基于卷积神经网络的PET/CT多模态图像识别研究

将卷积神经网络用于CT、PET、PET/CT三种模态的医学影像分类识别,为医院统一存储管理影像数据和医护人员快速检索提供便利.首先探讨卷积神经网络对于PET/CT多种模态图像识别的可行性,其次探讨模型参数(迭代次数、批量大小)对网络识别率和训练时间的影响,然后改变CNN模型结构,探讨网络层数、特征图数量和卷积核大小对网络训练和分类效果的影响.实验表明:卷积神经网络对于PET/CT多模态图像识别取得了良好的效果,针对特定问题需要综合图像大小和信息的复杂程度构建最优的CNN模型,在保证高识别率的同时,可以选择合适的参数降低时间复杂度.     

特征级图像融合方法及在医学图像应用中的研究进展

医学图像特征级融合在医学领域中有重要的地位,首先给出了医学图像特征级融合流程图;然后对医学图像特征级融合技术进行探讨;其次,将特征变换方法归纳为基于核函数、非线性流行学习、不确定性和仿生学等四类,并分别进行了总结;再次,将特征选择方法归纳为基于启发式搜索、完全式搜索和随机搜索等三类,并对其中典型的粗糙集、遗传算法进行了讨论;最后对医学图像特征级融合技术进行总结和展望.     

深度学习及其在医学图像分析中的应用研究

深度学习被引入机器学习领域与大数据的完美结合加快了人工智能实现的涉伐,近年来备受学术界和工业界的广泛关注.从深度学习的3种经典模型出发,主要做了5方面的工作:第一,针对深度信念网络,从网络结构(隐含层数、RBM结构、DBN级联),学习算法(基本算法、优化算法与其他方法结合),硬件系统(GPU,FPGA)三个方面进行总结;第二,针对卷积神经网络,从网络结构(输入层、隐含层、CNN个数),学习算法,硬件系统三个方面进行归纳;第三,针对堆栈自编码器,以时间为轴对其发展进行梳理,阐述相应自编码器的方法改进;第四,从医学图像分割、医学图像识别和计算机辅助诊断3个方面详细探讨深度学习在医学图像分析领域中的应用;最后从大数据浪潮、模型构建、特征学习、应用拓展4个方面对深度学习的发展进行展望.