基于多尺度残差网络的CT图像超分辨率重建

为了将超分辨率重建算法应用于医学影像领域,提升各类医学影像的分辨率,针对当前主流算法网络结构和分辨率提升倍数的尺度单一性问题,提出了一种应用于CT图像的多尺度残差网络模型。首先,通过级联多层残差块构建模型框架,残差块内采用3种尺度的卷积核提取低分辨率图像的细节特征。然后,将特征图融合在一个维度进行特征映射和数据降维,并将多尺度特征信息导入下一残差块。最后,将网络学习到的残差图与低分辨率图像融合,重建高分辨率图像。采用经过多种放大倍数处理的CT图像对网络进行混合训练,实现了一个模型可以同时支持多种倍数的分辨率提升。实验结果表明:在2,3,4倍放大因子下,该模型重建的CT图像PSNR平均较VDSR算法高0.87,0.83,1.16dB。因此,本文模型有效提升了CT图像的超分辨率重建效果,更锐利地恢复了其细节特征,同时大大提升了算法实用性。     

脑部CT图像的三维重建及纹理特征研究

本文提出了一种使用灰度共生矩阵提取三维重建后的脑部图像的三维纹理特征的方法。分别对10组正常脑部CT图像与10组脑瘤患者的脑部CT图像进行了去噪和增强的预处理,并进行了三维重建,随后使用了灰度共生矩阵的方法对重建出的模型进行了纹理特征的提取。计算26个方向的能量、熵、惯性矩和相关性,并进行统计分析。结果证明,此方案提取的特征值在统计分析中存在差异,并且正常大脑与患病大脑的特征值形成了对比,对脑室内肿瘤的诊断具有重要价值。     

基于深度卷积神经网络的低剂量CT肺部去噪

为了降低低剂量CT肺部噪声对肺癌筛查后期诊断的影响,该文提出一种基于深度卷积神经网络的低剂量CT肺部去噪算法。以完整的CT肺部图像作为输入,池化层对输入图像进行降维处理;批规范化解决随着网络深度的增加性能降低的问题;引入残差学习,学习模型中每一层的残差,最后输出去噪图像。与经典去噪算法实验结果对比,所提方法在解决去噪方面达到了很好的滤波效果,同时也较好地保留了肺部图像的细节信息,大大优于传统的去噪算法。     

基于改进U-Net的低剂量CT图像重建方法

针对低剂量CT图像重建会产生噪声和伪影的问题,在U-Net神经网络基础上引入残差学习和空间注意力机制,在编解码过程中嵌入跳跃连接为上采样增加多尺度信息,使用AAPM公开数据集CT影像进行模型训练和测试。选取峰值信噪比（PSNR）、结构相似性（SSIM）和均方根误差（RMSE）作为图像性能评价指标。在CT重建结果的测试中,与未处理的图像相比,网络模型处理后图像的PSNR、SSIM和RMSE指标平均值分别提升21.699%、2.263%和40.833%。实验结果表明,改进的U-Net神经网络模型能够减少噪声和伪影,保留了更多的纹理细节,对低剂量CT重建图像质量的提高有一定效果。     

基于双域迭代残差网络的双能CT图像材料分解研究

针对在图像域将深度学习与迭代重建算法结合的深度迭代残差网络分解得到的材料图像受到噪声和伪影的影响,提出将迭代残差网络扩展到双域,即基于双域迭代残差网络的双能CT图像材料分解方法。该方法集成了两个并行交互的子网络CNN,同时在图像域和投影域进行材料分解操作,通过CNN直接向该网络提供投影数据,在不同域之间进行信息传递和融合,使用CNN丰富双域模型的数据保真度。实验结果表明,双域迭代残差网络相比于只在图像域进行材料分解能够更好地抑制噪声和伪影,提高图像质量和分解精度,做到细节保护。     

基于改进U型神经网络的脑出血CT图像分割

针对脑出血CT图像病灶部位的多尺度性导致分割精度较低的问题,该文提出一种基于改进U型神经网络的图像分割模型(AU-Net+).首先,该模型利用U-Net中的编码器对脑出血CT图像特征编码,将提出的残差八度卷积(ROC)块应用到U型神经网络的跳跃连接部分,使不同层次的特征更好地融合;其次,对融合后的特征,分别引入混合注意...     

基于小波去噪和改进DCV的脑部MR图像分割

针对脑部MR图像具有高噪声、灰度不均和难分割的特点,提出了基于小波去噪和双水平集的脑部MR图像分割模型。对于MR图像中存在较大噪声伪影的问题,引入小波变换来去除噪声,对图像进行预处理。对传统的DCV模型进行改进,对去噪后的图像进行分割,得出最终的分割效果图。实验表明,该模型可有效解决脑部MR图像存在的高噪声、灰度不均和多目标的问题,有较强的抗噪性,保留了图像的细节信息,无需重新初始化,取得了较好的分割效果。     

多级跳线连接的深度残差网络超分辨率重建

由于快速的卷积神经网络超分辨率重建算法(FSRCNN)卷积层数少、相邻卷积层的特征信息之间缺乏关联性,因此难以提取到图像深层信息导致图像超分辨率重建效果不佳。针对此问题,该文提出多级跳线连接的深度残差网络超分辨率重建方法。首先,该方法设计了多级跳线连接的残差块,在多级跳线连接的残差块基础上构造了多级跳线连接的深度残差网络,解决相邻卷积层的特性信息缺乏关联性的问题;然后,使用随机梯度下降法(SGD)以可调节的学习率策略对多级跳线连接的深度残差网络进行训练,得到该网络超分辨率重建模型;最后,将低分辨率图像输入到多级跳线连接的深度残差网络超分辨率重建模型中,通过多级跳线连接的残差块得到预测的残差特征值,再将残差图像和低分辨率图像组合在一起转化为高分辨率图像。该文方法与bicubic, A+, SRCNN, FSRCNN和ESPCN算法在Set5和Set14测试集上进行了对比测试,在视觉效果和评价指标数值上该方法都优于其它对比算法。     

基于神经网络的图像分类模型的设计与实现

传统的图像分类方法是采用人工分类图像的即由人眼观察到色彩特征进行特征分类的。随着人工智能时代的到来,图像自动分类处理技术已成为一项研究热点。研究以残差神经网络模型中的Res Net50为目标场景,以残差神经网络在图像分类中的应用及网络优化为切入点,将Res Net50神经网络模型应用到CIFAR10图像集的图像分类问题上,从优化网络模型和优化特征层抽取技术两个方面,对图像分类模型进行了改进。同时对梯度消失,过度拟合等一系列训练过程中可能会遇到的问题进行分析,通过在Res Net50模型的两个卷积层间增加Dropout层和在图像加载到Res Net50模型前进行一系列图像增强技术以便能改善残差网络的结构,从而达到最好的图像分类效果。     

一种针对膝关节CT图像分割的卷积神经网络

针对现有的膝关节CT图像分割方法耗时长、精度低的问题,文中提出一种改进U-Net的卷积神经网络。首先,该网络将添加批归一化层的残差模块作为U-Net编码过程的主要单元,以增加对图像特征的提取能力,克服网络训练过程中可能产生的梯度消失和梯度爆炸问题;其次,把Attention U-Net中的注意力门加入到U-Net解码过程的前3个阶段,在尽量减少网络复杂性的同时突出模型对图像重要特征的学习;最后,该网络结合Adam一阶优化算法和Focal Loss损失函数实现膝关节CT图像的精准分割。在膝关节CT图像数据集上,Dice系数、IOU系数精度分别达到96.5%,93.4%,豪斯多夫距离减小到（3.2±1.3）mm。相比U-Net和SegNet模型,文中算法在膝关节CT图像的分割方面精度更高,网络训练时间减少,平均预测每张图像的效率也有较大提高。