基于卷积神经网络注意力机制U-net校正CT图像中的金属伪影

目的观察基于卷积神经网络(CNN)的注意力机制U-net(Attention U-net)校正CT图像金属伪影的价值。方法选取1支猪前蹄,将直径7.5 mm的金属麻花钻头自其蹄部前表面穿至踝部,采集不同角度原始CT图像。分别采用Attention U-net、传统普通阈值金属伪影校正(MAR)、图像增强后的传统普通阈值MAR、Cycle生成对抗网络(GAN)MAR及手动分割MAR校正原始CT图像中的金属伪影;记录校正后每幅图像的像素点CT值、空间非均匀度(SNU)及伪影指数(AI),评估Attention U-net校正金属伪影的价值。结果以Attention U-net校正后,金属伪影对CT图像的影响降低,细节和轮廓恢复,猪前蹄结构数据得以保留,并减少了二次伪影。相比校正前,校正后图像的振幅及像素点CT值更稳定。校正前、后图像的SUN分别为165.0(133.6,198.1)和27.2(14.4,38.7),AI分别为137.5(99.4,164.6)和29.1(21.1,38.7)。结论采用基于CNN的Attention U-net算法校正CT图像中的金属伪影可降低计算复杂度、提高MAR效率,有助于恢复原始CT图像的完整性。

上肢康复运动的肌肉电信号采集系统

基于脑卒中患者肩部出现不同程度的运动功能障碍,设计上肢康复运动的肌肉电信号采集系统。首先,利用表贴式方法采集八通道的表面肌肉电信号:然后,通过前置电路放大肌肉电信号,并利用右腿驱动技术降低共模;接着,通过低通和高通滤波,进行工频陷波:最后,进行后级放大。实验结果表明:该系统采集肌肉电信号准确率达82%。