基于深度学习的超声成像技术研究现状

超声成像技术以其无损、无辐射、实时性好、成像深度深和检查费用低等优点,是目前临床医学最常应用的影像技术之一。随着医疗技术的日益发展,兼顾高帧率和高质量的超声成像已成为临床上的迫切需求。深度学习作为能快速提取信号特征的技术,近年来已经在超声成像领域展开多种应用研究并产生了较好的效果,具有很大的应用前景。文章总结了基于深度学习的超声成像技术现状,重点介绍了超声成像技术中常用深度学习架构,列举了深度学习技术在超声成像中的应用,最后总结了目前深度学习在训练以及实现临床应用中可能会遇到的挑战。     

基于功能磁共振成像方法的单相抑郁症情绪加工特点研究

运用功能磁共振成像(fMRI)技术,采用适合中国人情绪加工特点的表情图片(愉快、悲伤和中性表情)作为刺激材料,选取15名严格入组的未服药单相抑郁症女性患者与15名条件匹配的正常志愿者,对其情绪加工的大脑活动进行了对比研究。结果发现,与中性表情相比,在加工愉快表情时,抑郁症患者激活了右侧前额叶,而正常对照组激活的是左侧前额叶;在悲伤表情条件下,抑郁症患者激活了双侧颞下回,而正常对照组激活的是双侧前额叶。结果还发现,与正常对照组相比,抑郁症患者在双侧额下回三角区、右侧眶额下回、右侧颞下回等脑区的激活范围和强度均有所减少,尤其在加工悲伤表情时表现得更明显。该结果表明,单相抑郁症病人不仅在情绪加工相关脑区的功能上出现异常,而且加工情绪的脑区也可能出现了转移。     

基于深度学习的虚拟人物形象生成和设计研究

目的 为实现虚拟人物形象与用户情感偏好的匹配,提高虚拟人物形象设计效率,提出基于深度学习方法的虚拟人物图像生成方法。方法 首先收集相关风格图片并制作数据集,用于初始模型的微调;其次确定用户对虚拟形象的情感偏好与细节要求,得到生成所需的文本提示词;再次通过文本生成的方式迭代生成目标形象并初步筛选符合要求的形象;最后通过图像生成对形象进行局部优化和调整,使其符合用户情感目标。结果 以虚拟人物形象为研究对象,运用基于Stable diffusion模型的文本和图像两种生成方法得到符合用户情感需求与偏好的虚拟人物形象产品,并可快速调整人物形象的细节特征。结论 通过实例验证,所提方法可快速、高质量生成符合用户情感目标的虚拟人物形象,极大地提高虚拟人物形象设计的效率,丰富设计方法。     

基于深度学习的电影智能化摄制技术研究

近年来,深度学习（DL）技术在不同领域应用广泛,极大提升了各行业的生产效率。随着电影工业的发展,为更好将深度学习技术应用服务于电影产业,促进电影工业提质升级,本文以电影摄制全流程为主线,结合先进技术与实际应用,对目前深度学习技术在电影智能化摄制各个环节上的研究进展进行了梳理与回顾,并结合现状对深度学习与电影摄制结合的发展需求和未来趋势进行了分析与展望,分析得出目前深度学习主要在语义分割与图像增强等方面已有较成熟应用,未来研究人员应在更具创造性的环节上加强研究,并更加关注版权规范。     

利用静息态功能磁共振成像研究缺血性脑卒中患者康复治疗后运动功能网络连接的变化

目的:探讨静息态功能磁共振成像技术在研究缺血性脑卒中患者康复治疗后运动功能网络连接变化情况的应用价值,以提高患者临床治疗效果。方法:选取我院神经内科2013年5月至9月收治的5例符合亚急性缺血性脑卒中影像学诊断标准的缺血性脑卒中患者为研究对象,利用静息态功能磁共振成像技术研究患者实施功能性电刺激治疗前后运动功能网络连接变化情况并将数据进行比对分析。结果:脑卒中患者康复治疗后运动功能网络连接系数为0.697,明显优于治疗前0.742,对比结果经统计学处理具有统计学意义(P0.05)。结论:通过对缺血性脑卒中患者利用静息态功能磁共振成像技术进行运动功能网络连接变化研究,揭示了运动功能网络连接变化情况,有效提高了临床研究效果,为临床治疗工作提供了数据支持,具有较高的临床应用价值,值得在神经内科临床治疗工作中推广使用。     

基于深度自编码和LSTM循环网络的脑电情感识别

针对脑电信号情感识别中情感特征信息挖掘不充分、识别准确率低的问题,提出深度自编码方法提取脑电信号情感特征,并结合长短时记忆(LSTM)循环神经网络实现维度情感分类.首先,基于DEAP维度情感生理数据集,分别在唤醒度和效价维度选取情感标签阈值,划分不同情感状态;然后,通过时间窗对脑电信号分段,设计栈式自编码网络挖掘脑电数...     

磁共振成像的3D头面部模型的标准化处理

通过磁共振成像技术获取人体头部的系列二维图像,分别提取其边界坐标数据,并采用傅里叶级数拟合各层的外形轮廓,建立了一种分层描述的3D头部参数化模型。然后根据人类面部主要特征定义了若干特征层,并基于面部特征相匹配的原则,对多个样本进行了平均处理,构造出3D标准头面部模型,能够反映特定人群的综合特点。作为实例,用558个样本计算构造了圆高标准头型,可作为头面部装备设计的依据。     

基于深度压缩感知的语音增强模型

随着压缩感知的深入研究,压缩感知在语音增强方面的应用也备受关注。针对传统压缩感知语音增强算法中存在的不足,将压缩感知与深度学习结合构建名为基于深度压缩感知的语音增强模型(Speech Enhancement based on Deep Compressed Sensing, SEDCS)。基于压缩感知原理使用编解码模型代替压缩感知中语音信号稀疏过程,使用卷积神经网络代替测量矩阵实现语音信号观测降维过程,通过联合训练的方式实现语音增强。实验结果表明：该模型能够完成语音增强任务,并且与现有的压缩感知语音增强算法相比,该模型能取得较好的语音增强效果;相比利用深度学习的语音增强算法,该模型虽性能一般,但在模型泛化性能和测试阶段的增强时间效率上有一定提升。     

声学成像和深度学习的诊断与定位方法

针对传统的基于振动信号的故障诊断技术无法兼顾定位与诊断的问题,提出一种基于声音信号的反卷积成像和深度学习的智能故障诊断与定位模型,该模型在传统波束形成算法的基础上,引入反卷积成像算法确定噪声源位置;同时,使用深度学习对声音信号进行训练分类从而判断故障类型,可兼顾噪声源识别定位以及故障检测的特点,拓展声像识别的应用场景,并进一步推动故障诊断技术在多领域交叉发展。实验结果表明,与传统的基于振动信号的故障诊断方法对比,该方法在设备故障诊断方面的故障识别率达到97.22%,并能够准确识别故障所在位置。     

基于主磁场不均匀的分数域磁共振成像方法

现有核磁共振设备面对主磁场不均匀多是采取贴磁片等补偿磁场不均匀等硬件方法,但这给成像带来图像伪影,图像模糊等不良影响。针对磁共振成像中磁场不均匀的问题,提出了一种主磁场不均匀下的分数域磁共振成像方法。首先选择待成像活体组织的某一层,在该层上选择若干个点,测量该层面上的磁场强度大小,在磁共振成像原理的基础上,建立成像区域磁场强度分布模型,然后建立磁场的多项式模型,按照测量的磁场中是否存在明显的二阶分量可以将该多项式模型分为二阶多项式模型和高阶多项式模型;之后,将这两个模型分别代入磁共振的自由感应衰减(FID)信号中,对于二阶模型可以用分数阶傅里叶变换工具进行求解成像物体某一层上的自旋密度函数,对于高阶模型需要通过求解代数方程的方法得到成像物体某一层面上的自旋密度函数,这样便建立了主磁场任意不均匀下的磁共振信号模型。实验结果表明,该方法达到与均匀主磁场下近似同样的效果。     

基于深度神经网络代理模型的盾构隧道密封垫断面优化EI北大核心CSCD

合理的弹性橡胶密封垫断面形状是保障盾构隧道管片接缝防水设计性能的关键。密封垫断面优化设计时,需要反复进行材料大变形、接触分析等复杂的非线性计算,极大限制了优化效率。为此,以闭合压力与有效接触压力占比为双控目标,提出了一种结合深度神经网络代理模型的结构优化算法。在遗传算法框架下,深度神经网络代理模型可以实现由断面形状到接触应力场的快速映射。同时,迁移学习的引入实现了不同类型断面形状代理模型的知识复用,仅利用小样本即可建立高精度的接触应力预测模型,从而有效提高了闭合压力约束条件下的密封垫结构断面优化效率。     

基于遗传算法的神经网络等价模型构建

神经网络模型结构作为深度学习的重要组成部分,在很大程度上决定着深度学习的性能表现。而目前基于深度学习的应用,大部分都由经典的网络模型修改而来。由于无法获得原神经网络模型结构,本文根据原模型的输入输出数据以及经典的神经网络模型结构,构建了原模型的预测模型。该方法主要通过对预测模型的结构参数进行编码,并利用遗传算法(GA)进行选择、交叉、变异操作,从而构建出原模型的等价模型。对于同一输入数据,等价模型和原模型的输出基本保持一致。本文提出的构建方法在图像分类、信号调制类型分类和网络链路预测领域均取得了较好的效果。     

基于深度强化学习的城市公共交通票价优化模型构建

本文介绍了一种基于深度强化学习的城市公共交通票价优化模型,构建该模型的目的在于提高城市交通系统的效率和服务质量。首先,分析了该模型的基本假设和建立过程。其次,探讨了使用DQN方法对模型进行训练和优化的过程,最后,该文展示了持续监测系统性能、乘客数量、收入和交通拥堵情况等票价模型的优化结果,以期为城市公共交通系统的管理和改进提供一种前瞻性方法。     

基于自适应静态数据布局策略的深度学习张量程序自动生成框架

如何确定静态数据布局是深度学习张量程序自动生成框架面临的重大挑战。Ansor作为目前应用最广泛、最具前景的此类框架,其根据预先指定的单一静态数据布局策略,训练性能预测模型,依据该模型搜索最佳性能的张量程序。但其存在单一策略非最优和性能预测模型不准确的问题。为此,本文提出基于自适应静态数据布局(AL)策略的深度学习张量程序自动生成框架AL-Ansor。AL-Ansor在搜索过程中自适应地选取多种静态数据布局策略,共同训练性能预测模型,从而搜索得到性能更高的张量程序。本文以32核Intel Xeon CPU为目标硬件平台,在多个卷积层上进行实验,结果表明,在同样的搜索次数下,相较于基于3种指定静态数据布局策略的Ansor,AL-Ansor生成的张量程序分别有13.81%、12.41%和16.59%的平均性能提升。     

基于功率谱的未知频率功能磁共振独立成分排序

独立成分分析(independent component analysis,ICA)是一种数据驱动的分析方法,在功能磁共振数据的分析和处理中表现出极高的效率和准确性。然而,在任务刺激的频率未知的情况下,如何选取与任务相关的关键独立成分(independent components,IC)至今还未被深入讨论过。在这项研究中,通过对独立成分在其时间过程(time course)中每一个频率点所具有的功率值进行统计分析,提出一种估计任务刺激频率的算法。然后根据估计出的频率,可以进一步分析得到任务相关的独立成分。基于这个算法,对此进行真实数据实验。结果表明,在被试处于单一刺激或少量刺激的情况下,该算法对未知频率的估计具有较高的准确性。由此可以表明,该算法在功能磁共振独立成分的排序中能够发挥很大的作用。     

参与中文配对词语联想学习记忆的脑区和神经机制——脑功能磁共振的研究

通过脑功能磁共振技术,研究健康人参与语言的词语配对联想学习记忆任务的脑区和神经机制。对16名右利手健康志愿者进行一项词语配对联想学习记忆任务作业的同时,进行脑功能磁共振扫描。实验采用组块设计,实验任务（包括记忆编码相和记忆提取相）与对照任务（共两个相）交替进行;数据采用SPM99软件进行数据分析和脑功能区定位。结果表明：左侧额叶,特别是左侧额叶的额中下回和枕叶的18,19区在词语联想学习记忆的编码阶段中起重要作用;而左侧顶上小叶、缘上回和角回则在进行记忆提取阶段起重要作用;左侧纹状体边缘区参与了人脑词语联想学习记忆作业的编码阶段。揭示了人大脑完成语言联想学习记忆任务时,除额、顶、枕和颞叶的皮层结构参与外,还新发现有皮层下结构如纹状体参与了词语联想学习记忆。在配对词语的编码和提取阶段,激活的脑区有所变化,显示了这两个语言阶段的神经活动变化机制。     

基于生成对抗网络的热泵系统故障诊断数据集扩充方法研究

随着深度学习的发展,越来越多的热泵系统故障诊断方法引入深度学习技术并取得了较好的效果.基于深度学习的故障诊断技术需要依赖大量带有标记的故障数据,而现实中这类数据获取较为困难,这限制了智能诊断技术的应用.针对这一问题,本文提出利用生成对抗网络(GAN)学习故障数据的分布,并生成更多的标记数据,实现故障数据集的扩充.针对热...     

基于生成对抗网络的CT图像无监督超分辨率分析

提高计算机断层成像(CT)医疗影像的分辨率有助于医生更精确地识别病变部位,具有重要临床诊断意义。本文研究在没有高-低分辨率图像对数据的条件下,使用仅包含低分辨率图像的数据集,通过降质网络和注入噪声获得与真实图像同域的低分辨率图像,进而构造接近天然图像对的训练数据集。并且设计了包括超分辨生成器、超分辨鉴别器和超分辨特征提取器的超分辨率生成对抗网络(DeSRGAN),实现对CT影像4倍超分辨率分析。实验测试表明,超分辨率分析生成的4倍CT图像在NIQE、BRISQUE和PIQE等无参考图像质量评估指标的定量对比中,DeSRGAN方法均优于最新的单图像超分辨率的增强型深度残差网络(EDSR)、残差信道注意力网络(RCAN)、增强型超分辨率生成对抗性网络(ESRGAN)等方法生成的图像。同时在直观视觉效果上,DeSRGAN方法生成的图像具有更清晰细节和更好感知效果。     

基于自适应融合和显微成像的乳腺肿瘤分级网络

基于显微成像技术的肿瘤分级对于乳腺癌诊断和预后有着重要的意义,且诊断结果需具备高精度和可解释性。目前,集成Attention的CNN模块深度网络归纳偏差能力较强,但可解释性较差;而基于ViT块的深度网络其可解释性较好,但归纳偏差能力较弱。本文通过融合ViT块和集成Attention的CNN块,提出了一种端到端的自适应模型融合的深度网络。由于现有模型融合方法存在负融合现象,无法保证ViT块和集成Attention的CNN块同时具有良好的特征表示能力;另外,两种特征表示之间相似度高且冗余信息多,导致模型融合能力较差。为此,本文提出一种包含多目标优化、自适应特征表示度量和自适应特征融合的自适应模型融合方法,有效地提高了模型的融合能力。实验表明本文模型的准确率达到95.14%,相比ViT-B/16提升了9.73%,比FABNet提升了7.6%;模型的可视化图更加关注细胞核异型的区域(例如巨型核、多形核、多核和深色核),与病理专家所关注的区域更加吻合。整体而言,本文所提出的模型在精度和可解释性上均优于当前最先进的(state of the art)模型。     

基于深度学习的RC梁集中塑性铰模型参数研究

集中塑性铰模型常被用于基于构件的结构弹塑性分析,计算精度依赖于模型参数的选取,但经验公式难以表征构件受力特性与模型参数的复杂非线性关系。该研究收集低周往复加载RC梁试验数据。建立构件试验数据库,采用捏拢型(pinch Ibarra-Medina-Krawinkler,Pinch-IMK)本构建立基于深度学习的RC梁构件集中塑性铰模型参数预测模型。基于试验数据对三折线骨架特征点参数、本构滞回参数进行参数辨识,得到182组骨架特征点参数数据和91组滞回参数数据;以构件特征参数为输入,以骨架特征点参数、滞回参数为输出,建立Pinch-IMK集中塑性铰RC梁构件参数深度学习预测模型HDLM。将HDLM预测骨架特征点参数与截面分析及现有经验公式等方法的计算结果作对比,可见HDLM预测结果有更高的精度;将基于HDLM预测参数计算的滞回曲线与基于经验公式的IMK模型计算结果进行对比,可见HDLM预测滞回曲线更为准确,能够较好地表现RC梁的强度退化、刚度退化和捏拢效应。