正弦图确定迭代重建算法对胸痛患者胸部CT图像质量的影响

目的探讨正弦图确定迭代重建(SAFIRE)算法对胸部CT扫描图像质量的影响。方法选取2020年1月至2022年12月于佛山市南海区人民医院行胸部CT平扫的90例胸痛患者,以随机数字表法分为3组,每组30例。A、B组采用低剂量扫描(100 kV,120 mA),分别采用SAFIRE算法、滤波反投影(FBP)算法重建;C组采用常规剂量扫描(120 kV,120 mA),采用FBP算法重建。对比3组肺窗及纵隔窗图像的主观质量、客观评价指标[信噪比(SNR)和对比噪声比(CNR)],不同剂量组间的有效辐射剂量(ED)。结果3组图像质量主观评分、客观评价指标及ED值比较,差异有统计学意义(P<0.05);B组图像质量主观评分低于A、C组,差异有统计学意义(P<0.05),A组图像质量主观评分与C组比较,差异无统计学意义(P>0.05);A、C组SNR、CNR值显著高于B组,差异均有统计学意义(P<0.05);A组与C组的SNR、CNR比较,差异无统计学意义(P>0.05);C组ED值高于A、B组,差异有统计学意义(P<0.05),A组ED值比C组降低72.9%,A组与B组ED值比较,差异无统计学意义(P>0.05);2名医师对扫描图像的主观评价一致性好(Kappa=0.808)。结论在低剂量胸部CT扫描中,SAFIRE算法可有效降低患者辐射剂量,获得理想图像。

基于超像素和改进迭代图割算法的图像分割

基于经典的图割(Graph cut)理论,提出一种基于超像素和改进Graph cut算法的图像分割算法。采用改进简单线性迭代聚类算法,得到前景边缘信息保存较完整的超像素图像。以超像素为处理单元,通过融合颜色、梯度等信息重建能量函数,并基于Graph cut框架进行分割。仿真结果显示,与Grabcut算法相比,改进算法不仅具有更高的分割精度,提取的目标边缘较完整、光滑,而且大幅提升了分割效率。

面向机器学习的分布式并行计算关键技术及应用

当前机器学习等算法的计算、迭代过程日趋复杂,充足的算力是保障人工智能应用落地效果的关键。本文首先提出一种适应倾斜数据的分布式异构环境下的任务时空调度算法,有效提升机器学习模型训练等任务的平均效率;其次,提出分布式异构环境下高效的资源管理系统与节能调度算法,实现分布式异构环境下基于动态预测的跨域计算资源迁移及电压/频率的动态调节,节省了系统的整体能耗;然后构建了适应于机器学习/深度学习算法迭代的分布式异构优化环境,提出了面向机器学习/图迭代算法的分布式并行优化基本方法。最后,本文研发了面向领域应用的智能分析系统,并在制造、交通、教育、医疗等领域推广应用,解决了在高效数据采集、存储、清洗、融合与智能分析等过程中普遍存在的性能瓶颈问题。

医学影像技术发展及分割特点

医学影像技术发展到越来越先进成熟,但医学图像分割仍然是个难题。文章着重介绍医学影像的发展历程和医学图像分割技术的特点:在已有算法中加入新概念或新方法的同时,重视多种分割算法的有效结合。文章最后以主动轮廓模型(Active Shape Mode,ASM)算法、图割(Graph Cut,GC)算法以及图割-主动轮廓模型迭代(Iterative Graph-Cut-ASM,IGCASM)算法为例,进一步说明医学图像分割算法的共同特点。