变窗重建算法和自适应SegNet网络在地层层序划分中的应用

深度学习技术以批量处理数据、解释时间短、解释精度高等特点,为地层自动划分提供了新的方向。然而由于测井数据维度高、样本数量有限、相邻样本间特征相似等原因,深度学习存在着样本独立性与可靠性等问题。面对复杂的地下结构和不整合面,特别是在样本质量差、样本数量少的情况下,常规深度学习方法很难准确划分地层边界。考虑到测井数据属于小样本数据、数量有限且质量较差,不利于模型的训练和构建,因此拟采用可变窗口波形重建算法增加训练数据量,根据原始波形的特征生成重建波形,模拟不同速度下模型的波形特征,对部分原始测井数据进行人工分层重建,将重建后的数据作为训练样本输入到自适应可变卷积核尺寸的SegNet网络中,使用训练好的SegNet来解决复杂的地下结构问题。实验结果表明,采用自适应可变卷积核尺寸的SegNet网络可以在多个尺度上拟合地震数据中的断层和不整合面,达到更好的分割效果,且具有良好的识别效率和较强的鲁棒性。

基于放疗科大孔径CT的自适应迭代重建技术在肺结节穿刺中的应用研究

目的:研究大孔径CT自适应统计迭代重建(ASIR)对肺结节经皮穿刺中图像质量的影响。方法:选取2023年1月—7月于深圳市宝安区人民医院接受大孔径CT引导穿刺的肺结节患者20例。分别应用滤波反投影技术(FBP)和ASIR技术重建图像并评价两组图像质量。主观评价采用Likert评分,客观评价对结节区噪声标准差(SD)、对比噪声比(CNR)和穿刺针针尖位置CT值等资料。结果:图像的主观评价均满足穿刺要求且一致性较好(Kappa值=0.740)。ASIR图像质量随着权重先增加后降低,权重为60%时最佳。和FBP相比,ASIR 60%的Likert评分更高,结节SD和CNR值比较,差异有统计学意义(P=0.004、0.043)。其他统计参数比较,差异均没有统计学意义(P>0.05)。结论:放疗用大孔径CT常规扫描不影响穿刺图像质量,ASIR 60%图像质量更优,可以用于引导肺结节经皮穿刺。

深度学习图像重建算法在低剂量扫描对肺结节显示及测量的影响

目的探讨肺结节胸部CT低剂量对深度学习图像重建(DLIR)图像质量及结节检测的影响。方法选取肺结节患者120例,在低剂量扫描条件下应用低剂量迭代重建算法(ASIR-V),评估低剂量下重建图像总体噪声(NI)、肺组织信噪比(SNR)、对比噪声比(CNR),实性、磨玻璃结节噪声、SNR、CNR及结节可见度、筛查准确性。结果DLIR-H总NI和肺组织CNR为(21.14±1.35)Db、(13.70±1.96),低于ASIR-V和DLIR-M,DLIR-M低于ASIR-V(均P<0.05)。肺组织SNR为(26.85±3.46),高于ASIR-V和DLIR-M,DLIR-M高于ASIR-V(均P<0.05)。实性结节、磨玻璃结节NI和CNR均低于ASIR-V和DLIR-M,DLIR-M低于ASIR-V(均P<0.05)。实性结节、磨玻璃结节SNR高于ASIR-V和DLIRM结果,DLIR-M高于ASIR-V(均P<0.05)。DLIR-H图像质量评分、实性结节、磨玻璃结节可见评分均高于ASIR-V和DLIR-M结果,DLIR-M结果高于ASIR-V(均P<0.05)。DLIR-H肺结节准确率86.67%,高于ASIR-V和DLIR-M(P<0.05)。结论胸部CT扫描肺结节应用低剂量DLIR算法能够有效降低噪声,保证图像质量前提下提高诊断率。

基于改进自适应阈值EIT算法的CFRP损伤检测

电阻抗层析成像(EIT)具有快速、无辐射等众多优点,但EIT的逆问题严重的病态性导致FISTA等算法的重建图像中存在损伤边缘信息缺失的现象。针对该问题引入了一种与解向量稀疏度相关的自适应阈值算子和一种可变阈值函数,解决了软阈值函数边缘处不可导的问题。仿真实验表明改进算法与传统的算法相比,FIMSTA算法的表现最好,尤其是对于传统算法图像重建效果较差的中心裂纹损伤,FIMSTA算法的相关系数达到0.7038,较表现最好的FISTA算法提升了51.08%。

一种基于Shack-Hartmann传感器的自适应波前重建算法

波前重建是自适应光学系统中的一个重要环节,对系统性能影响明显。研究了一种无参考输入光条件下,基于Shack-Hartmann波前传感器的自适应波前重建算法,能根据实际光斑图的特点,自动确定探测窗口,计算实际质心、参考质心,选择重建区域和获取入射波前的Zerhike模式系数,讨论了参考质心选择对波前重建结果的影响。搭建自适应光学系统,通过测量和校正模拟大气像差对重建算法进行了验证。实验结果表明,基于该重建算法的自适应光学系统可以把大气扰动引起的波前像差校正到0.1λ以下,获得接近衍射极限的成像质量,说明该重建算法具有可靠性与实用性。

自适应统计迭代重建算法在肺部低剂量CT扫描中的应用价值

目的:分析自适应统计迭代重建(ASIR)算法在肺部低剂量CT扫描中的应用价值。方法:回顾性分析2019年10月—2020年10月于我院就诊需进行肺部低剂量CT扫描的83例患者,采用ASIR算法纳入实验组(n=42),采用传统滤波反投影法(FBP)纳入常规组(n=41),比较两组患者CT容积剂量指数(CTDIvol)、剂量长度乘积(DLP)、有效剂量(ED)、噪声和图像清晰度。结果:实验组CTDIvol、DLP和ED均显著小于常规组(P<0.05),实验组胸廓入口、气管隆突、上腹部的肌肉和脂肪CT值均显著小于常规组(P<0.05),两组患者主观噪声评分和清晰度评分中1分、2分、3分和4分例数均无统计学差异(P>0.05),实验组主观噪声评分和清晰度评分5分例数占比均显著大于常规组(P<0.05)。结论:ASIR算法在肺部低剂量CT扫描中具有降低图像噪声、提高图像清晰度的优势,可推广应用于临床诊断。

基于自适应阈值滤波的三维ECT重建算法

针对三维ECT迭代重建时,重建图像中含有大量伪迹且重建迭代次数多的问题,提出一种基于自适应阈值滤波的三维ECT重建算法.该算法融合Landweber迭代算法和模糊阈值滤波技术,在算法迭代过程中采用阈值滤波方式对三维ECT重建图像进行强化伪迹抑制.利用当前图像模糊度量最小属性确定阈值大小,给出了模糊阈值计算公式,并进行了三维图像重建的仿真和实验研究.结果表明,自适应阈值滤波方式能够显著减少重建图像中的伪迹和重建时间,所提算法具有良好的应用潜力.

基于自适应遗传算法的点云曲线重建

由于用无序离散点集来重建出曲线曲面模型,在反求工程与计算机视觉中都有着广泛的应用,为此根据实际采样中离散点分布相对集中的特点,提出了一个基于自适应遗传算法的多维无序点集曲线重建算法。该算法针对无序带噪声的空间曲线重建问题,先把点云分布空间网格化,然后在每个网格中用自适应遗传算法搜索出最能代表该网格中点集的特征点,由于每个网格区域中点集分布的不均匀性,因此可根据搜索出来的特征点,利用改进的自适应的SIG(sphere-of-influence graph)图来对每个特征点进行进一步调整,以便能使得到待重建曲线的型值点,最后利用测地距离函数来确定型值点的拓扑结构,并利用B样条函数来重建曲线。实例证明,无论是2维平面点云还是3维空间点云,该点云重建方法简单可行,特别是对于存在自交情况以及点云具有明显角点的情况亦可以获得满意的结果。

自动协议选取能谱联合自适应迭代计算法重建技术降低腹部增强及血管成像辐射剂量及对比剂剂量的可行性

目的探讨利用自动协议选取能谱(ASIS)扫描模式联合自适应迭代算法重建(ASiR)技术降低腹部增强及血管成像辐射剂量及对比剂剂量的可行性。方法将64例接受腹部增强患者随机分为两组:试验组32例,采用ASIS扫描模式,应用30%ASiR和50%ASiR重建算法;对照组32例,采用120kVp管电压,FBP重建。比较两组扫描方法辐射剂量及对比剂剂量;比较70keV+30%ASiR图像与对照组动脉期及门静脉期肝脏及胰腺噪声、竖脊肌噪声(SMN)、肝脏CNR、胰腺CNR;对55keV+50%ASiR图像与对照组动脉期腹主动脉及各主要分支血管CNR及门静脉期门静脉CNR以及血管图像主观评分进行统计学分析。结果试验组动脉期及门静脉期的CTDIvol、DLP较对照组下降23.68%、23.57%和25.59%、18.45%,对比剂注射总量试验组较对照组减少16.86%。70keV+30%ASiR动脉期及门静脉期肝脏、胰腺和竖脊肌的噪声均低于对照组(P均<0.05)。试验组55keV+50%ASiR动脉期腹主动脉、肠系膜上动脉、腹腔干的CNR均高于对照组(P均<0.05);静脉期门静脉的CNR和血管评分与对照组比较差异无统计学意义(P>0.05)。结论采用ASIS扫描模式联合ASiR技术,70keV+30%ASiR及55keV+50%ASiR图像显示腹部脏器及腹部血管图像质量均优于传统120kVp扫描模式的图像质量,且降低了辐射剂量及对比剂剂量。

自适应迭代重建算法对儿童副鼻窦CT能谱成像质量及辐射剂量的影响研究

目的:探讨自适应迭代重建(ASIR)算法对儿童副鼻窦CT能谱成像质量及辐射剂量的影响。方法:选取在医院行能谱CT检查的86例疑似副鼻窦病变患儿,按就诊顺序随机将其分为对照组和观察组,每组43例,对照组采用常规能谱CT诊断,观察组采用ASIR算法结合能谱CT诊断,采用ASIR算法对儿童副鼻窦病变诊断效能、成像质量、辐射剂量的容积CT剂量指数(CTDIvol)和剂量-长度乘积(DLP)、成像噪声值和比较噪声比(CNR)等指标的影响进行分析比较。结果:常规能谱CT成像诊断副鼻窦病变的灵敏度、特异度和准确率分别为86.84%、60.00%和83.72%;ASIR算法结合能谱CT成像诊断副鼻窦病变分别为91.67%、85.71%和90.70%,ASIR算法结合能谱CT成像诊断副鼻窦病变的准确率较常规能谱CT成像略高,差异无统计学意义;观察组成像质量较对照组明显高,而CTDIvol和DLP较对照组明显低,差异有统计学意义(t=14.135,t=525.366,t=44.830;P<0.05);两组成像噪声值和CNR相比较差异无统计学意义。结论:ASIR算法结合能谱CT诊断儿童副鼻窦病变的效能与常规能谱CT相当,在提高成像质量的同时降低患儿辐射剂量,且不会增加成像噪声。

自适应的三维分形地形重建算法研究

针对常规三维分形地形重建算法具有的速度慢、插值点分布不均匀、参数设置复杂等缺点,提出自适应的三维分形地形重建算法。该算法根据地形的起伏特征自动确定垂直压缩因子,根据子域面积进行均匀插值。实验结果表明,该方法插值效率更高,所获得的插值曲面更加真实,与常规分形插值相比具有一定的优越性。

图像重建的统计自适应子集算法

有序子集算法大大提高了图像重建迭代算法的收敛速度.增加子集的数目可以加速收敛,但图像质量会由于子集内缺少统计信息而下降.提出了一种基于假设检验的子集划分方法,建立了检验统计量,给出了算法的迭代公式.该算法可以根据用户定义的显著性水平,在每次迭代时自动调节子集的个数,生成含有相同统计信息量的子集.实验结果表明:该方法可以在少数次迭代后得到较高质量的重建图像.

软组织应变重建的自适应分段算法

生物软组织的弹性系数通常和组织的病理状态有关。弹性成像技术有希望成为软组织病变诊断和力学特性评价的有效手段。基于通常的利用超声回波和时域互相关技术重建组织弹性及应变分布的方法,提出了一种超声回波跟踪波段的自适应筛选算法,以牺牲一定的纵向分辨率为代价来换取重建误差的减小。计算机仿真实验的结果揭示了这种方法的可行性。另外,还提出了一种应变重建前进行数据预处理的方法。

模糊自适应算法的神经网络图像重建

在１２电极 ＥＣＴ系统中，采用 ＢＰ神经网络进行图像重建时以一定原则选取学习样本，并引入模糊自适应算法以加快训练的收敛速度，获得较满意的重建图像效果．

对应用于自适应光学的角膜像差重建算法的效能分析

目的:分别使用构造正则方程、奇异值分解、Householder变换三种解法解决自适应光学中角膜像差重建中线性模型的最小二乘解问题,比较重建精度、耗时以及可靠性,为应用于实时矫正眼球像差的自适应光学系统中波前重建最优算法的选择提供参考及理论依据。方法:使用Pentacam角膜地形图仪获取20眼正常眼的角膜地形图前表面高度数据。数据范围为中央6mm直径的瞳孔区,根据Pentacam提供的参数生成最佳拟合球面(best fit sphere,BFS),二者之差即为模拟的角膜前表面的像差数据。数据采样率为100μm(仪器设置),编制采样程序对其分别使用100、300、500tμm的分辨率进行采样,对每个波前像差数据矩阵计算梯度,求得x方向及y方向的一阶偏导,此即为波前像差的斜率数据(即为模拟夏克-哈特曼传感器采样)。获得波前斜率数据后使用zernike多项式(分别使用1~130个模式项数)重建波前数据,对于上述三种采样率,都分别使用构造正则方程法、奇异值分解与Householder变换三种算法获得重建波面的模式系数。根据获得的模式系数获得重建波面,使用其与原始波面的差值的残差均方根(root mean square,RMS)考察重建精度,同时使用MATLAB函数tic、tio考察重建耗时,并计算线性模型的条件数、观察模式系数矩阵解的合理性以考察算法的可靠性。结果:重建精度:三种采样率时,Householder变换与奇异值分解的表现是一致的,而构造正则方程法则在分辨率为500μm时表现较差,主要为高阶(zernike模式数K>88)时RMS值明显的不稳定(表现为无规律的大幅度的波动)。重建耗时:三种采样率时,随着阶数的增加,奇异值分解的耗时增加明显高于Householder变换与构造正则方程法,而另二者的差异性表现得并不直观。算法可靠性:采样率越高,使用的zernike多项式的阶数越低,结果越可靠。同时构造正则方程法在采样率较低时相比较于另二者的计算稳定性明显较差。结论:Householder变换在精确以及高效两方面优于另两者,且当采样率较高时,三种解法的可靠性几乎相同。而当采样率较低时,Householder变换仍有相对较稳定的表现,此结果为应用于眼科医学的自适应光学系统中波前重建最优算法的选择提供了参考及理论依据。

自适应粒子群优化算法优化径向基函数神经网络用于电阻抗成像图像重建

电阻抗成像(EIT)的图像重建是一个高度非线性且欠定的病态逆问题。由于传统方法无法达到很高的精度,并且重建过程通常很耗时,提出了一种基于自适应粒子群优化算法的径向基函数神经网络(APSO-RBFNN)用于图像重建。通过数值模拟建立了15 000个仿真样本,分为训练集和测试集。经过网络训练后,测试集上的图像相关系数(ICC)为0.95,仿真结果验证了APSO-RBFNN方法的有效性。当将30、40和50 dB的高斯白噪声添加到测试集中,ICC分别为0.90、0.92和0.93,证明了该方法的鲁棒性。对包含更多目标的样本重建结果说明了该方法具有良好的泛化能力。此外,8电极EIT系统的实验数据测试结果表明,相比于Tikhonov和RBFNN方法,APSO-RBFNN方法具有更好的图像重建结果。

基于双字典自适应学习算法的低采样率CT重建

在医疗诊断中,稀疏采样能减少CT扫描过程中辐射对患者的伤害.但直接对稀疏采样后的投影数据进行重建,会使CT重建后的图像出现失真、伪影等问题.为保证低采样率下重建图像的质量,提出了双字典自适应学习算法,参照Sparse-Land模型的双字典学习框架,将K-SVD算法与双字典学习算法框架相结合得到补全投影数据,利用FBP算法进行重建得到高质量的重建图像.实验结果表明,在低采样率下使用所提方法进行CT重建的图像质量优于COMP双字典学习算法和MOD双字典学习算法,并且此方法有效提高了CT图像重建在低采样率时的性能.

基于压缩感知的步长自适应前向后向追踪重建算法

压缩感知(CS)是一种新的信号采样、处理和恢复理论,能够显著地降低高频窄带信号的采样频率。针对稀疏度未知信号的重建,提出了步长自适应前向后向追踪(AFBP)算法。不同于固定步长前向后向追踪(FBP)算法,AFBP的步长可变。它利用一种自适应阈值的方法选取前向步长,然后对候选支撑集进行正则化处理以保证其可靠性,接着用自适应阈值与变步长双向控制的方法选取后向步长以减少重建时间。AFBP能够自适应后向删除估计支撑集中部分错误索引以提高信号准确重建概率。在稀疏信号非零值服从常见分布条件下,用AFBP、FBP等算法进行重建的结果表明,AFBP的准确重建概率、重建精度与FBP相当,重建时间明显少于FBP,能够更高效地重建稀疏度未知信号。

基于自适应步长双参数正则化算法的超声波过程层析成像图像重建

提出了一种新的自适应步长双参数正则化算法，对超声波层析成像系统检测浆体浓度分布进行图像重建。该算法利用转换矩阵将超定解作为先验信息，嵌入到正则化泛函中，避免重建图像被过度平滑，不仅成像速度较快且重建图像具有较高分辨率。仿真实验结果表明，相比于Tikhonov正则化算法以及Landweber算法，自适应步长双参数正则化算法重建图像的相关系数有明显提高并且边界信息更加可靠。

自适应直接取样岩心三维重建算法

由于直接取样算法在重建过程中引入了多个需要手动调节的参数,使其在实际运用中具有一定的难度.针对这一问题,提出了一种自适应直接取样岩心三维重建算法.首先,使用三级网格对图像进行逐级重建;其次,使用高斯加权来提高模式匹配的准确性;然后,根据待匹配数据事件的条件数据点自适应的选择模式搜索范围,将距离最小模式的中心点赋给待模拟点;最后,使用算法与传统直接取样算法分别对多张储集层岩心图像进行三维重建.通过比较重建结果与真实结构在统计分布、孔隙结构上的差异,证明了算法的有效性.