非负Laplacian嵌入在颅脑MR图像分割中的应用

在图理论的基础上,将非负Laplacian嵌入应用于颅脑核磁共振图像分割。该算法首先利用均值漂移算法对图像进行预分割,然后利用Gabor滤波器组对分块进行纹理特征提取,再将各分块映射为图中的每一个顶点,最后对图进行非负Laplacian嵌入得到每一小块的聚类结果。实验表明,相对于传统的Laplacian嵌入方法,非负Laplacian嵌入能够得到更好的分割结果。

基于深度学习的三叉神经区域自动检测及TensorRT加速

利用深度学习技术对颅脑核磁共振图像(MRI)中三叉神经区域进行自动检测可为后续三叉神经分割提供可靠的输入图像,有效解决了人工筛选三叉神经对临床医生专业素养要求高、耗时长等弊端。采用YOLO网络自动检测颅脑核磁共振图像中三叉神经区域提高推理速度,并系统性地评估NVIDIA TensorRT框架在不同计算平台下的推理性能。实验结果表明,通过YOLO目标检测网络能够准确检测出三叉神经所在的区域,同时在NVIDIATensorRT框架下,当输入的颅脑MRI分辨率为(204×204)时,CPU平台、嵌入式GPU平台、桌面GPU平台及专业GPU计算卡平台下,YOLOv2网络检测优化后的三叉神经目标的每秒帧率分别可达到0.1 FPS,23.4 FPS,112.5FPS和793.7 FPS,这为后续开发便携式的三叉神经分割设备提供了可参考的重要依据。