基于复剪切波变换与VGG19模型的医学图像融合方法

针对传统医学图像融合方法存在的细节信息不够清晰、边缘信息易丢失和图像失真等缺点,以及深度学习网络缺乏足够的训练数据集等问题,提出了一种基于复剪切波变换和预训练网络模型VGG19的多模态医学图像融合方法。首先,利用复剪切波变换提取医学图像边缘和纹理信息,并得到多尺度、多方向的子带系数。然后,使用加权局部能量和修正的拉普拉斯算子对低频子带系数进行融合;引入预训练的VGG19提取多层特征图,结合加权评估规则来获取高频子带的融合结果。最后,对融合的高频和低频子带,施加复剪切波逆变换重构融合图像。实验表明,该方法得到的融合图像,不仅可以清晰地显示图像的细节信息和边缘信息,而且能够有效抑制伪影和失真现象的产生,在主观视觉比较和6种客观评价指标下能够达到更佳融合效果。

LK-CAUNet:基于交叉注意的大内核多尺度可变形医学图像配准网络

经典的UNet网络可用于预测全分辨率空间域的密集位移场,在医学图像配准中取得了巨大成功。但对大变形的三维图像配准,还存在运行时间长、无法有效保持拓扑结构、空间特征易丢失等缺点。为此,提出一种基于交叉注意的大内核多尺度可变形医学图像配准网络(large kernel multi-scale deformable medical image registration network based on cross-attention,LK-CAUNet)。在经典UNet模型基础上,通过引入交叉注意力模块,实现高效、多层次的语义特征融合;配备大内核非对称并行卷积,使其具有多尺度特征和对复杂结构的学习能力;通过加入平方和缩放模块,实现拓扑守恒和变换可逆。基于脑部MRI数据集,将LK-CAUNet与18种经典图像配准模型进行了比较,结果表明,LK-CAUNet的配准性能较其他模型有明显提升,其Dice得分较TransMorph配准方法提高了8%,而参数量仅为TransMorph的1/5。

基于预留时间的出行者划分方法

为了合理划分出行者类型,全面解析行程时间可靠性的本质特征,考虑到出行者的异质性,将SP调查与聚类分析结合,提出基于预留时间的出行者类型划分方法,同时应用多项Logit模型构建基于预留时间的离散选择模型,量化分析预留时间的影响因素,并得出各类出行者的比例.实例分析结果表明,出行者可分为I,II,III类,对应的预留时间分别为">0.60t""0.33~0.60t"和"<0.33t",t为出行者的行程时间.三类出行者的比例分别为17.4%,49.1%和33.5%,即17.4%的出行者对路网行程时间可靠性的评价较低,说明出行者对于早高峰道路交通运行水平的评价普遍较高.

九宫路网交通组织理论研究

最大化释放道路网络效能是解决城市拥堵最直接有效的措施。通过分析城市道路网络结构,提出最优路网络结构为方格网,最优方格网布局为九宫格。基于九宫格路网布局,提出三层次九宫理论,然后给出了九宫循环理论下的合理道路间距、合理路网密度及合理道路级配。九宫循环理论的提出,对释放道路网络效能,解决城市拥堵具有重要的理论及实际意义。

基于ITK与VTK的医学图像配准软件的开发

医学图像配准是医学图像处理领域的基础性工作,对临床应用有着重要的作用,ITK和VTK是开源的、成熟的医学图像软件开发包。采用跨平台的C++图形用户界面应用程序开发框架Qt,设计并实现了一套基于ITK和VTK的医学图像配准软件。配准算法采用多分辨率的配准策略,能够完成MRI等医学图像的非刚性配准任务,满足实际应用的需要。