定量磁共振图像的深度学习重建方法进展

磁共振成像是一种应用广泛的无创医学成像方法,因其丰富的软组织对比度可以成像人体几乎所有内部结构,包括器官、骨骼、肌肉和血管,已成为临床医学影像诊断的利器。然而磁共振成像存在两大公认的瓶颈：成像速度慢、扫描操作烦琐。深度学习给磁共振成像带来莫大的契机,给传统磁共振加速成像带来新的可能。鉴于该领域的快速发展性质,本文旨在总结文献中报道的大量深度学习和磁共振图像重建相结合的方法,以更好地了解该领域。本文简单介绍磁共振成像在多通道线圈接收的并行加速和压缩感知加速下的深度学习重建方法,其中单对比度图像可通过多通道接收线圈提供的冗余度用于加速,多对比度图像可额外使用不同对比度图像这一维度用于加速,动态图像与多对比度图像类似可额外使用时间维度用于加速,本文也将介绍深度学习在这些方面的发展。随着磁共振成像近年来由定性多对比度成像向定量多参数成像的发展,其中定量成像的图像中可内含多对比度图像,如何借用深度学习提供的能力将定性多对比度图像映射到参数图也是一个难点,近年来这一方向也获得了较快的发展,文中也将针对这方面内容进行调研并介绍。针对上述内容,分别介绍国际研究现状和国内研究现状,拟更好地总结国内外研究的发展的异同和趋势。最后对深度学习助力定量磁共振成像方面进行了展望。     

基于参考图像梯度方向先验的压缩感知 磁共振快速成像

压缩感知理论为快速磁共振成像提供了一种系统的理论框架,即通过少量非相干的采样数据便可实现精确的图像重建。然而,在高度欠采样的情况下,混叠伪影依然很严重。目前,已有大量的研究工作探讨了利用来自参考图像的先验信息来提高重建质量的方法。文章提出基于参考图像梯度方向先验的压缩感知磁共振成像方法。该方法通过约束目标图像中结构边缘的切向量与参考图像中对应位置的法向量相垂直,以使目标图像中结构边缘的方向和参考图像保持一致。最后,运用多对比度扫描的实验数据,通过与传统的压缩感知磁共振成像方法相比较,验证了该方法能够实现快速且高质量的磁共振成像。     

基于磁敏感的磁兼容金属植入物的正对比磁共振成像

在磁共振成像中,磁共振兼容金属植入物的磁化率较高,从而导致图像信号的缺失与失真,严重影响装置的精准定位和评估。2014年,有学者提出一种正对比成像方法,利用偏移180°回聚脉冲的自旋回波序列,结合特有的定量磁化率重建算法,重建出近距离放射颗粒的正对比图像。在此基础上,文章对该方法进行进一步扩展,在西门子3 T人体磁共振成像系统上,将该方法应用到活检针和过滤器等较大金属介入装置的正对比成像。活检针和过滤器水模磁共振成像实验结果表明,这种正对比成像方法可应用于较大的金属装置,有效地抑制了金属伪影,获得清晰的正对比图像,提高了装置定位和评估的精准度。     

快速在体光声计算层析图像重建方法

针对超声阵列式光声计算层析成像技术数据采集量大、成像速度慢的问题,为拓展该技术在血流动力学等领域的应用,提出一种基于主成分分析(PCA)的快速光声计算层析图像重建方法。该方法首先通过部分全采样数据,构建样本图像矩阵;然后,通过矩阵分解运算构建信号投影矩阵;最后,基于该投影矩阵在三倍欠采样条件下快速重建出高质量三维光声图像。在体小鼠背部血管成像实验表明:与传统反投影光声图像重建方法相比,基于主成分分析的光声图像重建方法可将数据采集规模降低约35%,三维图像重建速度提高约40%,实现了三倍欠采样条件下高精度光声图像的快速采集与重建。     

基于步态能量图像和2维主成分分析的步态识别方法

为了快速有效地进行步态识别,针对步态能量图像能够表征步态信息和2维主成分分析能快速降维的特点,提出了一种基于步态能量图像和2维主成分分析的步态识别方法.该方法首先应用背景减除法分割出人体轮廓;然后通过人体宽高比的相关信号确定运动周期,再对二值周期序列进行步态能量图像(GEI)合成;最后运用行列相结合的2维主成分分析((2D)~2PCA)方法与加权的2维主成分分析(W(2D)~2PCA)方法提取特征主向量,并采用最近邻分类器进行分类.实验结果表明,该步态识别方法可以有效降低前期处理对分类识别的影响,而且对于3种不同行走状态的CASIA数据库巾多个视角下拍摄的步态图像可取得很好的识别效果.     

一种头部磁共振图像自动配准方法

提出一种基于曲线形状匹配的头部磁共振图像自动配准方法，可实现预分割提取头部轮廓曲线、曲线形状特征提取及匹配和单层匹配结果的校正。实验证明在缺乏成像位置参数时，该方法可快速有效地成功实现头部磁共振图像的配准，特别是颅脑内部包含肿瘤的图像配准。     

基于模糊Havrda-Charvát熵与混沌PSO算法的红外人体图像分割

针对红外人体图像成像质量较差的问题,提出一种基于模糊Havrda-Charvát熵的快速阈值分割方法.首先应用Z形及S形隶属度函数把图像灰度直方图信息转换到模糊域,定义图像背景与目标的模糊Havrda-Charvát熵;然后提出一种基于Tent映射的混沌粒子群优化算法,把隶属度函数参数组合作为粒子,根据最大熵原理确定参数的最佳组合,再由最佳隶属度函数参数计算得到图像的最佳分割阈值.在真实红外人体图像集上与几种经典的图像阈值方法进行对比实验的结果,说明了该方法的有效性和鲁棒性.     

面向服装个性化定制的多视角轮廓三维人体快速重建方法

服装个性化在线定制需要围绕用户形状参数进行设计,传统的量体方法获取的用户形状参数误差高、反馈慢,亟需构建一种三维人体重建方法能够快速感知用户人体形状.针对此问题,提出了一种面向服装个性化定制的多视角轮廓三维人体快速重建方法.利用多级空洞卷积分割网络(multilevel dilated convolution semantic network,MDS-Net)提取人体轮廓图像中整体和局部特征,实现轮廓图像的语义分割;利用躯干参数提取网络(torso parameter extraction network,TPE-Net)提取多视角人体轮廓分割图的形状和姿势参数;利用主成分分析(principal component analysis,PCA)提取三维人体模型潜层空间的语义特征,并映射为由TPE-Net输出的形状和姿势参数,从而实现三维人体重建.在PyTorch环境下,采用4个数据集进行实验验证,结果表明,MDS-Net在测试集上的分割mIoU评分平均为0.881,能够实现整体分割和局部细节保留;TPE-Net在测试集上形状参数预测准确率为0.74,关节预测偏移距离与运动树中的索引呈正...     

大脑快速 T1 图谱成像研究

大脑快速 T1图谱成像是一种量化磁共振成像技术,可以为帕金森、癫痫、肝脑病等脑部疾病的诊断提供重要参考依据。现有的大脑快速 T1图谱成像技术可以将成像速度提高到几秒/层,然而主磁场、发射场的不均性(尤其在高场下)以及大脑内部结构的磁化率差异,降低了成像精确性,限制了其在临床上的推广应用。针对上述缺点,文章提出一种基于 TurboFLASH技术的大脑快速 T1图谱成像方法,并先后在计算机仿真实验、仿体以及人体试验中进行验证。实验结果表明,文章提出的方法测得的大脑组织 T1值与金标准及文献中报导的值非常接近(误差＜3%),同时扫描速度提高到3秒/层,空间分辨率为1.1 mm×1.1 mm×4 mm,2分钟内即可完成全脑采集。     

联合相邻帧预测的心脏磁共振电影成像方法

快速动态磁共振成像可以通过减少采样量来缩短信号的采集时间.因此,从下采样的数据中重建出高质量的图像成为研究的热点.目前,常见的重建方法利用动态图像序列的稀疏表示实现高质量的重建.本文提出了一种联合相邻帧预测（Joint adjacent-frame prediction,JAFP）的重建方法,首先根据动态图像序列相邻帧之间高度的相似性,联合预测当前帧图像,获得稀疏的图像差;其次,利用图像差序列在时间域的拟周期特性,通过傅里叶变换进一步提高图像差序列的稀疏度.在此基础上构建动态成像模型,并在压缩感知（Compressed sensing,CS）框架下进行求解.该方法可将前一次的重建结果作为新的输入,从而形成迭代算法.采用两个磁共振心脏电影成像数据集对提出的方法进行了实验验证,并与k-t FOCUSS ME/MC和MASTeR进行了比较.实验结果表明,该方法联合相邻帧改进了预测图像的效果,提升了重建图像的质量,具有广泛的应用价值.     

基于梯度的混合Mumford-Shah模型医学图像分割

针对C-V法的水平集图像分割法缺少局部控制能力等问题,将基于边缘的几何主动轮廓线模型和基于区域的C-V法两者结合起来,提出了基于梯度的混合Mumford-Shah图像分割模型HMSG。给出了HMSG模型的参数设置准则,在分割的初期加大模型中全局特征项的权值,在分割的后期则加大局部特征项的权值,以提高模型的图像分割能力。对合成图像与医学图像的分割实验结果表明,该方法优于C-V方法对于含有噪声和边缘模糊的非二值图像的分割,能够较为准确地提取图像边界,可以有效提高图像分割整体性能。     

脑MR图像互信息最大的凸优化分割模型

脑MR图像中普遍存在灰度不均匀性,传统的分割方法无法得到理想的脑组织分割结果.为此提出一种基于互信息最大化准则的变分水平集凸优化分割模型.首先建立最大化图像灰度与标记之间互信息能量的分割模型,并融入偏移场信息;对模型进行水平集表示和凸优化后,再引入边缘指示函数加权的总变差范数;最后采用SplitBregman方法快速求解.实验结果表明,该模型可以得到较准确的脑组织分割和偏移场矫正结果,对噪声和灰度不均匀性有很好的鲁棒性.     

A transform-based fast fuzzy C-means approach for high brain MRI segmentation accuracy

Segmentation of brain magnetic resonance (MR) images has a significant impact on the computer-aided diagnosis and analysis. However, due to the presence of noise in medical images, many segmentation methods suffer from limited segmentation accuracy. To reduce the effect of noise and achieve high segmentation accuracy many approaches based on the local and nonlocal information in the spatial domain have been proposed in the past. Recently, the authors have proposed a discrete cosine transform (DCT)-based local and nonlocal fuzzy C-means method (DCT-LNLFCM) which performs much better than the existing methods. However, the method is slow in speed. This paper presents a fast DCT-based nonlocal fuzzy C-means (DCT-NLFCM) segmentation method which is not only very fast than the DCT-LNLFCM, but also provides better segmentation results. The proposed method uses DCT-based MR pre-filtered image to achieve high segmentation accuracy and its histogram enables to achieve very high computation speed. Detailed experiments are conducted to establish the superiority of the proposed method over the state-of-the-art unsupervised methods.     

基于领域本体与上下文感知计算的智能图书

随着信息化时代的发展, Web已成为各类网络信息的主要平台。但是,呈指数增长的海量信息使有价值知识淹没在信息海洋里,用户对专业领域知识的查找、访问、学习以及维护变得越来越困难。针对这种情况,提出了基于领域本体与上下文感知计算的智能图书系统模型,并以颜色科学为例,根据领域知识特性和共享需求构建颜色科学领域本体,然后通过上下文系统获取实现用户需求的相关上下文信息,在上下文感知计算推理模型中为用户提供特定服务,实现了智能图书系统的相关流程。     

基于操作码的安卓恶意代码多粒度快速检测方法

基于操作码的检测方式被广泛用于安卓恶意软件检测中,但存在特征提取方法复杂、效率低等问题。针对此类问题,提出一种基于操作码的安卓恶意软件多粒度快速检测方法,其中多粒度指以词袋模型为基础、函数为基本单位提取特征,通过逐级聚合特征获得 APK 多层级信息,通过对数长度表征函数规模;并基于Dalvik指令集中操作码语义上的相似性对其进行压缩映射以提升效率,构建相应分类模型。测试表明所提方法在性能和效率上均有明显优势。     

Data-driven modeling and simulation framework for material handling systems in coal mines

In coal mining industry, discrete-event simulation has been widely used to support decisions in material handling system (MHS) to achieve premiums on revenues. However, the conventional simulation modeling approach requires extensive expertise of simulation during the modeling phase and lacks flexibility when the MHS structure changes. In this paper, a data-driven modeling and simulation framework is developed for MHS of coal mines to automatically generate a discrete-event simulation model based on current MHS structural and operational data. To this end, a formal information model based on Unified Modeling Language (UML) is first developed to provide MHS structural information for simulation model generation, production information for simulation execution, and output requirement information for defining simulation outputs. Then, Petri net-based model generation procedures are designed and used to automatically generate a simulation model in Arena® based on the simulation inputs conforming to the constructed information model. The proposed framework is demonstrated for one of the largest open-pit coal mines in the USA, and it has been demonstrated that the framework can be used to effectively generate the simulation models that precisely represent MHS of coal mines, and then be used to support various decisions in coal mining such as equipment scheduling.     

基于SVM的多Agent信息融合算法

支持向量机(SVM)是一种基于结构风险最小化原理、具有很高泛化性能的学习算法,为小样本、非线性、高维数一类信息融合问题的建模提供了一种有效的途径.本文将Mobile Agent运用到信息融合系统中,对信息融合系统中原有OODA模型进行改进,提出了一种基于SVM的Mobile Agent信息融合模型及算法.相关实验表明,本文中的训练算法可达到更为满意的分类效果,并且可以得到较高的分类精度.     

基于模型的工艺信息标识方法研究

实现工艺信息在三维模型上的标识是目前三维数字化工艺研究的热点。针 对此问题,论文提出了一种基于MBD 技术和GB/T 24734-2009 的机加工工艺信息标识方法。 该方法有效地规范了机加工工艺信息标识符号的构建和组合方法,并通过三维标注实现工艺 信息与模型的关联,使工艺设计人员和制造人员能快速直观地浏览与获取加工工艺信息。在 以上研究的基础上,基于Pro/E 平台进行二次开发,并通过实例验证了该方法的可行性和实 用性。     

基于多时期蒸馏网络的随访数据知识提取方法

随着医学上对随访工作的不断重视,通过医学图像分析的方法获取随访指导的相关信息变得越来越重要;然而,在深度学习领域,大多数方法不适用于处理此类任务。为了解决这个问题,提出了一种多时期知识蒸馏（MKD）模型。首先,借助知识蒸馏在模型迁移方向上的优势,将带有长时期随访信息的分类任务转换为基于领域知识的模型迁移任务;然后,充分利用长时期医学图像中所包含的随访知识,来完成长时期的肺结节分类。同时,针对随访过程收集到的数据每一年相对不平衡的问题,提出了一种基于元学习思想的正则化方法,且该方法能够有效地在半监督模式下提高模型的训练精度。在NLST数据集上的实验结果表明,所提出的MKD模型在长时期肺结节分类任务下较GoogleNet等深度学习分类模型的分类精度更优越。在不平衡数据量达到800例时,利用元学习方法改进后的MKD模型相较于现有先进模型最高可以提升7个百分点的精度。     

基于多维特征图知识蒸馏的对抗样本防御方法

计算机视觉领域倾向使用深度神经网络完成识别任务,但对抗样本会导致网络决策异常。为了防御对抗样本,主流的方法是对模型进行对抗训练。对抗训练存在算力高、训练耗时长的缺点,其应用场景受限。提出一种基于知识蒸馏的对抗样本防御方法,将大型数据集学习到的防御经验复用到新的分类任务中。在蒸馏过程中,教师模型和学生模型结构一致,利用模型特征图向量作为媒介进行经验传递,并只使用干净样本训练。使用多维度特征图强化语义信息的表达,并且提出一种基于特征图的注意力机制,将特征依据重要程度赋予权重,增强蒸馏效果。所提算法在Cifar100、Cifar10等开源数据集上进行实验,使用FGSM(fast gradient sign method)、PGD(project gradient descent)、C&W(Carlini-Wagner attack)等算法进行白盒攻击,测试实验效果。所提方法在Cifar10干净样本的准确率超过对抗训练,接近模型在干净样本正常训练的准确率。在L2距离的PGD攻击下,所提方法效果接近对抗训练,显著高于正常训练。而且其学习成本小,即使添加注意力机制和多维度特征图等优化方案,...