摘要：随着社会人口老龄化问题的加剧,阿兹海默病,越来越影响人们的生活质量和家庭幸福,也造成了巨大的社会负担。利用人工智能技术对AD进行早期诊断有助于预防或减缓AD病程,减轻家庭和社会负担。现有文献表明,基于磁共振图像的AI分类算法可用于AD早期诊断。针对基于磁共振图像的AD分类问题,设计实现了两种分类迁移学习方法,分别是微调方法和时域视觉提示方法,并通过在公开数据集上验证,证实这些方法的分类精度得到提升。

摘要：心脏磁共振图像分割对心功能分析和心脏疾病诊断具有十分重要的意义。针对传统心脏分割方法对心脏MR图像特征提取不全面,以及基于注意力机制的深度学习方法参数量过大的问题,设计一种基于GAN与轴向区块注意力的心脏磁共振图像分割模型,对图像特征进行多尺度、全方面地提取,结合GAN策略提升模型性能。实验结果表明,模型实现了图像的有效分割并提高了分割结果与真实标签之间的一致性。

摘要：靶区和脏器的自动化标注是磁共振图像引导放疗的关键技术之一。研究了磁共振图像中胃肠道等空腔脏器语义分割的方法,在语义分割任务中,往往输入图象比输出图像复杂很多,假设网络的复杂度和输入输出的图像复杂度正相关,提出了一个12层的非对称UNet网络,把更多的网络参数放在编码器上,解码器的参数量只有编码器的三分之一。实验结果表明在UMWGI数据集上对胃、大肠、小肠的语义分割任务中,所提方法的DSC综合得分达到了0.856,Hausdorff_95得分达到了3.743,相同网络规模的条件下,优于对称结构的UNet网络和Transfomer网络,说明所提方法可以较好地完成磁共振图像中的胃肠道语义分割,边界分割也较为理想,为实现磁共振图像上胃肠道的自动化标注提供了可行方案。

摘要：磁共振图像的质量会影响医生对患者身体情况的判断,高清晰度的磁共振图像更有利于医生做出准确的诊断。利用计算机技术对磁共振图像进行超分辨率重建,可以由低分辨率的磁共振图像得到高分辨率的磁共振图像。基于生成对抗网络强大的生成能力及其非监督学习特性,文中研究了基于生成对抗网络的磁共振图像超分辨率算法,设计了一个结合残差网络结构及DenseNet结构作为生成网络的网络模型DNGAN。该网络使用WGAN-GP理论作为对抗损失来稳定生成对抗网络的训练。除此之外,使用内容损失函数以及感知损失函数作为网络的损失函数。同时,为了更好地利用磁共振图像丰富的频域信息,将磁共振图像的频域信息作为频域损失函数添加到网络中。为了证明DNGAN模型的有效性,将其磁共振图像超分辨率实验结果与SRGAN以及双三次插值法的磁共振图像超分辨率重建结果进行对比,表明DNGAN模型能够有效地对磁共振图像进行超分辨率重建。

摘要：为解决用传统粒子群算法估计磁共振(MR)图像偏移场会陷入局部最优的问题,本文提出了一种自适应权重粒子群算法估计MR图像的偏移场。针对传统粒子群算法的缺陷,设计一个衡量早熟收敛程度的指标,根据此指标来自适应地调整惯性权重,确保粒子群有效地进行全局寻优,避免陷入局部最优。本文利用Legendre多项式来拟合偏移场,多项式参数利用本文提出的算法进行寻优,最后对MR图像的偏移场进行估计和矫正。将本文算法与改进的熵最小方法进行对比分析,本文矫正后图像熵值更小,对偏移场估计更准确,将矫正后的图像进行分割,分割精度提高将近10%。研究结果初步说明,本算法可应用于MR图像偏移场的矫正。

摘要：动脉自旋标记磁共振图像是一种新颖的无侵入式的功能性磁共振图像。这类图像可以直观测量患者大脑血流量,对揭示患者是否患有老年痴呆症及判断相应的病症程度十分有效。然而,动脉自旋标记图像本身的分辨率不高,再加上扫描过程中不可避免的信号相叉污染和像素异质性等问题,使得部分容积效应在该类图像中普遍存在。部分容积效应会造成动脉自旋标记图像中信号还原失真,进而影响患者大脑血流量测量,对其病症判断带来不利影响。在文章中,一种基于单像素点信息的新颖算法被提出,改善动脉自旋标记磁共振图像中的部分容积效应。大量的统计比较实验表明,该算法不仅能解决国际上现行的改善算法中不可避免的改善结果过度模糊、丢失大脑细节信息问题,还能对准确判断患者老年痴呆病症程度能起到积极作用。

摘要：背景:MRI成像机制决定了其时间/空间分辨率和信噪比之间存在矛盾,因此图像降噪变得十分必要。目前基于离散小波变换的降噪方法广泛应用,然而存在平移敏感性的缺陷。目前已出现了克服平移敏感性的离散小波变换,但其冗余性导致计算复杂度的快速增加。目的:针对图像降噪设计小波滤波器,减小降采样过程的影响,保持离散小波变换的非冗余性,并针对MRI图像Rician噪声的降噪进行分析。方法:由于平移敏感性主要是由于离散小波变换分解时降采样产生的混叠项带来的,在保证非冗余的前提下,提出了通过减小混叠项的影响来减小平移敏感性。在此基础上,设计了一个双正交小波。最后,将其以常见的阈值降噪方法应用到磁共振图像Rician噪声的降噪中。结果与结论:文章提出了设计小波滤波器的新方法,即满足严格重构条件外满足一些附加要求,最后将设计过程简化为一个有约束条件的最优化过程。将设计的双正交小波应用于MR图像,仿真结果表明降噪效果较通常小波有所改善,间接表明了设计思路和方法的有效性。

摘要：目的前列腺磁共振图像存在组织边界对比度低、有效区域少等问题,手工勾勒组织轮廓边界的传统分割方法无法满足临床实时性要求,针对这些问题提出了一种基于深度反卷积神经网络的前列腺磁共振图像分割算法。方法基于深度学习理论,将训练图像样本输入设计好的卷积神经网络,提取具有高度区分性的前列腺图像特征,反卷积策略用于拓展特征图尺寸,使网络的输入尺寸与输出预测图大小匹配。网络生成的概率预测图通过训练一个softmax分类器,对预测图像取二值化,获得最终的分割结果。为克服原始图像中有效组织较少的问题,采用dice相似性系数作为卷积网络的损失函数。结果本文算法以Dice相似性系数和Hausdorff距离作为评价指标,在MICCAI 2012数据集中,Dice相似性系数大于89.75%,Hausdorff距离小于1.3 mm,达到了传统方法的分割精度,并且将处理时间缩短在1 min以内,明显优于其他方法。结论定量与定性的实验表明,基于反卷积神经网络的前列腺分割方法可以准确地对磁共振图像进行分割,相比于其他分割算法大幅度减小了处理时间,能够很好地适用于临床的前列腺图像分割任务。

摘要：对目前压缩感知理论中几种常用的测量矩阵进行了对比分析研究,针对镜像采样方案中采样直线按360°均匀分布,从而导致测量矩阵与稀疏矩阵之间相干性较高并且图像重构含有较多伪影的问题,提出了采样直线按照360°随机分布的方案.为提高图像重构质量,设计了一个基于黄金分割镜像采样的方案,并通过MATLAB实验仿真验证了该方案的有效性.

摘要：磁共振图像的准确分割对于辅助医生确定病灶的位置和形状、制订治疗方案和评价治疗效果具有重要的意义。本文提出了一种新的磁共振图像(MRI)分割方法。构造了一种自组织小波神经网络,通过融合T1、T2和Pd图像的特征来识别MRI中生物组织的类别。该网络继承了小波分析局部精度高和神经网络自学习能力强的优点,采用自组织算法利用训练数据的稀疏性对网络的结构和初始参数进行优化,简化了网络结构,提高了网络学习的速度,避免了网络陷入局部最优学习。将所提方法应用于大脑磁共振图像分割的实验结果表明,所设计的自组织小波神经网络MRI图像分割方法具有精度高和学习速度快的优点。