基于FPGA的内窥镜窄带光生成方法研究

针对传统基于CPU的窄带光内镜系统结构复杂及存在图像延迟等问题,本研究利用FPGA设计和实现了基于光传播特性的内窥镜窄带光生成方法。首先,基于光传播的物理特性,建立相机成像的数学模型,并得出了白光图像到波长为415 nm和540 nm窄带光图像的传递函数;然后,根据传递函数设计了窄带光变换模块,并完成了图像采集模块、内存映射模块及显示模块的硬件设计,实现了基于FPGA的窄带光成像系统。经实验验证,本系统生成的窄带光图像可以有效增强毛细血管与周围组织的对比度,显著提高内窥镜窄带光成像的实时性。

基于CNNC的卷积神经网络图像的压缩方法

图像压缩是提高图像存储效率以及实现高速高效传输的前提。根据神经网络的基本结构和算法,设计并搭建了基于卷积神经网络的CNNC(convolutional neural network compression,CNNC)图像压缩模型。该模型通过卷积层和池化层构成自编码器,反卷积层和卷积层构成自解码器,实现了图像编码压缩和解码重建的功能,并通过Set12数据集验证了CNNC图像压缩模型。实验结果表明,当压缩比较低时,JPEG压缩方法与CNNC压缩方法无显著差异;当压缩比较高时,CNNC压缩方法有明显的优势,在压缩比高达128时,CNNC压缩方法重建结果仍然很好。Set12数据集实验验证了CNNC压缩模型的有效性。

基于T2DR-Net和互信息的光学-CT图像配准方法研究

荧光分子断层成像技术(fluorescence molecular tomography,FMT)系统中为获得体内光源的结构信息,需要利用CT体数据。FMT系统在进行光学图像与CT图像的配准时,由于两种模态图像的成像原理、图像风格和图像维度等方面的差异,导致传统配准方法耗时长、效果差。本研究提出了一种基于T2DR-Net(texture transfer and dense registration net)与互信息的光学-CT图像配准方法,实现FMT系统中白光图像与CT图像的配准。该方法将光学-CT图像配准分为粗配准和精配准两个部分。在粗配准阶段,利用CycleGAN实现了FMT白光图像和CT投影像的纹理迁移,以降低两种图像纹理差异对图像配准的影响,并提出了DenseReg-Net模型获取白光图像和CT投影像粗配准参数;在精配准阶段,通过互信息方法进一步对两种模态图像配准,并得到最终的配准结果。利用1330张光学图像和39711张CT投影像作为样本集来验证配准方法的有效性,实验结果表明,本研究提出的光学-CT图像配准方法,相关系数为0.8797±0.0175,结构相似性为0.8683±0.0051,模型配准时间为(2.88±1.39)s。模型的配准效果及其稳定性优于传统方法。此外,与传统方法相比,速度提升了约60倍。