首页 > 文献资料
-
压缩感知在磁共振成像中的应用研究
压缩感知是建立在矩阵分析、概率统计理论及泛函分析等基础上的一种新颖的信号获取方式，它可以以低于传统Nyquist采样定理所需的采样数据准确重建原始信号。本文在压缩感知基本理论的基础之上论述了其与磁共振成像相结合的基本原理，包括磁共振图像的稀疏表示、 K空间采样轨迹的设计、优质重建算法的选择，并简要介绍了压缩感知在磁共振成像中其他方面的一些应用。
-
基于稀疏表示的B型超声图像超分辨重建算法
本文针对医疗超声仪器中常用的B型超声图像超分辨率重建这一逆问题，提出一种基于稀疏表示的B型超声图像超分辨率重建算法。对于存在稀疏性的信号，稀疏表示可以得到信号的优重建效果。为了确保稀疏性，在对B型超声图像进行深入分析的基础上引入了一种可以快速地构造超完备字典的稀疏编码算法，实现B型超声图像快速有效的超分辨率重建，并成功应用于汕头超声“宏云”系列彩超仪器。实验结果表明本算法的可行性，与其他方法相比，可以得到更好的重建效果，更好地保留图像中的边缘和细节。
-
压缩感知及其在超声成像中的应用
如何实时、高效地存储超声成像射频回波线数据是实现超声成像后期调节、参数优化和会诊的关键.本文利用目前信号采样和压缩领域全新的压缩感知理论,结合超声射频回波线数据的相关性和稀疏性,提出基于压缩感知的超声射频回波线数据压缩算法.该算法能大大降低数据的大小,相比于其他算法,不需要通过计算所有分量后再对计算出来的信号进行排序和编码,提高了压缩效率.
-
基于Bandlet的压缩感知算法及其在智能乳腺全容积超声系统中的应用
目的 在智能乳腺全容积超声系统中需扫描很多个切面同时进行成像和保存,数据量庞大.为此,本文提出基于Bandlet变换的压缩感知方法并应用于该系统,以降低存储和传输的数据量.方法 首先利用超声图像的Bandlet变换域能够根据图像的"几何正则性"来自适应改变得到稀疏表示的特点,将所得图像进行Bandlet变换.然后选择与Bandlet基矩阵不相干的随机测量来降低图像压缩的数据量,之后利用匹配追踪算法由压缩数据重建超声图像.后以智能乳腺全容积超声系统的图像数据为例进行压缩效率和重建有效性的验证.结果 压缩后的数据大小为原数据的30%,降低了传输和存储的数据量,同时可得到高质量的重建图像.结论 基于Bandlet的压缩感知算法可降低智能乳腺全容积超声系统图像的传输带宽和数据量,并保证了图像重建的质量,适用于智能乳腺全容积超声系统.
-
基于压缩感知的CT重建算法的研究现状
压缩感知理论是一种新兴的信号获取与处理理论,通过减少信号重建所需的数据以缩短信号采样时间,减少计算量,并在一定程度上保持原有图像的重建质量,由此可以解决在CT重建中还普遍存在的清晰度不够高、线性度不够好和有噪声伪影干扰等问题.由于该理论的这些显著优点,使其在CT成像领域引起了广泛关注,取得了很大进展.本文对近几年压缩感知应用于CT重建的研究方法和成果进行归纳和分析,其中包括传统统计迭代算法与压缩感知理论相结合方法的分析,先验图像约束与压缩感知理论相结合方法的分析以及字典学习的发展历程分析.后,对该研究领域的发展进行了展望.
-
一种基于LBP特征提取和稀疏表示的肝病识别算法
由于肝脏超声图像具有回声不均匀、边缘模糊等缺点,肝脏疾病的无创诊断易受影响,而且目前临床基于肝脏超声图像的肝病诊断主要依靠医生的主观判断,其缺点为依赖医生主观经验且耗时,因此提出一种基于局部二值模式(LBP)特征提取和稀疏表示的肝病识别算法.从肝脏超声图像中提取感兴趣区域,使用LBP特征提取方法对感兴趣区域提取图像特征,将得到的特征进行字典训练,得到稀疏矩阵,终采取支持向量机对其进行分类.实验样本均取自青岛大学附属医院肝胆科.实验1使用该方法对100个正常肝脏样本和100个肝硬化样本进行分类,准确率达到99.50％,实验2使用该方法对肝硬化、脂肪肝、肝血管瘤和肝癌4类样本共200个进行分类,AUC值分别为67.2％、65.1％、55.0％和62.6％.ROC曲线表明,提出的分类方法在准确率和泛化能力上均优于传统方法,有助于肝病的临床诊断.
-
基于正交匹配追踪及加速近端梯度的人体三维重建
为提高人体三维结构的重建精度,针对重建过程中字典中原子的佳选择和结构矩阵的优化问题,结合稀疏表示和低秩约束,提出一种正交匹配追踪追踪及加速近端梯度(OMP-APG)算法,以此为医学领域提供丰富的信息,以辅助医生快速精确地制定出治疗方案.首先,对特征点观测矩阵进行奇异值分解(SVD)分解,利用列文伯格-马夸尔特(LM)算法得到唯一确定的相机旋转矩阵;其次,利用稀疏表示中“大化逼近”思想,通过正交匹配追踪算法对轨迹基系数进行求解,结合预定义的轨迹基求解出人体三维结构矩阵;后,根据结构矩阵是一个低秩矩阵,将其秩优化问题转化为核范数小化问题,利用加速近端梯度算法对人体结构矩阵进一步优化处理.将该算法与稀疏逼近算法进行比较,对伸懒腰、瑜伽、拾物、喝水和跳舞等5组不同的人体运动模型进行三维重建,通过其三维重建效果图和三维重建误差的结果显示,其重建精度更高且稳定性更好.在该算法下喝水运动的重建效果佳,其1 102帧图像序列41个特征点的重建误差为0.030 3,而在稀疏算法下的重建误差为0.017 8.因此,该算法可以有效地提高人体三维结构的重建精度,为医学领域辅助治疗提供相应的技术支持.
-
基于随机投影的快速稀疏表示人体动作识别方法
为有效解决体域网人体行为动作远程识别系统低功耗和快速准确识别的问题,提出一种基于随机投影的快速稀疏表示人体行为动作识别的方法.该方法基于压缩感知随机投影方式压缩数据,获取待测试样本邻近类中较少近邻训练样本,构建测试样本稀疏表示时的训练样本集,以期达到优线性重构测试样本;在降低传感器装置功耗和稀疏表示识别算法计算复杂度基础上,捕捉人体行为动作本质特征信息,提高多类别动作识别率.采用国际公开可穿戴传感器动作识别数据库WARD多类别动作数据,验证所提算法的有效性.实验结果表明,当数据压缩率为50％,所提算法能够获得高平均识别率(92.78％),比传统稀疏表示分类算法获得的动作识别率提高近5％,并显著降低其相应的运行时间,能准确稀疏表示多类别人体行为动作信号,有效降低稀疏表示分类算法的计算法复杂度和运行时间,明显提高多类别动作识别率,为构建快速稀疏表示动作识别提供一个新的思路和方法.
-
基于稀疏表示的精神分裂症生物标记物筛选方法
精神分裂症是以思维、情感与行为的分裂为主要特征的一类复杂精神疾病,国内外大量研究发现遗传因素是该疾病发生的重要原因.为了能够从大量影像学和遗传学数据中找出精神分裂症相关的生物标记物,受稀疏表示的启发,提出一种基于稀疏表示的影像遗传学数据整合分析方法,并应用于对精神分裂症相关生物标记物的筛选.针对从208个样本中提取到的41 236组fMRI和722 177组SNP数据,通过对传统稀疏表示模型施加广义惩罚限制,然后对两类数据施加不同的权重因子α1、α2,并且使用不同的LP(P=0、0.5、1)范数对模型分别求解,研究不同条件下两类数据的显著关联特征规律.结果发现,基因DAOA和HTR2A在下列多重情况下均被筛选出:一是fMRI数据的权重α1取0.35 ～0.8之间多个不同权重时,二是SNP数据的权重α2仅为0.2时,三是在Lo、L0.5、L1等3种不同范数下.此外,在影像学数据方面,发现顶下缘角回脑区也与精神分裂症相关,此发现与先前精神分裂症的影像学研究结果一致.研究结果表明,将基于稀疏表示的影像遗传学数据整合分析方法应用于精神分裂症的生物标记物筛选是一个可行的方法,这为今后精神分裂症的影像遗传学研究提供了一种新的研究思路.
-
基于在线字典学习和脉冲耦合神经网络的脑图像融合
医学图像融合是医学影像和放射医学等领域的研究热点之一,广受医学界和工程界重视.提出一种基于在线字典学习(ODL)和脉冲耦合神经网络(PCNN)的脑部CT和MR图像融合新算法.首先,利用滑动窗技术将源图像分块,使用ODL算法和小角回归算法(LARS)得到各图像块对应列向量的稀疏编码;其次,将稀疏编码作为脉冲耦合神经网络的外部输入刺激信号进行迭代处理,根据点火次数确定融合系数;后,根据融合系数和学习字典重构融合图像.基于哈佛医学院的10组脑部CT和MR数据,将所提出算法同基于KSVD的融合算法、基于ODL的融合算法、基于NSCT的融合算法比较.实验结果显示:综合考虑主观视觉效果和客观评价指标,该算法性能整体优于其他算法,客观参数指标BSSIM、MI、Piella、SF、STD、QAB/F的均值分别为0.751 2、3.769 6、0.697 1、29.526 7、90.090 6、0.570 7,可以提供丰富的信息来辅助医生分析病变体,提高临床医疗诊断的准确性和治疗规划的科学性.
-
基于稀疏表示的两阶段脑电癫痫波检测算法研究
脑电癫痫特征波的自动检测具有重要的临床应用价值,本研究提出一种基于自适应预测滤波与稀疏表示的两阶段癫痫特征波检测算法.第一阶段,使用自适应预测滤波器粗检出有嫌疑的癫痫波时段,在保证检测正确率的同时,减少数据量,提高后续处理效率;第二阶段,先以高斯函数及其一、二阶导数为原子的生成函数构建一个冗余多成分字典,再应用匹配追踪算法仪获取可疑波段在此字典下的稀疏表示(自适应参数化表示),原子的结构参数能够准确度量瞬时波形的多种形态结构特征如宽度、幅度、锐度等,进而提出基于形态结构匹配的检测算法,对预检输出的可疑时段进行鉴别分类.检测结果表明该算法针对临床癫痫EEG的检测率为93.3%,正确率为88.5%,相应的漏检率为6.7%,误检率为11.5%.
-
心房活动电生理信号特征提取
为从12导联体表心电图中有效地提取反映心房活动的电生理信号,构造一种稀疏表示下的独立成分分析模型.首先,对采集到的12导联体表心电信号进行预处理,然后通过小波变换,实现心电信号小波域的稀疏表示形式,对变换后的心电信号进行独立成分分析,并通过频谱分析确定出反映心房活动的电生理信号源.讨论了平均房颤周长的这一测量指标在房颤患者中的具体应用.实验表明,该方法可以有效提取心房活动的电生理信号,将对心房活动电生理的深入研究产生积极影响.
-
基于噪声特点和l1凸松弛技术的图像去模糊方法
图像去模糊本质上是求解一个病态问题.由于理论上图像均存在稀疏域的特点,l1凸松弛技术经常用来求解图像去模糊的病态问题.然而,在获取图像的实际过程中,不同类型的噪声可能会引入到模糊图像中.对于不同噪声污染的模糊图像,如果仍然采用同一模型进行图像去模糊,很难产生令人满意的结果.基于此,本文在分析噪声对模糊图像污染特点的基础上,提出采用不同的l1凸松弛模型去除图像模糊和噪声的方法.在所提的方法中,根据模糊图像的像素是全部还是部分被噪声污染,在l1凸松弛的优化模型中选用不同的保真项.实验结果验证了本文提出的基于噪声特点和l1凸松弛技术的图像去模糊方法的正确性和有效性.
-
基于组稀疏典型相关分析方法的影像遗传学方法在精神分裂症中的应用
目的 采用影像遗传学研究方法探索精神分裂症患者的影像学数据与遗传学数据间的相关性.方法 提出一种组稀疏典型相关分析方法,在稀疏典型相关分析模型的基础上增加组稀疏惩罚项λ1‖u‖ G和λ2‖ υ‖G进行变量组选择;对于选择的特征组,再利用组内惩罚项τ1 ‖u‖1和τ2 ‖ υ‖1进行组内的变量选择.采用基于组稀疏典型相关分析方法的影像遗传学方法分析精神分裂症患者脑区与相关基因位点的相关性,并验证其稳定性和筛选生物标记物的能力.结果 采用组稀疏典型相关分析方法获得了多组精神分裂症相关脑区和基因,其中左侧脑岛与基因AKT1的相关性大,相关系数为0.653 8;右侧直回与基因DAOA和MAGI2的相关系数均大于0.6.组稀疏典型相关分析筛选出的特征的相关系数为0.626 9±0.016 1,稀疏典型相关系数为0.625 5±0.018 1.经过10次实验,在采用组稀疏典型相关分析方法筛选出的相关的前20组特征中,属于已知的精神分裂症相关75个基因的比例大于随机选出的非相关基因的比例.结论 通过组稀疏典型相关分析方法能够筛选出多组精神分裂症的相关基因和脑区,为今后对精神分裂症等复杂精神类疾病的研究提供了新的思路.
-
面向特征抽取的EEG信号结构自适应稀疏分解模型建立
课题目的是研究面向特征抽取鉴别EEG信号是否具有癫痫的表征,从而实现EEG信号的自动检测与分析.具体方法是结合临床EEG分析的先验知识.模拟结构匹配性稀疏表示的层次处理机制来实现对EEG信号的结构自适应稀疏分解.结果发现:匹配追踪迭代选择的Gabor字典原子能够匹配EEG信号的内在结构.并具有显式的形态结构参数如位置、尺度、幅度等.由此可得出结论:基于EEG信号形态结构基础建立的过完备原子库,使得稀疏分解获取的信号时频结构参数同人工视觉分析标准建立了直接联系,应用这些时频结构参数与先验参数进行比对可直接判定是否为特征波形.
-
一种基于稀疏表示模型的脑电图信号分析方法
目的:癫痫是以脑内神经元异常放电致部分或整体脑功能障碍为特征的慢性疾患,模拟生物视觉感知系统,根据神经元响应的稀疏特性,对癫痫高危人群进行神经系统电生理筛查,以便及早发现和对相关人群进行干预.方法:选取适合的稀疏分解的匹配追踪算法,用新的较少的原子来重建正常的脑电信号和特定疾病类型的脑电信号,便于对各种神经系统疾病的脑电信号的特征波进行识别和提取.结果:处理16导标准脑电信号,分离出癫痫特征波,并对特征波进行识别,从而得到对癫痫的诊断,在此基础上将癫痫特征波反映射到16导标准电极,应用相关源电位软件对癫痫灶进行初步定位.结论:应用稀疏表示模型可以获取对脑电图信号的有效表示方法,通过对脑电图信号各分量进行有效的机器识别,归纳出系列特征波图谱,供临床诊断参考,从而降低了癫痫信号识别的工作量,提高了识别效率和正确率,实现癫痫的规模筛查.
-
基于医学高光谱显微图像光谱空间信息的血细胞分类
目的:提出一种新的从医学高光谱成像中提取基于光谱空间信息的血细胞分类框架.给出一个使用高光谱成像的血细胞分类与计数方法,能以其独特的特征改善分类精度和异常细胞的识别.方法:使用显微高光谱摄像仪采集高光谱血细胞图像,能够同时保证采集数据的高空间和光谱分辨率.高光谱数据中包含了几十个连续的窄波段,这样能够显示不同物质的光谱细节信息差异.对于血细胞分类,波段选择首先采用保存信息量丰富的波段,然后用Gabor滤波器表示有用的空间信息.后,使用一些先进的基于像素的分类器,例如稀疏表示分类器、支持向量机、核函数极限学习机,去验证所提取光谱空间特征.结果:本文提出的分类框架,充分利用了极有可能是同类像素的空间邻域信息,这已经经过了医学高光谱数据的验证.结论:实验结果表明此框架在不同训练样本数量的情况下,与传统单纯基于光谱信息分类方法相比,显著提升了分类精度.
-
基于稀疏表示超像素分类的肿瘤超声图像分割算法
目的:图像中目标的识别与分割一直是图像处理的研究热点.本文针对超声图像提出了一种新的基于超像素区域特征的肿瘤识别分割算法.方法:首先利用简单线性迭代聚类算法产生超像素,将图像分为多个内部特征相似的图像块,然后提取每个区域的特征组成该区域特征向量,利用稀疏表示分类算法(Sparse Representation Classification,SRC)构造分类器,对超像素进行分类合并,终识别并分割出完整的感兴趣区域.结果:本文的算法在超声图像中肿瘤的识别与分割中取得较为理想的效果,灵敏度指数平均值达到了83.79％,标准化的Hausdor距离指数平均值达到了4.80％.结论:本文的分割算法克服了SRC算法不能获得目标区域完整轮廓的缺陷,并取得了较好的实验结果,为超声图像中肿瘤的识别与分割提供了新思路.
-
基于稀疏表示体系的原发性脑部淋巴瘤和胶质母细胞瘤图像鉴别
临床上原发性脑部淋巴瘤(PCNSL)和胶质母细胞瘤(GBM)的治疗方案存在很大差异,因此治疗前对二者的精确鉴别具有重要临床价值.本文提出一套基于稀疏表示体系的肿瘤自动鉴别方法,利用PCNSL和GBM T1加权磁共振成像(MRI)图像纹理细节信息的差异鉴别这两种肿瘤.首先,基于影像组学的思想,设计一种基于字典学习和稀疏表示的肿瘤纹理特征提取方法,将不同体积、不同形状的肿瘤区域转化为968维纹理特征;其次,针对提取特征存在的冗余问题,建立迭代稀疏表示方法选择少数高稳定性高分辨力的特征;后,将选择的关键特征送入稀疏表示分类器(SRC)分类.利用十折法对数据集进行交叉验证,鉴别结果的准确率为96.36％,敏感度为96.30％,特异性为96.43％.实验结果表明,本文方法不仅能够有效地鉴别PCNSL和GBM,还避免了使用先进MRI鉴别肿瘤时存在的参数提取问题,在实际应用中具有较强的鲁棒性.
-
基于标准化的伤口数据云平台探讨
云技术的发展使得很多领域能够在远程进行数据交互,极大地提高了各行各业运作的协同性,对医疗卫生行业更是产生了巨大的帮助和推进.该文首先基于云平台技术提出了伤口数据由基层医院汇总到中心医院统一进行诊断的数据平台架构.其次模拟了通过区域生长算法结合中值滤波技术的方法,对通过不同介质上传的垂直角度伤口图像进行标准化处理,从而获得可对比和检索的标准化伤口图像.实验结果验证此框架设计下提出方法的有效性.
