一种新的脑白质分割方法

基于扩散张量成像提出一种新的脑白质分割方法.首先,计算扩散张量成像的各向异性参数和扩散参数,并得到各个参数下的脑部图像;然后,通过期望值最大化(expectation maximization,EM)模型求得各个各向异性参数图像的脑白质和非脑白质区域;最后,通过STAPLE(simultaneous truth and performancel evel estimation)模型融合各个DTI参数图像分割结果,得到脑白质分割结果.实验结果表明,该方法具有较好的分割效果,能有效地从脑组织中分割出脑白质.     

基于GAN的医学图像仿真数据集生成算法

基于生成对抗网络(generative adversarial networks,GAN),提出了面向肝脏肿瘤CT图像仿真数据集生成深度学习算法.首先,将CT图像数据文件进行格式解析,单独保存为PNG格式的图像文件;然后,将肝脏病变区域统一标注为白色,并结合肝脏CT原图组成配对图片;最后,用生成对抗网络的pix2pix架构仿真生成病变肝脏图像.为将生成图像与目标图像进行定量分析、比较,本文采用了峰值信噪比和结构相似性作为模型的评价指标.实验结果表明,本文算法所生成的肝脏肿瘤CT仿真数据集的平均峰值信噪比为64.72dB,平均结构相似性为0.9973,证明了所生成的仿真图像数据有着非常高的真实度.     

基于Snake模型的病变CT肺部图像分割

传统的肺实质分割算法大多基于阈值法、区域增长、边缘提取以及形态学等方法,这对健康肺部CT图像可以得到比较理想的分割结果,但临床上所面临的CT图像大多具有各种病变,严重时会导致肺实质大面积缺失或呈区域性离散块状,这使得传统的肺实质分割算法效果不理想.为此,提出一种以生理解剖学知识为基础并基于Snake模型的肺实质分割算法.通过多组CT图像实验表明,无论肺内有无病变,该算法对CT肺部图像分割效果理想,而且速度快、完全自动.     

一种改进的CT胸部图像肺组织分割方法

为了对病变肺部图像进行准确分割,对通常的肺组织分割算法进行了分析和改进,将小波变换与数学形态学引入肺分割算法.通过小波变换对图像进行分解,再运用数学形态学对分解后的各个分量执行不同的修补方法:对低频分量作形态学闭运算,对高频分量作形态学开运算;从而在适当的尺度修正图像的基本特征而不影响细节特征,在重构之后获得理想的肺区域.利用改进后的算法,对医院的36组临床HRCT数据进行分割,并与手工分割结果和通常算法的分割结果进行了比较.结果表明,该方法分割结果准确,能有效提高肺组织分割的平均敏感性.     

基于CT图像的自动肺实质分割方法

在肺癌、肺气肿等肺部疾病计算机辅助诊断方法中,肺实质分割是最核心的步骤.提出一种基于三维CT图像序列的新的自动肺实质分割方法,综合利用了阈值分割、区域增长及数学形态学等算法,并在特定体层通过图搜索算法精确定位左右肺前后连接线狭窄区域,有效解决了肺实质边缘结节易分割遗漏及左右肺分离的难题.通过多组胸部CT序列图像的实验证明,该方法对于肺实质分割非常精确有效.     

基于CUDA加速的SIFT特征提取

提出一种基于统一计算设备架构(CUDA)加速的尺度不变特征变换(SIFT)快速计算方法,用以解决SIFT特征提取计算过程耗时过长的问题.该方法充分利用图像处理单元(GPU)在并行计算、浮点计算、内存管理等方面的优势,合理分配主机端和设备端的资源及其在SIFT特征计算中所承担的角色.实验表明,与CPU架构下的SIFT特征提取算法相比,本文算法可以大幅度加快SIFT特征提取的计算速度,其加速比随着SIFT特征点数目的增加而增加,在本文实验中最大加速比可达1954.     

基于强化学习的三维游戏控制算法

基于强化学习,设计了一个面向三维第一人称射击游戏(DOOM)的智能体,该智能体可在游戏环境下移动、射击敌人、收集物品等.本文算法结合深度学习的目标识别算法Faster RCNN与Deep Q-Networks(DQN)算法,可将DQN算法的搜索空间大大减小,从而极大提升本文算法的训练效率.在虚拟游戏平台(ViZDoom)的两个场景下(Defend_the_center和Health_gathering)进行实验,将本文算法与最新的三维射击游戏智能体算法进行比较,结果表明本文算法可以用更少的迭代次数实现更优的训练结果.     

多目标显著性区域提取算法

结合对象估计和超像素分割,提出面向多目标的显著性区域提取算法.首先,应用对象估计对图像中的多目标作初步检测,得到若干个显著性区域的初步结果;然后,再将这些显著性区域与超像素分割的结果作图像拼接,完善这些显著性区域;最后,将图像拼接的结果二值化,作为多目标显著性区域提取的最终结果.结果表明:所提算法可实现面向多目标的显著性区域提取.与3个经典算法的比较结果表明:所提算法在面向多目标显著性区域提取时更优.