在^(68)Ga EDTA 动态 PET分析中用正常区域取样和参数成像实现大脑肿瘤的统计分割研究(英文)

为了研究和评价用68GaEDTA动态PET研究和评价脑肿瘤定量分析的可靠性和灵敏度,我们在本文中提出了估计容积分布(distributionvolume:DV)和血脑屏障渗透率(k1)分布的线性参数成像模型。我们还用F统计学方法实现了把肿瘤从正常组织中分割出来的方法。用一个三参数双腔室模型描述用PET测量的数据。用于估计DV(=K1/k2)和K1的主要计算公式为:Cpet=(K1+k2Vp)t0∫Cpds-k2t0∫Cpetds+VpCp和t0∫Cpetds=(DV+Vp)t0∫Cpds-(1/k2)Cpet+(Vp/k2)Cp,这里的k2是脑内通过血脑屏障到脑外的渗透率。在参数成像中我们采用了一个可靠和如棒的基于像素的局域线性回归算法用于产生DV和K1图像。同样基于像素自由度为2和k-2的F统计学方法采用的计算公式为:F=(((k-2)k/(2(k2-1)))D2,这里的D2=(x-μ)'S-1(x-μ),而μ和S分别表示脑肿瘤对侧正常区域内采集的样品的平均值和协方差,这些样品是按照二维空间狖(K1,DV)狚采集的,而常数k是取样的总数。在不同水平上阈值α,就可以得到不同置信度下的F统计图像。用这个方法对11个肿瘤病人进行了68GaEDTA动态PET研究。研究结果表明:所有的DV,K1和F图像的质量都很好。而且用于产生DV,K1和不同置信度下的F图像的算法效率很高,容易实现。本研究方法中研究和发展的方法提供了一个有效的集成多维生?

基于深度学习的遥感影像变化检测方法

为了获得可靠的训练样本及提高遥感影像变化检测的精度,提出基于深度学习的遥感影像变化检测方法.采用结构相似性方法(SSIM)选取纹理特征(灰度共生矩阵法),通过融合变化向量分析(CVA)方法获取不同时相遥感影像差异图(DI)及纹理特征差异图获得差异影像,并采用构造的变分去噪模型对差异影像进行去噪.利用频域显著性方法获取去噪差异影像的显著性图,通过模糊c-均值(FCM)算法对粗变化检测图(对显著性图选取阈值获得的)进行预分类(变化类、未变化类及未确定类).将从遥感影像上提取的变化像素和未变化像素的邻域特征引入深度神经网络模型进行训练,并利用训练好的深度神经网络模型对差异影像进行变化检测,得到最终的变化检测图.对3组遥感影像数据集进行变化检测实验,结果表明本研究方法的变化检测精度高于其他比较方法.

基于频域显著性方法和ELM的遥感影像变化检测

提出一种基于频域显著性(FDS)方法和极限学习机(ELM)方法进行遥感影像变化检测的方法.首先,对利用变化矢量分析方法(CVA)获取不同时相遥感影像的光谱特征差异图及纹理特征(灰度共生矩阵法)差异图进行融合获得差异影像(DI);然后,利用频域显著性方法获取差异影像的显著性图,采用模糊c均值(FCM)聚类算法对显著性图选取阈值得到的粗变化检测图进行预分类(变化像素、未变化像素、待定像素);最后,从光谱及纹理特征影像上提取变化像素和未变化像素的邻域特征作为可靠样本进行ELM训练,并利用训练好的ELM分类器对粗变化检测图进行变化检测,得到最终的变化检测图.通过对高分辨率遥感影像数据实验结果表明本方法的变化检测精度及性能优于其他对比方法.