基于神经网络的双X射线影像2D-3D配准算法

针对基于迭代优化的传统2D-3D医学图像配准算法运行速度慢,难以达到实时配准的要求,本研究提出一种实时2D-3D配准方法。通过将空间刚体变换参数分解到两个平面上,将2D-3D配准简化为两个步骤,包含2D-2D近似刚体配准与单参数2D-3D刚体配准。同时利用深度卷积神经网络拟合患者X射线影像残差与其对应姿态差异间的非线性映射关系,从X-DRR图像对的残差回归出空间刚体变换参数。经由头颅CT数据训练后的网络,在0.04 s内完成了高精度的双X射线配准。本研究提出的配准方法满足了放疗过程中进行实时2D-3D配准工作的要求。

17aα—D-高炔雌二醇-3-乙酯联合γ射线照射对不同品系小鼠的抑瘤作用

目的对比观察17a α—D-高炔雌二醇-3-乙酯（DHEA）对不同品系小鼠肺腺癌的抑瘤作用及探讨合用^137Cs γ射线照射是否具有抑瘤增效作用。方法将LA795肺腺癌细胞用生理盐水稀释为浓度约3．5×10^7／ml瘤细胞，接种于近交系IRM-1和IRM-2小鼠腋下，0．2ml／只，24h后分别将IRM-1和IRM-2荷瘤小鼠随机分为8组：对照组、单照组、DHEA（低、中、高剂量）组和DHEA（低、中、高剂量）联合照射组。DHEA组与DHEA联合照射组采取腹腔给药，每日1次，连续7d。其中，DHEA联合照射组于给药的第4日进行全身1Gy照射，每日1次，连续5d。观察DHEA联合γ射线照射对小鼠肺腺癌的抑瘤效果及对相关免疫学指标的影响。结果DHEA低、中、高剂量组对IRM-1荷瘤小鼠的抑瘤率分别为38．05％、49．33％和48．18％，与对照组比较差异有统计学意义（担3．417，4．929和4．889，P均〈0．01），联合^137Cs γ射线照射后的抑瘤率分别为56．98％、64．44％和62．72％，与对照组比较差异有统计学意义（t=5．475，5．770和6．165，P均〈0．01）。DHEA低、中、高剂量组对IRM-2小鼠的抑瘤率分别为42．73％、70．91％和67．73％，其中，中、高剂量组与对照组比较差异有统计学意义（t=3．239和3．062，P均〈0．01），联合^137Cs γ射线照射后的抑瘤率分别为63．63％、75．00％和68．64％，与对照组比较差异有统计学意义（t=2．834，3．426和3．156，P分别为〈0．05，〈0．01和〈0．01）。结论DHEA对不同品系小鼠肺腺癌细胞均有抑制作用，联合γ射线照射后的抑瘤疗效比单纯DHEA组更为明显。

基于训练-推理解耦架构的2D-3D医学图像配准

2D-3D医学图像配准在解决放射治疗的摆位验证问题上发挥着至关重要的作用。针对现有配准方法精度不高、耗时较长等问题,提出一种基于训练-推理解耦架构的2D-3D医学图像配准方法。该方法在训练阶段采用多分支结构,利用多尺度卷积增强特征多样性,提高配准精度;在推理阶段,利用重参数化将多分支结构转换为单路结构,加快配准速度;另外,引入自适应激活函数Meta-ACON,提高网络的非线性表达能力。在胸部和骨盆两个数据集上进行训练和测试,实验结果表明,所提方法预测结果的位移误差约为0.08 mm,角度误差约为0.05°,配准时间仅需26 ms。所提方法有效解决了摆位验证中的医学图像配准问题,不仅提高了精度,还满足了临床实时性要求。

融合多维度CNN的高光谱遥感图像分类算法

随着计算机深度学习技术的不断发展,卷积神经网络(Convolutional Neural Network, CNN)作为代表算法,为高光谱图像分类提供了新的解决方案。但是,因为数据量迅速膨胀,复杂模型的分类精度和速度并不令人满意。因此提出了一种面向高光谱图像分类的轻量级融合CNN算法3D-2D-1D CNN。该算法融合不同维度的CNN,联合空间信息和光谱信息进行高光谱遥感图像分类。利用Indian Pines、Pavia University、Salinas Scene和WHU-Hi-Han Chuan数据集对该算法进行测试,结果显示,总体分类精度分别达到99.65%、99.95%、100%和99.85%;与3D CNN算法和3D-2D CNN算法相比,训练时间和测试时间都明显降低。研究表明,所提算法能够在保证高分类精度的前提下有效地提高数据的分析速度。所提算法综合利用三种CNN对高光谱空-谱联合信息的抽象表达能力,有效促进了CNN在高光谱遥感图像分类领域中的应用。