基于Faster-RCNN和Level-Set的桥小脑角区肿瘤自动精准分割

桥小脑角区（CPA）肿瘤的精准分割在手术治疗、放疗中有重要影响,本文结合更快速区域卷积神经网络（Faster-RCNN）和水平集（Level-Set）方法对CPA肿瘤的自动分割进行了研究.首先,采集317名CPA肿瘤患者的T₁WI-SE序列磁共振图像,使用基于Faster-RCNN主干网络VGG16提取特征,结合区域建议网络（RPN）进行学习训练,建立带有CPA肿瘤位置信息的定位模型,再应用Level-Set对肿瘤进行精准分割.本文对比了不同CPA肿瘤区域勾画范围对分割结果产生的影响,并以精确率、召回率、均值平均精度值（mAP）和戴斯系数（Dice系数）等指标评估了模型定位和分割的性能.实验结果表明,结合Faster-RCNN和Level-Set建立的模型能更有效对CPA肿瘤进行精准分割,减轻临床医生的负担,并提升治疗效果.     

基于异构双核的磁共振接收机的设计

提出了基于异构双核的低场核磁共振（Low-field Nuclear Magnetic Resonance,low-field NMR）接收机的设计,具有ARM（Adanced RISC Machines）和现场可编程门阵列（Field Programmable Gate Array,FPGA）先进的异构双核结构、高速的模数转换器（Analog to Digital Converter,ADC）采集、增益的可控以及可视化显示等特性,提高了整个系统的性能指标.设计中采用Xilinx公司的系统开发工具System Generator来实现内部信号处理功能.实验结果表明,数字接收机具有结构紧凑、可重构性强、采样速率高和成本低等特点,并且增益的可控使接收机获得了较大的动态范围,提高了重建图像的信噪比（Signal-to-Noise Ratio,SNR）.     

MRI梯度波形发生器研究进展

成像体素空间位置的准确编码对于磁共振成像（MRI）的空间定位至关重要.为了保证空间编码的准确性,获得高性能的梯度磁场是关键.梯度波形发生器是产生梯度磁场的核心部件,本文简要介绍了梯度波形发生器的工作原理和组成部分,总结了近二十年来基于不同设计方案设计的梯度波形发生器的研究进展,详细探讨了梯度波形预加重的实现方法,并对梯度波形发生器未来的研究和发展方向进行了展望.     

基于MRI和深度学习的桥小脑角区脑膜瘤与听神经瘤分类算法研究

桥小脑角区脑膜瘤与听神经瘤是两种常见的脑部肿瘤，它们的临床表现和影像学表现极为相似，在临床诊断时极易发生误诊．将影像数据与深度学习方法相结合，建立脑膜瘤与听神经瘤的判别模型，可以为两种脑肿瘤的及时准确诊断提供重要手段．本文采集了307名脑肿瘤患者的T₁W-SE序列图像，通过对原始图像进行限制对比度自适应直方图均衡化（Contrast Limited Adaptive Histogram Equalization，CLAHE）等预处理，提升数据集图像质量，再经过建立的三维卷积神经网络（3-Dimensional Convolutional Neural Network，3D CNN）深度学习框架中图像特征的学习，实现对脑膜瘤与听神经瘤的分类．图像增强参数与网络结构参数经过优化后，对脑膜瘤与听神经瘤分类的准确率达到0.918 0，曲线下面积（Area Under Curve，AUC）为0.913 4，实现了对桥小脑角区脑膜瘤与听神经瘤的有效判别．     

基于System Generator的射频直接带通采样MRI信号接收方法

本文将软件无线电技术应用于磁共振成像（Magnetic Resonance Imaging，MRI）信号接收，提出了射频直接带通采样MRI信号接收的方法.基于此接收方法设计了一种MRI信号数字解调方法，该方法利用Xilinx公司推出的数字信号处理（Digital Signal Processing，DSP）设计开发工具——System Generator实现，同时设计验证了能够灵活实现数字下变频（Digital Down Conversion，DDC）功能的DDC系统.仿真与实验平台均验证了该接收方法的正确性和有效性.     

基于 Mask RCNN 的桥小脑角区脑膜瘤与听神经瘤分类定位研究

由于人体桥小脑角区的脑膜瘤与听神经瘤在影像学的表现以及发病位置极其相似,所以临床诊断极易发生误诊．针对此问题,本文应用掩膜区域卷积神经网络（Mask RCNN）对两类肿瘤进行分类定位研究．首先采集89名脑膜瘤与218名听神经瘤患者的T₁WI-SE序列的磁共振图像,对其进行预处理,再结合改进的特征金字塔网络（FPN）算法进行网络训练．本文对比了三种不同的Mask RCNN主干网络对两者分类定位的效果．结果表明,结合改进的FPN算法和ResNet101作为主干网络的Mask RCNN分类定位模型能够有效实现对两类肿瘤的分类定位,精确率为0.918 2、召回率为0.856 9、特异性为0.876 2、均值平均精度（mAP）为0.90．     

基于全可编程SoC和LabVIEW的磁共振接收系统设计

本文提出了基于全可编程片上系统（System-on-a-Chip,SoC）和实验室虚拟仪器工程平台（Laboratory Virtual Instrument Engineering Workbench,LabVIEW）的磁共振信号接收系统设计.使用集成了ARM（Advanced RISC Machines）和现场可编程门阵列（Field Programmable Gate Array,FPGA）的全可编程SoC作为接收机的主芯片,利用Xilinx提供的数字信号处理（Digital Signal Processing,DSP）开发工具System Generator设计了数字下变频（Digital Down Converter,DDC）算法,并实现了接收机硬件电路.使用可视化编程平台LabVIEW设计了磁共振上位机软件,完成了磁共振信号的显示、存储和与接收机通信的工作,提高了软件开发效率.实验结果表明,本文设计的接收机能正确接收磁共振回波信号,且具有较高的信噪比.