三维脑白质纤维束成像方法?

从Riemannian流形的角度分析扩散张量成像,将脑白质中任意两点间的纤维束生成问题转化为计算Riemannian流形中两点间测地线的问题,通过Level-Set方法计算测地线,并将其作为脑白质中两点间的纤维束。利用模拟脑白质纤维束对该算法和传统算法进行比较,实验结果表明,该算法在准确性、鲁棒性等方面有较大改进。     

一种基于多层CT影像的肺部结节分割方法

本文针对多层CT影像中肺部结节分割问题，提出一种交互式手动分割结节的方法，用Canny算子代替传统Live-Wire算法中的拉普拉斯算子，解决了拉普拉斯算子边缘检测存在伪边缘和边缘间断的问题，实验证明利用该方法可以快速的为医生分割出感兴趣的结节区域，为定量分析和三维重建提供了前提，从分割和三维可视化的结果来看，该分割方法的分割结果是较为理想的．     

基于Web服务的企业应用集成

随着企业信息化程度的不断深入，企业不同应用之间的共享和交互问题已成为企业信息化中的一个瓶颈。本文分析了目前企业应用集成的主要方式和类型，提出了基于Web服务的企业应用集成框架，给出了基于Web服务的企业应用集成实现方式与集成模型。最后，面向中小企业整体解决方案，开发了一个基于Web服务的集成平台原型系统，为企业集成提供了一系列使能服务。     

基于小生境改进粒子群算法的几何约束求解

几何约束问题可以等价为求解非线性方程组问题。几何约束问题先被转化为一个优化问题。采用基于小生境改进粒子群优化算法来求解该优化问题。由于经典粒子群优化算法容易陷入局部最优,出现早熟现象。为此,基于小生境原理,提出一种小生境改进粒子群优化算法(niche improved particle swarm optimization,NIPSO)。该算法在进行速度和位置更新后,根据小生境数确定个体历史最好位置中的孤立点。然后对所有个体历史最好值差于孤立点值的粒子使用交叉和选择算子进行更新。实验表明,该方法可以提高几何约束求解的效率和收敛性。     

一种应用于移动Ad hoc网络的可扩展路由协议

移动Ad hoc网络是一种高度动态的无线网络,路由成为其实际应用中必须解决的关键问题.目前基于拓扑的MANET路由协议大多不具有良好的可扩展性.为此面向Ad hoc组网应用,提出一种具有可扩展性的中心控制路由协议.仿真结果和性能分析表明,在大型Ad hoc网络组网中,该路由协议具有较好的可扩展性和较高的分组递送率,并提供了QoS路由实现手段.     

基于粒子群优化的不均衡数据学习

为了提高重采样算法在不均衡数据学习的性能,提出一种基于粒子群优化的不均衡数据学习方法。通过粒子群优化,以不均衡数据分类评价准则作为目标函数,来优化重采样算法中最佳的采样率,同时对特征进行选择,从而达到最佳的数据分布。该算法在大量UCI数据集上进行了测试,与其他不均衡学习算法进行比较,结果表明该算法具有更高的分类性能; 并验证了同时优化采样率和特征集合,可有效地改进不均衡数据分类效果。     

基于尺度空间中多特征融合的医学影像分类

针对现有医学影像分类方法对临床不同类别影像特征描述效果不一致,且尺度变化敏感的问题,提出一种基于尺度空间提取多特征进行融合的分类方法。首先构建高斯差分尺度空间,然后在尺度空间中分别从灰度、纹理、形状、频域四种互补的角度描述医学影像,最后基于最大似然估计理论构建决策级特征融合模型,实现医学影像分类。严格依照IRMA医学影像类别编码标准选择实验数据,结果表明所提方法相对已有方法分类的平均F1值得到了5%~20%不同程度的提高, 更全面描述医学影像信息, 避免了特征降维造成的信息损失,有效提高了分类的准确率,具有临床应用价值。     

基于深度学习的心脏磁共振影像超分辨率前沿进展

心脏为人体血液流动提供动力,是人体血液循环系统的重要组成部分。受人口老龄化影响,心脏病诊疗已成为重大公共健康话题。非侵入式活体心脏成像对心脏疾病的检测、诊断与治疗意义重大。然而,受活体心跳影响,成像扫描时间与心脏影像分辨率成为难以调和的矛盾。为缓和这一矛盾,基于快速扫描获得的低分辨率影像重建出心脏高分辨率影像的超分辨率（super-resolution,SR）重建技术成为研究热点。深度学习技术在医学影像处理领域中展现出强大生命力,基于深度学习的SR技术因其强大的学习能力与数据驱动性,在心脏影像SR重建领域中表现出明显优于传统方法的性能。目前领域内前沿成果较多,但缺少对领域现状进行总结、对未来发展进行展望的综述性文献。因此,本文对领域内现状进行梳理总结,挑选出代表性方法,分析方法特性,总结文献中心脏影像数据来源与规模,给出常用的评价指标,以及模型得出的性能评价结论。分析发现,基于深度学习的心脏SR重建技术取得了较大进展,但在运动伪影抑制、模型简化程度与时间性能方面仍有进步空间。此外,现有模型基本完全依靠网络强大的表达能力,鲜有临床先验知识的引入。最后,模型间性能对比相对较少,且领域内缺少代表性的可用于评价不同心脏SR重建模型性能的数据集。基于深度学习的心脏影像SR技术仍有较大发展空间。