融合上下文信息的血管造影图像增强

 数字血管造影是现代可视化医疗中一种广泛应用的技术,但是心血管造影图像往往充满噪声,使得医生无法判别.传统增强技术往往难以将血管,尤其是细小的血管,从对比度低且背景复杂的造影图像中增强出来.由于血管往往具有局部空间的结构一致性,本文基于一种共圆规则融合血管上下文的信息并通过一个迭代过程使得一致性的空间成分得到增强.用该方法对血管造影图像进行处理,使血管从背景中显著突出,然后辅以适当的后续处理,便可以得到较为满意的视觉效果.     

阿尔茨海默症诊断与病理区域检测的反事实推理模型

目的 随着全球人口老年化趋势日益加剧,阿尔茨海默症（Alzheimer''s disease,AD）的及时诊断与病理区域的可视化及其准确定位具有重要的临床意义。目前的研究中,基于块级和区域级的检测,由于采用非线性交互很难解释影响模型决策的病理区域。针对此问题,提出了一种AD病理区域定位及诊断的联合学习框架。方法 利用反事实推理的思想,基于前景背景注意力掩码构建注意力引导的循环生成对抗网络（attention-guided cycle generative adversarial network,ACGAN）可视化AD患者的病理区域,并使用生成的病理区域知识指导增强诊断模型。具体来说,通过在ACGAN模型的生成器中设计注意力掩码来引导生成方案,使模型更好地聚焦于疾病的病理区域,有效地捕捉突出的全局特征。并通过ACGAN模型中病理区域生成器实现结构磁共振图像（structural magnetic resonance imaging,sMRI）在源域和目标域之间的转换清晰地划分出细微的病理区域。利用生成的病理区域知识作为指导,并结合三维坐标注意力与全局局部注意力,获取三维图像之间的依赖关系及三维空间的位置信息,优化诊断模型。结果 为了验证方法的有效性,在公开的ADNI（Alzheimer’s disease neuroimaging initiative）数据集上对模型进行评估,与传统的卷积神经网络（convolutional neural network,CNN）模型及几种较为先进的AD分类诊断模型相比,本文使用病理区域知识指导增强诊断模型显示出优越的诊断性能,相比于性能较好的方法,ACC（accuracy）、F1-score、AUC（area under curve）分别提高了3.60%、5.02%、1.94%。并对生成的病理区域图像进行定性及定量评估,本文方法得到的病理区域图像归一化互相关分数和峰值信噪比均优于对比方法。结论 与现有方法相比,本文模型可以学习sMRI图像在源域和目标域之间的转换,能够准确地捕获全局特征及病理区域。并将学习到的病理区域知识用于AD诊断模型的改进,使分类诊断模型取得了卓越性能。     

一种增量迭代方式下的特征向量聚类方法

采用一种数据组织方式,提出一种特征向量聚类方法。首先选取特征空间中一些容易聚类的高密度数据点作为初始种子集合,并对其进行聚类。然后从剩下的数据点中选取种子集合的所有k近邻数据点,通过半监督判别式分析方法将当前种子集合及其k近邻数据投影到一个新的投影空间中,在该空间中对这些数据点再进行聚类,得到新的聚类结果,并将这些k近邻数据添加到当前种子集合中。通过迭代上述步骤,当种子集合的k近邻数据为空集时,算法结束。实验表明,该聚类方法优于经典的K-means、均值漂移、谱聚类等算法。