基于改进的Mask R-CNN的乳腺肿瘤目标检测研究

乳腺癌是全球女性死亡率最高的恶性肿瘤之一,早期发现有助于提升患者的存活率。本文利用深度学习中的目标检测网络对乳腺X线图像中的肿瘤病变区域进行定位和分类;然后选取Mask R-CNN网络作为目标检测模型,对Mask R-CNN的基准网络D-ShuffleNet进行改进,提出了一种新的网络——Mask R-CNN-II网络,并在Mask R-CNN-II网络中应用迁移学习算法。通过实验验证了Mask R-CNN-II网络比Mask R-CNN网络的检测精度更高,而且验证了所提基准网络、所使用的融合图像的思想以及迁移学习算法是有效的。Mask R-CNN-II有利于提高乳腺肿瘤的定位与分类,可为放射科医生提供辅助诊断意见,具有一定的临床应用价值。     

基于能谱匹配先验的多谱CT成像方法

现有的X射线CT成像系统,受限于多谱硬化伪影和传统单能假设的CT成像方法,只适用于结构分析却无法实现材料组分的有效区分。对此论文提出了基于能谱匹配先验的多谱CT成像方法。首先依据材料组分先验,构建能谱滤波匹配模型,设置能谱范围参数,并通过滤波获取该能谱范围内的多能投影序列;其次,针对多能投影序列,以材料组分为先验选择不同参考能量,采用改进后的ART迭代重建算法,实现了多谱CT成像。仿真实验结果表明,对于衰减系数相近的多种材质,通过选取两段不同能谱范围,重建出相应参考能量下的结果,在一定程度上改善了图像质量,对比度提高明显,可实现组分有效区分与成像。     

一类疾病在食饵中传播的生态-传染病模型分析

分析并建立疾病在食饵中传播的生态-传染病模型,且考虑易感食饵具有常数输入,捕食者种群以Logistic模型增长,讨论了系统解的有界性和各平衡点的存在性,以及局部渐近稳定性,通过构造适当的Lyapunov函数分析了各平衡点的全局渐近稳定性,并运用比较定理证明了系统的持久性.     

基于先验组分的多谱CT序列DCM融合算法研究

多谱CT成像是通过不同谱段的CT图像表征检测对象中的不同组分。为了便于在同一视图中显示所有组分的信息,需要研究多谱CT序列的融合方法;但是常用融合方法如加权平均法、小波变换融合法等都是针对图像细节信息的优化,不能表达组分的物理特性,从而导致融合图像的灰度不具有物理表征性,影响CT的定量检测。为此,结合具有物理表征特征的数据约束模型(DCM),开展了基于先验组分的多谱CT序列DCM融合算法研究。首先通过能谱滤波分离的成像方法获得多个能谱范围内的多能投影数据,采用TV-OSEM算法重建不同能谱段的CT序列;其次,利用传统DCM模型和改进DCM模型分别对多谱CT序列进行融合,传统DCM模型是严格单能的,由于滤波后能谱的非严格单能特性,其融合结果不能表征出对象序列中的全部组分。针对此问题提出了改进DCM模型。改进DCM模型选择了新的体元定义,并且在多谱CT序列融合中引入先验组分作为参照,通过先验物质对融合结果中其他物质进行校准,实现检测对象中各组分位置的准确分布。仿真实验表明,该方法可从物理表征正确性的角度,实现多谱CT序列融合,在满足CT序列中不同组分区分的同时,其融合图像的灰度具有物理可参照性,有利于后续的CT定量检测。     

层间约束下三维块匹配的双能CT多成分分解

双能CT利用两组不同能谱下的衰减信息，准确分割两种基材料。在实际应用中，物体内部材料结构复杂、组分多元化，想了解其内部结构信息往往需要获取三种及三种以上基材料图像。常规CT是连续混合谱束，获取的投影信息与单能重建算法不匹配，重建图像中各基材料的衰减系数存在误差。由于工业领域材料的密度普遍较大，所以重建图像中基材料的噪声更严重，影响各组分表征准确度，尤其对于衰减系数接近的材料区分难度更大。为实现双能数据分解得到多幅高质量基图像，除了重建图像本身存在的噪声影响外，材料分解模型中系数矩阵的选取也十分重要。然而重建图像中的衰减系数值与理论衰减系数值存在偏差，重建图像中密度接近的不同材料的衰减系数相近甚至相等，导致待分解像素的材料三元组选取错误，降低了材料分解精确度。因此，提出一种在层间约束下的三维块匹配多成分分解方法。该方法引入有质量体积守恒和每个像素至多包含三类材料约束的多材料分解模型，将三维结构相似性信息加入到像素材料成分选取中，利用三维结构信息进行约束求解达到降低噪声污染的目的，获取大致分解的初始基图像；再利用三维块匹配方法对初始基图像进行匹配，对各基材料图像进行三维特征约束分类，分类后...