基于深度学习的眼底图像出血点检测方法

提出了一种基于卷积神经网络(convolutional neural networks,CNN)加条件随机场(conditional random fields,CRF)的眼底图像出血点检测方法。首先,为了避免图像背景区域对后续检测的影响,参考眼底图像中的灰度信息并根据眼底中心位置到其边缘的长度,将图像调整到合适的尺寸,再对图像进行线性加权增强其亮度和对比度;然后,用裁剪到的图像块在仿照VGG网络构建的CNN架构上去训练检测出血点的CNN模型;最后,为了克服CNN模型在出血点检测中误检、漏检等问题,采用CRF对CNN模型输出的概率图进行后处理,以实现眼底图像出血点的精确检测。提出的检测方法在公开的Kaggle与Messidor数据库上进行训练和验证,获得了98.8%的准确率、99.4%的召回率和99.1%的F-score。另外,在DIARETDB1数据库上测试的灵敏度达到98.5%,F-score为96.1%。实验结果表明,从图像视觉和定量检测2个方面均说明了提出方法的有效性和优越性。     

数字几何体模仿真呼吸运动

仿真在补偿呼吸运动的PET/CT成像研究中起着非常重要的作用。许多方法被开发出来用于仿真呼吸运动。然而,它们在使用中存在一些局限性,例如操作者的干预,花费太高或者是仿真时间太长等。提出一种新的简单方法,用GATE软件包来实现呼吸运动的仿真。GATE不仅在SPECT/PET仿真,而且在不同的模型仿真构建方面也提供了非常强大的功能。根据呼吸运动,在GATE的配置中就可以确定体模运动的特征。GATE可以生成象柱,球和椭圆等形状的几何体模。组合体模的运动特征和形状就可以仿真呼吸运动。仿真的结果表明,在开发和评估SPECT/PET补偿呼吸运动技术时,GATE产生的运动体模,提供了一种可选的方法用于呼吸运动的仿真。这种方法与传统方法相比,运算量小,体模设置简单。

Abstract：

Simulation plays very important role in the research of compensation respiratory motion in PET/CT imaging. Many approaches were developed to simulate respiratory motion. However,they have some limitations on operator intervention,much cost or time consuming in study. A new simple approach for respiratory motion simulation was proposed by using GATE （Geant4 Application Tomography Emission） software packages. GATE provides very strong functions to simulate not only SPECT/PET,but also different phantom construction. Phantom motion characteristics can be determined in GATE configuration in terms of respiratory motion. Geometric phantom were generated by GATE including the shape of cylinder,sphere and ellipse. Combination of the characteristics of phantom motion and shape may simulate respiratory motion. The simulation results demonstrate that the phantom generated by GATE may provide as one alternative useful method of simulating respiratory motion for the development and the assessment of respiratory motion compensation in SPECT/PET imaging. This approach has the features of less computational simulation and phantom setting up simply comparing with conventional phantoms.     

基于自监督学习的序列推荐算法

针对现有序列推荐算法易受数据稀疏影响以及对用户短期动态偏好建模不充分的问题,提出基于自监督学习的序列推荐算法。针对短期序列中的原始项目关系更易受到随机数据增强破坏的问题,对长短期序列使用不同的数据增强方法来构建更有效的自监督信号;利用对比式自监督学习框架对用户长期偏好和短期偏好进行多任务联合建模;针对现有自注意力机制无法建模序列中项目相对位置关系的问题,将自然语言处理领域中的解耦注意力机制引入到用户短期偏好学习过程中,充分捕获用户短期序列中项目的相对位置信息。实验结果证明了所提算法的有效性。