摘要：光声计算层析成像(PACT)不需要外源性对比剂便可获取厘米级深度的光声图像。然而,来自皮肤的高强度光声信号遮盖了皮下深层组织信息,阻碍了感兴趣区域光声图像的正面显示和分析。因此,笔者提出了融合多尺度感知和残差连接的U型深度学习模型,并采用该模型实现了PACT光声图像中皮肤信号的智能分割。首先,提出以单类皮肤区域标注为基准标签图像的非像素级皮肤区域标注方法,该方法不需要像素级图像标注,能够显著降低数据处理的复杂度;然后,设计了皮肤完整性拟合和皮肤掩膜生成算法,并采用该算法实现了PACT图像中皮肤信号的自动去除。使用PACT成像实验获得的人体腿部外周血管光声图像验证了所提方法在皮肤组织高精度智能提取和去除方面的正确性和有效性。与现有的皮肤去除工作相比,本文所提皮肤去除算法对MAP图像的重建误差下降了50%~70%,峰值信噪比平均提升了约4.5 dB,为深层组织PACT图像的高清晰显示提供了一条有效途径。

摘要：在毫米波大规模多输入多输出系统中,基于码本的模拟预编码器联合最优化设计理论上可以通过穷尽搜索得到,但其过高的搜索复杂度阻碍了实际应用.受机器学习中交叉熵最优化的启发,文章提出一种具有低复杂度的基于自适应交叉熵优化算法的混合预编码方案:在自适应交叉熵最优化算法中,首先基于信道信息进行非均匀的初始概率分配,再进一步利用全部样本的数据可达率信息,在概率迭代更新中引入自适应加权操作.与传统交叉熵最优化算法相比,所提算法可显著提高收敛速度.仿真结果表明,该算法在较低的复杂度下可获得接近最优的性能.