改进的表面法向量投影叠加CT图像疑似肺结节检测算法

对表面法向最投影叠加法进行改进,提出一种基于三维局部形状约束并采用自适应投影距离的表面法向量叠加疑似肺结节检测方法.现有的表面法向量投影叠加法没有对初始ROI(region of interest)区域表面进行形状约束,采用单一投影距离,存在投影叠加计算量大且只适用于固定大小的肺结节检测问题.首先采用Otsu阈值方法得到初始ROI区域,计算初始ROI曲面的三维局部形状指数,对三维ROI的体素表面法向量进行投影约束,以提高球形选择性、减少投影叠加计算量;在表面法向量叠加过程中由ROI曲面自适应地决定投影距离,一方面限制表面法向量向ROI曲面外投影;另一方面可以克服检测固定大小肺结节的局限性;由于肺结节一般表现为球形,具有较大的表面法向量投影叠加值,选择局部最大叠加值,可以检测不同大小的球形疑似肺结节区域.实验结果表明,改进算法具有更好的球形选择性,可以较好地检测出不同大小的疑似肺结节,具有较高的敏感度和较低的假阳性率.     

激光基准桥梁挠度检测图像处理算法研究

针对桥梁结构健康安全运行自动化检测的需求,利用激光基准的嵌入式桥梁挠度图像式检测原理,设计了透射式靶标的光斑中心检测算法。针对透射式激光靶标光斑中心的高精度实时检测,提出了一套光斑中心坐标的快速读取方法。该方法首先对第一帧光斑图像采用金字塔模型获取其ROI区域;然后,采用基于序列图像块搜索方法快速获取后续图像的光斑图像的ROI区域;最后,在ROI区域内检测光斑的边缘,通过椭圆拟合的方法获取光斑图像的亚像素中心。该算法从应用层面解决了高精度和实时性的矛盾,保证了测量精度和效率。经实测发现:该算法挠度值的测量误差小于0.1像素,数据更新时间小于200 ms,同时满足了高精度和实时性的要求。     

面向肺癌CAD的CT图像疑似病灶检测算法

CT图像中疑似结节病灶区域的分割和提取是肺癌CAD系统的关键和难点.本文提出一种疑似结节病灶自动检测算法,首先对原始CT图像进行有效、准确的肺实质分割,根据肺结节、气管和血管具有不同的几何特征,构造了一组不同尺度的类圆形结构元素,采用多尺度形态学滤波方法对ROI进行初始分割,再根据各ROI的大小构造相应尺度的二维高斯模板,对各ROI区域进行自适应局部高斯模板匹配,以进一步剔除假阳性.实验结果表明,该算法可以有效地提取出CT图像中类圆形的疑似结节病灶,具有较高的灵敏度和较低的漏诊率,可以为医生诊断早期肺癌病灶提供辅助信息.     

肺结节自动检测算法研究

本文研究一种用于自动检测CT图像中肺结节的计算机辅助检测(CAD)算法.该算法首先从CT图像中分割出肺部区域,然后利用基于图像灰度分布的阈值方法提取出包含肺结节和血管的感兴趣区域(ROIs).在研究区分肺结节和血管的特征之后,利用基于规则的判别方法将感兴趣区域进行分类并提取出肺结节.运用本算法对232幅CT序列图像进行实验,实验结果表明运用该算法具有高达85%的检出率.     

基于PCA和改进的BP网络的肺结节识别研究

提出了一种基于PCA和改进的BP神经网络的CT影像肺结节检测方法。将已经获取的肺部影像中肺结节和血管的特征数据经PCA处理后,应用改进的BP神经网络进行分类,经过竞争选择,获得分类结果。实验证明该识别方法实现简单、识别率高、训练速度与识别速度较快,训练好的网络有很好的分类能力。     

基于数字孪生的肺结节诊断

为解决肺结节诊断难度大的问题,提出基于数字孪生的肺结节诊断技术思路。采用智能算法、模型融合、虚实交互等关键技术建立了肺结节诊断的数字孪生框架。通过重建算法构建了肺三维虚拟模型,建立了肺结节诊断系统的虚拟实体;利用深度学习技术对数据进行迭代分析生成肺结节检测模型,与三维虚拟模型结合提升交互性,实现了对肺结节的智能检测;通过随访更新患者数据构建肺结节的动态预测模型,完成了肺结节分析与诊断,满足了可视化监控、健康管理等需求。以实际案例进行了肺结节的检测与诊断,验证了所建系统的可行性。     

一种基于移动水印代理技术的数字版权检测系统

本文提出了一种基于移动代理技术的网络多媒体数据防拷贝和版权跟踪与检测模型,非常适合于大型分布式网络中的多媒体数据版权保护与跟踪检测.分析了移动水印代理的创建与派遣以及基于移动水印代理的版权跟踪和检测过程.在水印实时检侧过程,该系统设计了水印代理中心完成移动水印代理的创建、派遣、任务执行和终止行为.该系统的各个工作模块相对独立,易于系统的扩充.     

利用区域增长技术的自适应高光谱图像分类

针对面向对象的高光谱分类方法中分割参数设置问题,提出了一种基于区域增长技术的自适应高光谱分类算法。首先提出了带约束的区域增长方法,利用已知训练样本的空间信息,提供有效约束,从而降低区域增长过程中区域标记的错误传播率,以提高分类性能;其次,提出了自适应阈值计算方法,通过分析已知训练样本光谱的分布规律,自适应地计算出合理的区域划分阈值,从而代替经验阈值,提高算法的鲁棒性;最后,采用K近邻算法(KNN),对划分后各区域中心进行分类。实验结果表明:对于不同图像,提出的算法计算出的自适应阈值均与其经验值相符合,且其分类效果优于其他算法,来自AVIRIS传感器的高光谱数据Indian Pines在10%的已知训练样本下总体分类精度达92.94%、kappa系数达0.919 5,来自ROSIS传感器的高光谱数据Pavia University在5%的已知训练样本下总体分类精度达95.78%、kappa系数达0.944 0。该算法不仅增强了算法的鲁棒性,同时有效提高了分类性能,在高光谱应用中具有较强的实用性。     

基于三维卷积神经网络的低剂量CT肺结节检测

为提高早期肺癌筛查过程中肺结节的检出率,提出利用三维卷积神经网络进行低剂量CT肺结节检测。首先采用多方向形态学滤波算法对低剂量序列CT图像进行预处理;接着,利用改进三维区域生长与凸包算法相结合进行肺实质分割;然后提取三维候选结节,为了解决卷积神经网络对样本不平衡的敏感问题,对三维候选结节正样本进行旋转和光照处理;最后在不同的网络参数下,对ELCAP数据库中50个序列低剂量肺癌筛查数据进行4组实验。实验结果表明,通过对网络参数的不断优化,准确度、灵敏度、特异度以及ROC曲线的AUC值分别达到了84.6%、88.89%、80.32%及0.924 4。该方法能够正确地对低剂量CT肺结节进行检测,与文献所提出肺结节检测算法相比,准确度、灵敏度和特异度分别平均提高了5.37%、5.6%和10.42%,综合性能较强,可以为肺癌筛查提供有效的帮助。     

利用多分辨率直方图特征分类数字X光乳腺图像

提出了一种结合多分辨率直方图特征表示与核学习算法的数字X光乳腺图像的分类方法。该方法不依赖特征选择步骤,而是基于感兴趣区(ROI)的高维多分辨率直方图特征,通过从训练实例中学习,同时检测多种异常的ROI。对该方法进行接收器工作特性(ROC)分析,敏感性约为89%,ROC曲线下面积(AUC)接近0.91。与以前所提出的检测方法相比,该方法不需要针对特定类型病变选择特征表示,因此可以同时检测多种类型的病变,简化了检测过程,提高了检测效率,而且分类性能也达到或超过了以前方法的平均分类性能。结果表明,利用多分辨率直方图特征表示能够很好地区分乳腺图像中正常和异常区域,同时也显示了借助核学习算法消除或限制分类任务中特征选择步骤的可能性。