医学图像数据压缩中的机器学习方法

在医学研究中会产生大量需要储存、传输的图像数据,如计算机断层扫描(CT)等.医院要处理海量患者的所有数据相当困难,必须对这些数据进行压缩.随着人工智能技术的发展,应用机器学习的医学图像数据压缩方法成为新的研究热点.文中首先总结了传统医学图像数据压缩方法;然后基于机器学习的医学图像数据压缩方法,对各类方法针对脑部CT、肺部CT等不同医学图像的压缩效果进行对比,并对这些方法在压缩率、算法复杂度、重构质量等方面的优缺点进行系统的总结,指出机器学习和感兴趣区域结合的方法可以在享受有损压缩带来的高压缩率的同时保留重要区域的特征信息,比其他压缩方法更贴合医学数据的压缩要求;最后展望了该领域的未来方向和挑战.

可视分析增强的平行智能交通系统框架

随着人工智能2.0时代的到来,可视分析方法作为一种重要的人机耦合方法受到越发广泛的关注。其是大数据分析的利器,也是理解数据的“导航仪”,能够有效地将三元空间结构(CPH)中的数据转换为知识系统中的服务与决策,从而进一步提升交通系统智能化水平。为此,提出人工交通系统、计算实验和平行执行相融合的平行智能交通系统,为智能交通领域提供了一种操控的新机制和新模式。通过分析具体案例,探讨可视分析在新一代人工智能中的重要性,以及可视分析将数据或信息转换为知识系统的流程。证明将可视分析与平行智能交通系统的无缝结合,能更好地分析大规模交通数据,更有效地解决交通困扰,从而实现“1+1>2”的增强效果,据此提出新颖的可视分析增强的平行智能交通系统框架。

基于细节增强的MR序列转换方法

磁共振(MR)是一种被广泛使用的医学成像方式。针对某些序列的MR影像不易直接获得、需要由其他序列的MR影像转换的问题,提出一种基于细节增强的MR序列转换方法。该方法基于条件生成对抗网络构建了残差模板合成模块ResGAN和细节增强合成模块EnGAN,设计了一种端到端的网络结构。在一组配准过的神经纤维瘤T1序列影像和STIR序列影像上进行了测试,结果表明,相比于现有方法,提出的方法更好地还原了边界细节和信号强度细节。