弱监督学习个性化联邦学习医学图像分割

      原文链接:
    • NETL
    • NSTL
    • 万方数据

    融合残差上下文编码和路径增强的视杯视盘分割

    梅华威尚虹霖苏攀刘艳平...
    637-654页
    查看更多>>摘要：目的 从眼底图像中分割视盘和视杯对于眼部疾病智能诊断来说是一项重要工作，U-Net及变体模型已经广泛应用在视杯盘分割任务中。由于连续的卷积与池化操作容易引起空间信息损失，导致视盘和视杯分割精度差且效率低。提出了融合残差上下文编码和路径增强的深度学习网络RCPA-Net，提升了分割结果的准确性与连续性。方法 采用限制对比度自适应直方图均衡方法处理输入图像，增强对比度并丰富图像信息。特征编码模块以ResNet34(residual neural network)为骨干网络，通过引入残差递归与注意力机制使模型更关注感兴趣区域，采用残差空洞卷积模块捕获更深层次的语义特征信息，使用路径增强模块在浅层特征中获得精确的定位信息来增强整个特征层次。本文还提出了一种新的多标签损失函数用于提高视盘视杯与背景区域的像素比例并生成最终的分割图。结果 在4个数据集上与多种分割方法进行比较，在ORIGA(online retinal fundus image database for glaucoma analysis)数据集中，本文方法对视盘分割的JC(Jaccard)指数为0。939 1，F-measure为0。968 6，视杯分割的JC和F-measure分别为0。794 8和0。885 5;在Drishti-GS1数据集中，视盘分割的JC和F-measure分别为0。951 3和0。975 0，视杯分割的 JC 和 F-measure分别为0。863 3 和0。926 6;在 Refuge(retinal fundus glaucoma challenge)数据集中，视盘分割的 JC 和 F-measure 分别为 0。929 8 和 0。963 6，视杯分割的 JC 和 F-measure 分别为 0。828 8 和 0。906 3;在 RIM-ONE(retinal image database for optic nerve evaluation)-R1 数据集中，视盘分割的 JC 和 F-measure 分别为 0。929 0 和 0。9628。在4个数据集上结果均优于对比算法，性能显著提升。此外，针对网络中提出的模块分别做了消融实验，验证了 RCPA-Net中各个模块的有效性。结论 实验结果表明，RCPA-Net提升了视盘和视杯分割精度，预测图像更接近真实标签结果，同时跨数据集测试结果证明了 RCPA-Net具有良好的泛化能力。

    视杯视盘分割深度学习注意力机制残差空洞卷积路径增强

      原文链接:
    • NETL
    • NSTL
    • 万方数据

    结合局部全局特征与多尺度交互的三维多器官分割网络

    柴静雯李安康张浩马泳...
    655-669页
    查看更多>>摘要：目的 高度适形放射治疗是常用的癌症治疗方法，该方法的有效性依赖于对癌组织和周边多个危及器官(organ at risk，OAR)解剖结构的精确刻画，因此研究三维图像多器官的高精度自动分割具有重要意义。以视觉Transformer(vision Transformer，ViT)和卷积神经网络(convolutional neural network，CNN)结合为代表的三维医学图像分割方法表现出了丰富的应用优势。然而，这类方法往往忽略同一尺度内和不同尺度间的信息交互，使得CNN和ViT特征的提取和融合受限。本文提出一种端到端多器官分割网络LoGoFUNet(local-global-features fusion UNet)，旨在应对现有方法的缺陷。方法 首先，针对单一器官分割，提出在同一尺度下并行提取并融合CNN和ViT特征的LoGoF(local-global-features fusion)编码器，并构建了一个端到端的三维医学图像分割多尺度网络M0。此外，考虑到器官内部以及器官之间的相互关系，该方法在M0网络的基础上设计并引入了多尺度交互(multi-scale interaction，MSI)模块和注意力指导(attention guidance，AG)结构，最终形成了 LoGoFUNet。结果 在Synapse数据集和Seg-THOR(segmentation of thoracic organs at risk)数据集上，本文方法相比于表现第 2 的模型，DSC(Dice similarity coffi-cient)指标分别提高了 2。94％和4。93％，而HD95(Hausdorff distance_95)指标则分别降低了 8。55和2。45，切实提升了多器官分割任务的性能表现。在ACDC(automatic cardiac diagnosis challenge)数据集上，3D分割方法的适用性大多较差，但LoGoFUNet依然得到了比2D先进方法更好的结果，说明其对数据集的适应能力更强。结论 该方法的分割模型综合尺度内和尺度间的信息交互，具有更好的分割结果，且在数据集上的泛化性更好。

    多器官分割深度神经网络(DNN)视觉Transformer(ViT)局部全局特征多尺度交互(MSI)

      原文链接:
    • NETL
    • NSTL
    • 万方数据

    多尺度融合增强的纵膈淋巴结超声弹性图像分割

    周奇杨行田传耕唐璐...
    670-685页
    查看更多>>摘要：目的 支气管超声弹性成像具有丰富的通道语义信息，精准的分割纵膈淋巴结对诊断肺癌是否转移具有重要意义，也对癌症的分期和治疗有着重要作用。目前，超声弹性图像分割研究较少，没有充分挖掘图像通道特征之间的关系。因此，提出一种结合注意力机制的多尺度融合增强的纵膈淋巴结超声弹性图像分割U-Net(attention-based multi-scale fusion enhanced ultrasound elastic images segmentation network for mediastinal lymph node，AMFE-UNet)。方法 首先，考虑到图像可以提供纵膈淋巴结的位置和通道信息，设计密集卷积网络(dense convolutional network，DenseNet)作为模型编码器;其次，结合注意力机制和空洞卷积设计多尺度融合增强解码器，从多尺度和范围对结节的边界和纹理进行建模;最后，用选择性内核网络设计跳跃连接，将编码器的中间特征与解码器的输出特征充分融合。根据解码器特征进行数值或通道融合的方式不同，将AMFE-UNet分为A和B两个子型。结果 在超声弹性图像数据集上进行对比实验与验证。结果 表明AMFE-UNet平均Dice系数达到86。593％，较U-Net提升了 1。986％;相较于对比模型，AMFE-UNet A在Dice、精确度和特异度指标上均达到了最优;AMFE-UNet B在交并比、灵敏度和豪斯多夫距离指标上也达到最优。消融实验和可视化分析表明提出的改进方法具有明显的提升效果。结论 本文通过密集卷积网络设计分割模型编码器，并利用通道注意力机制优化模型特征恢复和连接过程，在超声弹性图像中获得了良好的纵膈淋巴结分割效果，具有较高的临床应用价值。代码链接:https://github。com/Philo-github/AMFE-UNet。

    超声弹性成像(UE)纵膈淋巴结实例分割U-Net通道注意力机制

      原文链接:
    • NETL
    • NSTL
    • 万方数据

    面向低剂量CT的牙齿分割网络

    秦俊卢婷岚纪柏李雨晴...
    686-696页
    查看更多>>摘要：目的 锥形束计算机断层扫描(cone beam computer tomography，CBCT)已成为口腔诊疗领域中最常用的一项医学影像技术。由于CBCT图像本身对比度低且牙齿形状复杂，在进行牙齿分割时容易导致分割边界模糊、牙齿根部错误分割的问题。现有方法往往无法达到预期效果，并且基于深度学习的分割网络在分割精度等性能提升到一定程度后存在生梯度爆炸、过拟合以及无法关注图像全局信息等限制。然而，牙齿分割在医生制定诊断和治疗计划方面至关重要。为了应对这一问题，提出了一种名为MF-CA Net的牙齿分割模型，以提高牙齿分割的准确性和鲁棒性。方法 MF-CA Net 模型引入了多尺度特征提取模块(multi-scale feature extraction module，MFEM)和 CA(coor-dinate attention)注意力机制，这些模块使网络能够准确地捕捉感兴趣的牙齿区域，并提取丰富而密集的多尺度特征信息，从而有效地指导分割任务。特别是在牙根分割方面，这些模块能够显著提高分割的精度。为了进一步提升分割算法的性能，还引入了联合损失函数，该损失函数综合考虑了像素级、局部级和全局级3个方向的牙齿边缘分割，以提高算法的准确性和稳健性。结果 实验在数据集上对MF-CA Net模型与6种主流方法进行了比较。实验结果表明，相较于其他分割方法，MF-CA Net模型在各项评价指标上都取得了显著的提升。尽管在精度(accuracy)指标上稍低于DeeplabV3+，但在Dice评价指标上达到了 0。949 5的高分数，相比PyConvU-Net提高了 4％，相对于Deep-labV3+提高了约 4％，对比 U-Net 提高了约 16％。此外，平均交并 比(mean intersection-over-union，mIoU)指标提升了3％～11％，F2值提升了5％。结论 本文提出的MF-CA Net网络模型可以实现对牙齿的精确分割。

    深度学习锥形束计算机断层扫描(CBCT)牙齿分割注意力机制多尺度信息损失函数分割精度

      原文链接:
    • NETL
    • NSTL
    • 万方数据

    全监督和弱监督图网络的病理图像分割

    沈熠婷陈昭张清华陈锦豪...
    697-712页
    查看更多>>摘要：目的 计算机辅助技术以及显微病理图像处理技术给病理诊断带来了极大的便利。病理图像分割是常用的技术手段，可用于划分病灶和背景组织。开发高精度的分割算法，需要大量精准标注的数字病理图像，但是标注过程耗时费力，具有精准标注的病理图像稀少。而且，病理图像非常复杂，对病理组织分割算法的鲁棒性和泛化性要求极高。因此，本文提出一种基于图网络的病理图像分割框架。方法 该框架有全监督图网络(full supervised graph network，FSGNet)和弱监督图网络(weakly supervised graph network，WSGNet)两种模式，以适应不同标注量的数据集以及多种应用场景的精度需求。通过图网络学习病理组织的不规则形态，FSGNet能达到较高的分割精度;WSGNet采用超像素级推理，仅需要稀疏点标注就能分割病理组织。结果 本文在两个公开数据集GlaS(Gland Seg-mentation Challenge Dataset)(测试集分为 A 部分和 B 部分)、CRAG(colorectal adenocarcinoma gland)和一个私有数据集LUSC(lung squamous cell carcinoma)上进行测试。最终，本文所提框架的两种模式在3个数据集中整体像素级分类精度(overall accuracy，OA)和Dice指数(Dice index，DI)均优于对比算法，且FSGNet在GlaSB数据集中效果最明显，分别提升了 1。61％和2。26％，WSGNet在CRAG数据集中较先进算法提升效果最明显，分别提升了 2。63％和2。54％。结论 本文所提框架的两种模式均优于多种目前先进的算法，表现出较好的泛化性和鲁棒性。

    病理图像分割图卷积网络(GCN)全监督学习弱监督学习点标签

      原文链接:
    • NETL
    • NSTL
    • 万方数据