基于带孔U-net神经网络的肺癌危及器官并行分割方法

为了提高肺癌放疗计划危及器官勾画的精度和效率,提出了一种基于带孔U-net神经网络的肺癌放疗计划危及器官肺及心脏的并行分割方法.首先,构建了肺窗、心脏窗以及纵膈窗下的三通道伪彩色图像数据集,将图像数据集分成训练集、验证集以及测试集;然后,搭建了带孔U-net神经网络,利用训练集和验证集对其进行训练和参数调优;最后,利用测试集对训练后的带孔U-net神经网络进行图像分割性能评价,并与U-net神经网络及3种传统图像分割算法进行比较.实验结果表明,带孔U-net神经网络分割性能最优,可有效地完成肺及心脏的自动并行分割,提高勾画效率,分割结果与人工勾画结果相当.     

基于MAP-EM算法的双能CT直接迭代基材料分解方法

为了提高双能CT基材料分解的精度,降低基材料图像的噪声,提出了基于MAP-EM算法的直接迭代基材料分解方法.结合MAP-EM算法,推导出基材料分解直接迭代求解公式,基于双能投影数据集直接重建基材料分解图像,并对该方法的性能进行了评价和分析.仿真结果表明,所提方法可显著降低分解误差和基材料图像噪声,提高对比噪声比.与基于FBP算法的图像域基材料分解方法相比,该方法可使基材料图像中各材料区域的噪声水平下降57.42%～63.64%,分解误差水平降低31.72%～62.14%,对比噪声比提高1.37%～223.17%.