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．     

儿童发育性髋关节脱位的磁共振形态学定量

发育性髋关节脱位（developmental dysplasia of the hip,DDH）作为一类常见的、严重威胁儿童健康成长的髋关节疾病会严重影响到儿童的肢体发育和生活质量,其早诊断、早治疗非常重要.磁共振成像（magnetic resonance imaging,MRI）技术可提供丰富的有关髋关节发育情况的形态学信息.目前,基于磁共振图像的DDH临床诊断主要凭借医生的肉眼观测,对医生要求甚高,而且无法定量判断DDH病情.本文提出了一种针对儿童DDH磁共振图像的形态学定量评估方法,通过对DDH病理改变密切相关的形态学参数的自动测定,完成形态学参数的定量评估,为临床提供辅助的量化参考.该方法包括磁共振图像预处理、股骨及盆骨分割、髋关节三维模型重建,以及结合了厚度搜索、三维霍夫变换和最小二乘拟合等算法实现的中心边缘角（center-edge angle,CEA）、髋臼角（acetabular index,AI）和股骨颈前倾角（femoral neck anteversion,FNA）等重要指标的自动测量.儿童DDH形态学定量评估方法的建立对儿童DDH的筛查、诊断和确诊患儿手术方案的制定,以及术后的动态随访,都具有重要参考价值.     

基于磁共振图像和改进的UNet++模型区分阿尔茨海默症患者和健康人群

阿尔茨海默症（Alzheimer's Disease,AD）是一种神经退行性疾病,高效准确的早期诊断对其治疗至关重要．本文提出了一种融合多语义级别的深度卷积神经网络结构,基于磁共振图像,用于区分AD患者与正常受试者的方法．首先,在传统UNet++网络的基础上改进了深度监督整合算法;然后,构建了一种新的特征融合结构,进一步细化了不同语义级别的特征;最后,基于不同组织区域（白质、灰质和脑脊液）的磁共振图像,使用本文所提出的方法区分AD患者和正常受试者,并探究了从不同组织获得的信息对分类准确率的影响．实验结果表明,使用本文提出的方法区分两类人群的最高准确率为98.74%,平均准确率为98.47%,高于目前文献报道的其他方法．     

偶偶核基带的量子群U_（qp）（u_2）模型的理论分析

通过对锕系和稀土偶偶核基带转动谱实验数据的拟合和Ｍａｌｌｍａｎｎ图的研究，系统地分析了量子群Ｕｑｐ（ｕ２）模型对原子核转动谱的适用性．结果表明，Ｕｑｐ（ｕ２）模型的理论值与实验值比较接近，明显优于单参数形变量子代数ＳＵｑ（２）模型．此外，还建立了Ｕｑｐ（ｕ２）的形变参量ｑ、ｐ与核软度的关系．     

L波段双频磁绝缘线振荡器的实验研究

根据角向分区产生双频率高功率微波（HPM）的设计思路,开展了基于谐振腔深度角向分区模型的L波段双频磁绝缘线振荡器（BFMILO）的实验研究,建立了BFMILO的实验系统和测量系统,热测了BFMILO的辐射方向图,通过辐射场功率密度积分得到了输出微波的功率.在电子束电压约为420kV,管电流约为34kA的条件下,L波段BFMILO输出的微波频率分别为1.26GHz和1.45GHz,对应的微波功率分别为398MW和222MW.并初步得到了谐振腔深度的角向分区比例不同的BFMILO的初步实验结果.实验研究得到了 关键词： 角向分区 磁绝缘线振荡器（MILO） 双频MILO（BFMILO） 高功率微波（HPM）     

高光谱图像降维的判别流形学习方法

本文提出了一种高光谱图像降维的判别流形学习方法.针对获取的大量遥感对地观测数据存在大量冗余信息的特点,引入改进的流形学习方法对高光谱遥感数据进行降维处理,以提高遥感图像自动分类的总体准确度.该方法充分利用遥感图像自动分类中训练样本的判别信息,将输入样本的类别信息加入到常规流形学习方法的框架中,从本质上提高输出的特征在低维空间中的判别力.同时,引入线性化模型以解决流形学习方法中常见的小样本问题.对高光谱遥感图像自动分类的实验表明,基于判别流形学习的高光谱遥感图像自动分类方法能够显著地提高图像分类准确度.     

基于深度学习的胰腺黏液性和浆液性囊性肿瘤的多源特征分类模型

术前精准预测胰腺囊性肿瘤的类型,对制定个体化诊疗方案具有重要的临床价值．针对胰腺浆液性和黏液性囊性肿瘤的分类鉴别问题,本文探讨了基于深度学习的多源特征分类模型在胰腺囊性肿瘤的术前辅助诊断中的应用．首先,通过深度学习和影像组学技术从分割图像中提取深度学习特征和影像组学特征,并对病例的临床特征进行评估和量化,然后采用最小绝对收缩选择算子（LASSO）及交叉验证的方法筛选特征,随之构建出两个多源特征模型,即影像组学联合深度学习（RAD＿DL）模型、临床特征联合RAD＿DL(Clinical＿RAD＿DL)模型,把传统的影像组学（RAD）模型和深度学习（DL）模型作为对照,最后选用支持向量机（SVM）、自适应提升算法（ADAboost）、随机森林（Random Forest）以及逻辑回归（Logistic）进行分类．采用准确率、召回率、精确率、曲线下面积（AUC）值以及精确率和召回率的调和平均数（F1值）作为评价指标,比较上述4种不同特征模型的分类效能,用校准曲线和决策曲线来评估其临床应用价值．结果显示Clinical＿RAD＿DL特征模型的分类效能表现最佳,准确率是0.923 1,召回率是0...     

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.     

高光谱成像的机采籽棉杂质分类检测

机采籽棉杂质分类检测为调整棉花清理机械加工参数和工序提供参考依据,对提升皮棉品质具有重要意义。但由于籽棉棉层分布不均匀,使得图像检测难度增大,使用传统的检测方法无法有效检测各类杂质。采用高光谱成像方法对机采籽棉中的棉叶、棉枝、地膜和铃壳（内外）五种杂质进行分类判别检测。首先采集120个机采籽棉样本的高光谱图像,选取感兴趣区域获取平均光谱曲线。发现由于物质构成的差异,不同杂质体现出不同的吸收和反射特性,不同种类物质之间的光谱差异大于同类物质。对提取的平均光谱曲线进行主成分分析（PCA）,结果显示棉花、残膜和铃壳外与其他三类相比,有较好的聚集性和可分性,但是棉叶、铃壳内和棉枝三类相互叠加在一起,空间分布存在严重交叉重叠。以提取的平均光谱曲线为训练样本,选择线性判别分析（LDA）、支持向量机（SVM）和神经网络（ANN）三种分类判别算法,对算法参数进行寻优,并建立机采籽棉杂质分类判别模型。其中,经过LDA模型降维后的样本空间较PCA表现出了更好的聚集性和可分性,采用正则化防止过拟合,得到训练集准确率为86.4%,测试集准确率为86.2%;SVM模型的参数寻优结果为C=105,g=0.1,其训练集准确率为83.42%,测试集准确率为83.40%;ANN模型参数寻优得到隐含层数和神经元个数分别为2和17,训练集准确率为82.9%,测试集准确率为81.8%。对三种模型的分类效果和检测用时进行比较,LDA模型结果最优。通过对高光谱图像进行像素等级分类判别,结果显示棉花识别效果较好,植物性杂质都被有效检测,但是地膜和棉花存在误识别,分类效果与杂质光谱的分类判别模型结果一致。因此,采用高光谱成像技术可以快速、无损的检测和识别籽棉杂质,为棉花加工装备提供反馈参数,对棉花加工机械化和智能化有重要意义。     

基于半监督生成对抗网络X光图像分类算法

利用半监督学习体系结构中的生成对抗性网络,围绕标注数据稀缺性的问题进行研究,在传统无监督生成对抗网络的基础上用softmax替代最后的输出层,使其扩展为半监督生成对抗网络。对生成样本定义额外的类别标签,用于引导训练,采用半监督训练方式对网络参数进行优化,并将训练得到的判别网络运用于X光图像分类中。对于胸部X光图像,结合自动化分类诊断选取了6种肺部疾病的X光前视图进行实验,结果表明:所提算法提高了利用标注数据的监督学习性能,与其他半监督分类方法相比具有优越的性能。     

A Hybrid Deep Learning Model for Brain Tumour Classification

A brain tumour is one of the major reasons for death in humans, and it is the tenth most common type of tumour that affects people of all ages. However, if detected early, it is one of the most treatable types of tumours. Brain tumours are classified using biopsy, which is not usually performed before definitive brain surgery. An image classification technique for tumour diseases is important for accelerating the treatment process and avoiding surgery and errors from manual diagnosis by radiologists. The advancement of technology and machine learning (ML) can assist radiologists in tumour diagnostics using magnetic resonance imaging (MRI) images without invasive procedures. This work introduced a new hybrid CNN-based architecture to classify three brain tumour types through MRI images. The method suggested in this paper uses hybrid deep learning classification based on CNN with two methods. The first method combines a pre-trained Google-Net model of the CNN algorithm for feature extraction with SVM for pattern classification. The second method integrates a finely tuned Google-Net with a soft-max classifier. The proposed approach was evaluated using MRI brain images that contain a total of 1426 glioma images, 708 meningioma images, 930 pituitary tumour images, and 396 normal brain images. The reported results showed that an accuracy of 93.1% was achieved from the finely tuned Google-Net model. However, the synergy of Google-Net as a feature extractor with an SVM classifier improved recognition accuracy to 98.1%.     

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...     

深度学习在超声检测缺陷识别中的应用与发展*

深度学习（Deep Learning）是目前最强大的机器学习算法之一,其中卷积神经网络（Convolutional Neural Network, CNN）模型具有自动学习特征的能力,在图像处理领域较其他深度学习模型有较大的性能优势。本文先简述了深度学习的发展史,然后综述了深度学习在超声检测缺陷识别中的应用与发展,从早期浅层神经网络到现在深度学习的应用现状,并借鉴医学影像识别和射线图像识别领域的方法,分析了卷积神经网络对超声图像缺陷识别的适用性。最后,探讨归纳了目前在超声检测图像识别中使用CNN存在的一些问题,及其主要应对策略的研究方向。     

1.5 T磁共振化学交换饱和转移成像的影响因素分析

本文探讨1.5 T磁共振化学交换饱和转移（Chemical Exchange Saturation Transfer,CEST）成像的影响因素.通过试管模型和临床病例,采用GE Signa HDe 1.5 T磁共振成像（Magnetic Resonance Imaging,MRI）扫描仪分别进行不同矩阵、激励次数、翻转角、磁化传递翻转角的CEST成像对比分析,以及不同激励次数、磁化传递翻转角的Z谱分析,并从成像组织、成像设备、成像技术等方面对原始图信号、酰胺质子转移（Amide Proton Transfer,APT）信号及Z谱进行分析研究.实验结果表明1.5 T MRI扫描仪的CEST图像信噪比相对较低,且磁场稳定性及均匀度影响了CEST成像的效果.在其他参数不变的情况下,降低采集矩阵和增加激励次数与翻转角可以增加原始图像信噪比.磁化传递翻转角为105°时,CEST成像效果最好.激励次数为2、磁化传递翻转角为105°时,所得数据符合组织Z谱情况.模型Z谱在磁化传递频率为-294~-194 Hz范围可显示30%谷氨酸（Glu）、碘剂（I₃₂₀）、纯水（H₂O）、肌酸（Cr）的信号差异,与H₂O差异最大处在-244~-214 Hz.原始图像信号30% I₃₂₀明显高于Glu、H₂O、Cr,Cr略低于Glu,APT图Cr略低于Glu.25例脑肿瘤的APT图呈高信号、12例脑梗塞的APT图呈低信号,CEST原始图像均可区分病变区域.有12例因采集时间、患者配合情况、环境及室温等影响导致CEST成像的失败.由此得出1.5 T场强下,CEST技术受到成像组织、设备、技术等因素的影响,需要进行多方面优化.在保证磁场稳定性及均匀度的情况下,优化参数的CEST成像和Z谱成像可以区分代谢物及其浓度.     

对称点模式-深度卷积神经网络的红外光谱识别方法

红外光谱分析在自然科学、工程技术等诸多领域发挥着重要作用.随着计算机和人工智能技术的不断发展,对红外/近红外光谱分析提出了更高的要求.深度学习以人工神经网络为架构,通过对数据进行分层特征提取完成特征/表征学习,在解析数据细节特征方面具有独特的优势,在计算机视觉、语音识别、疾病诊断等多领域得到成功应用.尽管深度学习在图像...     

Motion artifacts reduction in brain MRI by means of a deep residual network with densely connected multi-resolution blocks (DRN-DCMB)

Objective: Magnetic resonance imaging (MRI) acquisition is inherently sensitive to motion, and motion artifact reduction is essential for improving image quality in MRI. Methods: We developed a deep residual network with densely connected multi-resolution blocks (DRN-DCMB) model to reduce the motion artifacts in T1 weighted (T1W) spin echo images acquired on different imaging planes before and after contrast injection. The DRN-DCMB network consisted of multiple multi-resolution blocks connected with dense connections in a feedforward manner. A single residual unit was used to connect the input and output of the entire network with one shortcut connection to predict a residual image (i.e. artifact image). The model was trained with five motion-free T1W image stacks (pre-contrast axial and sagittal, and post-contrast axial, coronal, and sagittal images) with simulated motion artifacts. Results: In other 86 testing image stacks with simulated artifacts, our DRN-DCMB model outperformed other state-of-the-art deep learning models with significantly higher structural similarity index (SSIM) and improvement in signal-to-noise ratio (ISNR). The DRN-DCMB model was also applied to 121 testing image stacks appeared with various degrees of real motion artifacts. The acquired images and processed images by the DRN-DCMB model were randomly mixed, and image quality was blindly evaluated by a neuroradiologist. The DRN-DCMB model significantly improved the overall image quality, reduced the severity of the motion artifacts, and improved the image sharpness, while kept the image contrast. Conclusion: Our DRN-DCMB model provided an effective method for reducing motion artifacts and improving the overall clinical image quality of brain MRI.     

A multi-scale residual network for accelerated radial MR parameter mapping

A deep learning MR parameter mapping framework which combines accelerated radial data acquisition with a multi-scale residual network (MS-ResNet) for image reconstruction is proposed. The proposed supervised learning strategy uses input image patches from multi-contrast images with radial undersampling artifacts and target image patches from artifact-free multi-contrast images. Subspace filtering is used during pre-processing to denoise input patches. For each anatomy and relaxation parameter, an individual network is trained. in vivo T₁ mapping results are obtained on brain and abdomen datasets and in vivo T₂ mapping results are obtained on brain and knee datasets. Quantitative results for the T₂ mapping of the knee show that MS-ResNet trained using either fully sampled or undersampled data outperforms conventional model-based compressed sensing methods. This is significant because obtaining fully sampled training data is not possible in many applications. in vivo brain and abdomen results for T₁ mapping and in vivo brain results for T₂ mapping demonstrate that MS-ResNet yields contrast-weighted images and parameter maps that are comparable to those achieved by model-based iterative methods while offering two orders of magnitude reduction in reconstruction times. The proposed approach enables recovery of high-quality contrast-weighted images and parameter maps from highly accelerated radial data acquisitions. The rapid image reconstructions enabled by the proposed approach makes it a good candidate for routine clinical use.     

多尺度条件卷积的OCT视网膜图像降噪研究

散斑噪声存在于光学相干层析成像(OCT)中,影响OCT图像质量.在使用OCT设备诊断各种常见眼科疾病时,高质量的OCT图像是极为重要的.利用深度神经网络对OCT图像进行降噪处理,使图像在保留空间结构细节的基础上能展示更多的信息.提出了一种基于残差学习网络的新型OCT图像降噪网络-CMCNN,其具有多尺度、多权重和多层次...     

基于Dense-UNet++的关节滑膜磁共振图像分割

为解决以往基于深度学习的滑膜磁共振图像分割模型存在的分割精度较低、鲁棒性较差、训练耗时等问题,本文提出了一种基于Dense-UNet++网络的新模型,将DenseNet模块插入UNet++网络中,并使用Swish激活函数进行训练．利用1 036张滑膜磁共振图像数据增广后的14 512张滑膜图像对模型进行训练,并利用68张图像进行测试．结果显示,模型的平均DSC系数为0.819 9,交叉联合度量（IOU）为0.927 9．相较于UNet、ResUNet和VGG-UNet++网络结构,DSC系数和IOU均有提升,DSC振荡系数降低．另外在应用于相同滑膜图像数据集和使用相同的网络结构时,Swish函数相比ReLu函数有助于提升分割精度．实验结果表明,本文提出的算法对于滑膜磁共振图像的病灶区域的分割有较好的效果,能够辅助医生对病情做出判断．