基于一致性图的权重自适应多视角谱聚类算法

随着移动设备和互联网的普及,多视角数据的采集和分享变得更加容易,其可以从多个视角更准确地描述数据。目前,一些多视角聚类算法忽略了不同视角间的一致性潜在知识和不同视角的重要性。针对该问题,提出一种平衡视角间一致性信息的多视角聚类算法。首先通过调节视角权重学习视角间一致的共享相似度矩阵,提升共享矩阵的一致性,其中相关性强的视角具有的一致性信息更多,视角权重越大,在一致性学习中发挥的作用越大,而差异性大的视角其权重越小,在学习中发挥的作用越小。其次学习视角间的一致性样本嵌入以及不同视角的特征嵌入,并将特征嵌入中包含的多样性特征信息迁移到样本嵌入中,以此促进样本嵌入的一致性表达。在不同视角特征中包含多样性信息,可补充上述共享相似度矩阵学习中单一样本关系的不足。因此,采用二部图协同聚类,通过建立样本数据、样本嵌入和特征嵌入的关系图,学习样本的特征嵌入,并将其迁移到样本嵌入中。最后将图学习、谱聚类和特征嵌入学习整合到统一的框架中进行联合优化,得到最优的样本嵌入。实验结果表明,通过对样本嵌入进行K-means聚类,将该算法运行于5个真实数据集并与7种聚类算法对比,其中在3-Sources、Yale、MRSCV1数据集上的正确率均高于对比算法5%以上,验证了该算法的有效性。

基于ECM的多视图模糊聚类算法

目的传统聚类算法多属于单视图聚类的范畴,在数据结构形式日趋复杂的今天,单视图聚类越来越难以对数据集进行全面而准确的知识表达。特别地,虽然证据C-均值聚类算法的数据结构揭示能力比较突出,但是囿于单视图的算法设计,其对于数据集的综合描述能力较为薄弱。方法为解决该问题,提出一种基于证据C-均值聚类的多视图模糊聚类算法。该算法在信念函数的理论框架下形成凭证分区,然后计算各特征在不同视图下的权重,并将该权重赋予不同视角下的各个分区,从而生成最终的聚类结果。一方面扩展了硬划分、模糊划分和可能性划分的概念,可同时继承证据C-均值聚类算法和多视图模糊聚类的优点,挖掘不同视图下的有价值信息,另一方面能够根据视图重要程度自动分配权重,据此提高聚类准确率。结果为验证算法的聚类效果,在4个多视图数据集上与其他5种算法进行了对比实验,实验内容包括聚类准确率、聚类效率和参数分析3部分。实验结果表明,所提算法在准确率、F度量和标准化互信息3个量化指标上表现较好,说明在聚类准确率方面优于对比算法;在聚类效率上,除去在个别数据集上因迭代次数过多导致聚类时间略长外,总体接近于对比算法中的最优表现。结论这些表现进一步证明了所提算法在处理多视图数据集时的有效性。

张量学习诱导的多视图谱聚类

现有的方法将通过张量奇异值分解(t-SVD)正则化的低秩表示应用到多视图子空间聚类中,取得了令人印象深刻的聚类性能.然而,它们都具有以下两个共同的缺点:(1)他们专注于探索样本之间的关系以构建表征,然后将其堆叠为张量,其计算复杂度至少为O(n2logn);(2)他们总是直接在整合的表征上运行标准的谱聚类算法,而忽略了不同表征对最终聚类结果的先验知识.为了解决这些问题,本文提出了一种新颖的张量学习诱导的多视图谱聚类(TLIMSC)方法,其中同时探索了空间聚类结构和互补信息.具体来说,该方法将关联样本和簇关系的多视图谱嵌入表示堆叠成张量,计算复杂度最终变为O(n logn).然后,将学习到的带有不同自适应置信度的表征与最终的一致聚类结果联系起来.在五个数据集上的广泛实验证明了TLIMSC所具有的有效性和高效性.

自适应相似图联合优化的多视图聚类

相比于单一视图学习,多视图学习往往可以获得学习对象更全面的信息,因而在无监督学习领域,多视图聚类受到了研究者的极大关注,其中基于图的多视图聚类,近年来取得了很大的研究进展.基于图的多视图聚类一般是先从各个视图原始数据学习相似图,再进行视图间相似图的融合来获得最终聚类结果,因此,多视图聚类的效果是由相似图质量和相似图融合方法共同决定的.然而,现有基于图的多视图聚类方法几乎都聚焦在视图间相似图的融合方法研究上,而缺乏对相似图本身质量的关注.这些方法大多数都是孤立地从各视图的原始数据中学习相似图,并且在后续图融合过程中保持相似图不变.这样得到的相似图不可避免地包含噪声和冗余信息,进而影响后续的图融合和聚类.而少量考虑相似图质量的研究,要么相似图构造和图融合过程是直接联立迭代的,要么在预定义相似图过程中提前利用秩约束进一步初始化,要么就是利用相似图存在的一些底层结构来获取融合图的.这些方法对相似图本身改进很小,最终聚类性能提升也十分有限.同时现有基于图的多视图聚类流程也缺乏对各视图间一致性和不一致性的综合考虑,这也会严重影响最终的多视图聚类性能.为了避免低质量预定义相似图对聚类结果的不利影响以及综合考虑视图间一致性与不一致性来提升最终聚类效果,本文提出了一种自适应相似图联合优化的多视图聚类方法.首先通过Hadamard积来获得视图间高质量一致性部分信息,再将每个预定义相似图和这部分信息对标,重构各个视图的预设相似图.这个过程强化了各视图间的一致性部分,弱化了不一致性部分.其次设计了相似图重构改进和图融合联合迭代优化框架,实现了相似图的自适应改进,最终达到相似图和聚类结果共同提升的效果.该方法将相似图改进过程与图融合过程联合起来进行自适应迭代优化,并且在迭代优化中不断强化各视图间的一致性,弱化视图间的不一致性.此外,本文的方法也集成了现有多视图聚类方法的一些优点,自加权以及无需额外聚类步骤等.在九个基准数据集上与八个对比方法的实验验证了本文方法的有效性与优越性.

联合傅里叶卷积与通道注意力的光场角度重建

光场相机能够同时捕获光线的强度和方向信息,但由于成像传感器尺寸的限制,无法同时获得高空间和角度分辨率的光场图像。提出了一种联合傅里叶卷积和通道注意力的光场角度重建方法,通过使用稀疏光场图像4个边角位置的参考视图,可以间接地重建出密集光场图像。考虑到光场数据的内在4D结构,采用通道级密集快速傅里叶残差卷积块,在空域和频域对光场图像的空间和角度相关性进行建模,然后采用基于全局响应归一化的通道注意块,以实现通道间的自适应融合。此外,还提出了一种改进的视点加权间接合成方法,通过为每个参考视图分配一个置信图,为参考视图之间建立联系以合成更真实的新视图。实验结果表明,相比于现有先进的光场角度重建算法IRVAE,所提方法的重建光场图像质量在自然光场数据集30Scenes,Occlusion和Reflective上的平均PSNR分别提高了0.08,0.13和0.13 dB。所提方法在保证光场角度一致性的前提下取得了清晰的重建结果。

一种大视场汇聚型双目立体视觉标定方法

双目摄像机汇聚型摆放易导致标记点出现散焦模糊和透视形变,使标记点定位出现偏差,在大视场环境下会引发不可忽视的标定误差,进而影响测量精度。为解决上述问题,提出了一种基于标记点定位偏差度加权的大视场汇聚型双目立体视觉标定方法。首先,利用靶标在摄像机坐标系下的位姿,计算标记点散焦模糊量和透视形变度;其次,根据标记点定位偏差度设置相应权重;最后,将标记点权重系数加入目标函数,引导标定参数优化。实验结果表明:在观测值为505 mm的情况下,该方法测距均方根误差和标准差可达0.809和0.290,不但有效提高了大视场汇聚型双目立体视觉标定精度,而且具有良好的稳定性。

一种特征点权重自适应优化的动态SLAM算法

针对传统的同步定位与地图构建(SLAM)在动态场景中位姿估计准确率低、鲁棒性差的问题,提出一种基于特征点权重自适应优化的动态视觉SLAM算法。首先,利用掩膜区域卷积神经网络(Mask R-CNN)对输入图像进行语义分割并获取动态特征点掩码,在此基础上对静态特征点进行帧间匹配得到位姿变换初值;然后利用运动一致性检测算法和多视图几何算法处理图像并分别得到对应的动态特征点掩码,进而依据得到的3种动态特征点掩码信息构建特征点权重函数,利用最小化重投影误差自适应调整特征点对位姿优化的影响程度,降低场景中的动态目标对SLAM精度的影响;最后使用慕尼黑工业大学动态数据集进行仿真测试,在室内高动态场景中,绝对轨迹误差(ATE)的均方根误差值(RMSE)仅为尺度不变特征变换同步定位与地图构建(ORB-SLAM2)的3.1%。与DS-SLAM、DynaSLAM等动态SLAM系统相比,绝对轨迹误差分别为DS-SLAM的52%、DynaSLAM的86.1%。结果表明,该算法可以显著提高SLAM系统在高动态环境下的定位精度和鲁棒性。

基于图的自适应加权多视图聚类

针对现有的基于图的多视图聚类算法没有考虑不同视图的权重和视图数据存在噪声的问题,提出一种基于图的自适应加权多视图聚类算法。通过自适应邻域学习从原始数据中构造多个关系图,引入视图权重调节参数,减少噪声的影响;通过自适应学习将各个关系图融合成统一关系图,通过秩约束优化使数据点自动划分成所需的簇,从而得到聚类结果。在多视图数据集上的实验结果表明了该算法的有效性。

DCE-MRI定量参数联合小视野弥散加权成像对甲状腺良恶性结节鉴别的价值

目的探讨动态对比增强磁共振成像(dynamic contrast-enhanced magnetic resonance imaging,DCE-MRI)定量参数联合小视野弥散加权成像在甲状腺良恶性结节鉴别中的应用价值。材料与方法收集2022年1月至2023年10月于滨州医学院附属医院诊治并经手术病理证实为甲状腺结节的患者38例(52个结节),将其分为良性结节组和恶性结节组。术前患者均行3.0 T MRI扫描,包括常规MRI、小视野弥散加权成像(b值取0、800 s/mm^(2))和DCE-MRI检查,并测量其表观弥散系数(apparent diffusion coefficient,ADC)值和DCE-MRI定量参数,包括对比剂容积转运常数(volume transport constant,K^(trans))、速率常数(rate constant,K_(ep))、血管外细胞外间隙容积分数(extravascular extracellular volume fraction,V_(e))。对甲状腺良恶性结节组的ADC、K_(ep)、V_(e)、K^(trans)采用独立样本t检验分析,以P<0.05为差异有统计学意义,后将差异有统计学意义的变量进行逐步logistic回归模型分析,得到甲状腺良恶性结节的独立预测因素,并绘制受试者工作特征(receiver operating characteristic,ROC)曲线分析ADC、K^(trans)独立诊断模型及ADC与K^(trans)联合诊断模型的诊断效能。结果良性结节组平均ADC值、K^(trans)值、K_(ep)值分别为(1.659±0.370)×10^(-3)mm^(2)/s、(0.427±0.214)min^(-1)、(0.966±0.225)min^(-1),恶性结节组平均ADC值、K^(trans)值、K_(ep)值分别为(1.182±0.195)×10^(-3)mm^(2)/s、(0.178±0.073)min^(-1)、(0.600±0.248)min^(-1)。良性结节组的ADC、K^(trans)、K_(ep)值均高于恶性结节组,差异均有统计学意义(P<0.001)。经过独立样本t检验及逐步logistic回归分析显示,ADC值和K^(trans)差异具有统计学意义(P<0.05),是鉴别甲状腺结节良恶性的独立预测因子。单独ADC值曲线下面积(area under the curve,AUC)为0.915、单独K^(trans)值AUC为0.827。ADC值与K^(trans)联合诊断模型AUC为0.973,较二者单独应用明显增高,联合诊断模型诊断效能最高。经DeLong检验,联合诊断模型与单独K^(trans)诊断差异存在统计学意义(P<0.05)。ADC值与K^(trans)联合诊断模型在鉴别甲状腺良恶性结节中敏感度为97.3%,较ADC、K^(trans)更高,特异度为84.6%,较ADC值更高。结论ADC值和K^(trans)是鉴别甲状腺良恶性结节的重要参数,两者联合诊断可提高临床诊断准确性,为术前诊断提供重要依据。

国外城市建成环境与共享单车研究评述与展望

文章对国外城市建成环境与共享单车的研究主题、研究方法、研究趋势展开了综述。首先阐述了交通路网、社会经济因素、土地利用、绿化空间四类建成环境与共享单车的联系;其次,对比了传统与新兴的研究方法,并分析各类研究方法的适用性以及不足;最后,总结了国外共享单车的研究现状,并对未来的研究重点进行了探究与展望。

基于加权锚点的多视图聚类算法

大规模多视图聚类旨在解决传统多视图聚类算法中计算速度慢、空间复杂度高,以致无法扩展到大规模数据的问题.其中,基于锚点的多视图聚类方法通过使用整体数据集合的锚点集构建后者对于前者的重构矩阵,利用重构矩阵进行聚类,有效地降低了算法的时间和空间复杂度.然而,现有的方法忽视了锚点之间的差异,均等地看待所有锚点,导致聚类结果受到低质量锚点的限制.为定位更具有判别性的锚点,加强高质量锚点对聚类的影响,提出一种基于加权锚点的大规模多视图聚类算法(Multi-view clustering with weighted anchors,MVC-WA).通过引入自适应锚点加权机制,所提方法在统一框架下确定锚点的权重,进行锚图的构建.同时,为增加锚点的多样性,根据锚点之间的相似度进一步调整锚点的权重.在9个基准数据集上与现有最先进的大规模多视图聚类算法的对比实验结果验证了所提方法的高效性与有效性.

基于图像空间重建技术的小视野DWI在直肠癌T分期中的应用价值

目的:探讨基于图像空间重建技术的小视野DWI序列联合常规高分辨率T_(2)WI序列在直肠癌T分期中的应用价值。方法:回顾性分析2022年6月-2022年11月在本院行直肠MRI检查的患者的病例资料。所有患者均使用3.0T MR扫描仪进行检查,行常规高分辨率斜轴位T_(2)WI序列和小视野(rFOV)基于图像空间采样重建(IRIS)技术DWI(rFOV IRIS-DWI)序列扫描。所有图像均由一名从事直肠癌研究方向的影像科高级职称医生进行两轮评估。第一轮评估所有入组患者的斜轴位高分辨率T_(2)WI序列图像,一周后进行第二轮评估,同时观察斜轴位高分辨率T_(2)WI序列图像和rFOV IRIS-DWI序列图像,分别记录两次评估的磁共振T(mrT)分期结果。采用MedCalc统计软件(Version 18.2.1)进行统计学分析。两种诊断方法对病理T(pT)分期的诊断准确性采用Fisher精确概率检验。采用受试者操作特征(ROC)曲线评估两种诊断方法对pT分期的诊断效能。两种诊断方法诊断信心差值符合正态分布采用配对样本t检验,差值不符合正态分布采用配对Wilcoxon秩和检验。以P<0.05为差异具有统计学意义。结果:本研究共纳入27例直肠癌患者,年龄53~81岁,中位年龄69岁,基于rFOV IRIS-DWI联合T_(2)WI序列,分别有1例(6.7%)pT3期病例被低估为mrT1-2期、1例(8.3%)pT1-2病例被高估为mrT3期,MRI对pT1-2、pT3期的诊断准确性分别为91.7%、93.3%,两种序列的诊断准确性差异具有统计学意义(P=0.022)。T_(2)WI、T_(2)WI联合rFOV IRIS-DWI序列诊断pT3期的敏感度、特异度、ROC曲线下面积(AUC)分别为73.3%、58.3%、0.658和93.3%、91.7%、0.928,AUC差异具有统计学意义(P=0.002)。T_(2)WI、T_(2)WI联合rFOV IRIS-DWI序列对所有入组病例的诊断信心分别为2.37、2.9分,差异具有统计学意义(P=0.0002)。结论:rFOV IRIS-DWI联合高分辨率T_(2)WI序列能够明显提高直肠癌的T分期的诊断效能和诊断信心。

r-fov IVIM与r-fov DWI模型参数早期预测乳腺癌新辅助化疗疗效价值的比较

目的 比较磁共振小视野体素不相干运动扩散加权成像(reduced field of view,intravoxel incoherent motion,r-fov IVIM)及小视野常规扩散加权成像(reduced field of view,diffusion weighted imaging,r-fov DWI)模型参数预测乳腺侵润性导管癌新辅助化疗疗效的价值。方法 前瞻性选取28例单侧乳腺浸润性导管癌患者,收集化疗前、化疗2周期后乳腺r-fov IVIM模型参数真性扩散系数(Dt),假性扩散系数(Dp),灌注分数(f);r-fov DWI参数表观扩散系数(ADC)。根据术后病理结果分为组织学非显著反应组13人,组织学显著反应组15人;采用SPSS 25.0对数据进行处理,比较NAC前和化疗2个周期后两组间的参数值差异。绘制受试者工作特征曲线(receiver operating characteristic,ROO曲线分析以上参数对新辅助化疗疗效的预测价值。结果NAC2周期后ADC值,NAC2周期后与NAC前参数差值ΔADC、ΔDt值,三者的曲线下面积(area under curve,AUC)最大(0.951 VS 0.914、0.914),预测MHR组的效能高;NAC2周期后的Dt值,预测MHR组的效能较好(AUC=0.827)。结论 NAC2周期后,r-fov DWI模型参数ADC值和r-fov IVIM模型参数Dt值越高,且较NAC前升高程度越大,新辅助化疗结束后越容易获得较好的疗效;其中,以NAC2周期后,r-fovDWI模型参数ADC值的预测效能最高,应作为乳腺癌浸润性导管癌临床治疗过程中,新辅助化疗反应评估的主要参考参数。

基于谱聚类的自加权多视图聚类算法研究

针对多视图聚类中如何更好地融合不同视图之间信息的问题,提出了一种多视图聚类算法。采用谱聚类中的归一化割算法,得到每个单视图的嵌入矩阵。通过最小化最终的全局图与各单视图之间的差距来学习最终的全局图。考虑到不同视图的重要性不同,使用了一种自加权的方式为每个视图添加权重。利用秩约束的方式控制全局图的连通分量个数。聚类结果可以从最终学习得到的全局图中直接得出,每个连通分量即为一个簇。通过在两个真实数据集上进行实验,对比该算法与其他类似算法在相同数据集上的聚类评价指标,得出该算法的聚类指标相比于对比算法有最大12%的提升。

基于三角函数的加权平均全景环视图像融合方法

全景环视(AVM)系统是减小汽车盲区的有效工具,针对已有AVM图像中存在的拼接缝以及拼接误差等问题,提出了两种依据像素坐标的三角函数值计算权值的像素级图像融合方法。对于短距AVM图像的融合,提出了一种以融合区域像素坐标的正弦/余弦值为融合权重的图像融合方法,命名为“时钟扫描图像融合法”;对于长距AVM图像的融合,提出了一种依据正切函数曲线拟合矩形融合区域,并利用正切函数系数构造权值区间确定各像素权重系数的方法,以同时顾及3条融合边界,称之为“tan—加权图像融合法”。研究结果表明,两种图像融合方法在消除相邻图像之间的拼接缝、提升融合图像的清晰度等方面具有良好效果,可实现融合区域的平滑过渡。

武汉市主城区建成环境对街道活力影响的时空特征----基于多尺度地理加权回归

探究建成环境对街道活力的影响效应是城市公共空间品质提升的关键。文章以武汉市主城区为例,首先基于人口热力数据测度多时段街道活力,其次利用街景数据、POI数据及OSM路网数据构建基于宏观街区构成和微观街道特质的多维度建成环境指标体系,最后引入多尺度地理加权回归模型探讨不同建成环境对街道活力影响的时空差异。结果表明:(1)时间上,武汉市主城区内中高活力街道在9:00-18:00间整体占比最多。空间上,街道活力在各时段整体呈“东核西带、多点聚集”分布。(2)基于宏观街区构成的二维建成环境对街道活力的影响整体较微观三维街道建成环境更为明显。(3)各建成环境要素对街道活力影响的时空异质性显著。距娱乐休闲设施最近距离和围合度对街道活力的影响整体具有稳健的时空变化特征,接近度、功能混合度、功能设施密度和天空开敞度次之,距综合商场最近距离、街道高宽比和交通安全设施占比则表现了明显的时空局部显著效应。

基于CBR视图相似度与HFLTS方法的车货匹配研究

为提高整车运输装载率及货主满意度,基于案例推理(CBR)技术中的案例检索思维和犹豫模糊综合术语集(HFLTS),提出了一种基于视图相似度并考虑货主评价的车货匹配方法。依据案例检索思维,将货物条件属性集视为待解问题(准案例),将车辆条件属性集视为既有案例条件属性集,保留车主的信赖属性指标;基于自适应K均值法确定最近聚类,只保留最近聚类内堆积在聚类中心附近的车辆数据,双重压缩匹配空间;通过熵权法确定条件属性权重;基于欧式距离计算待匹配货物数据集与匹配空间中的车辆数据集之间的视图相似度,降序排列计算结果并保留TOP 3车辆数据集所对应的车主信息;基于HFLTS方法将货主对车主犹豫模糊的评价信息通过得分函数转化为具体的数值,并综合考虑视图相似度及评价结果为货主推荐最优匹配车主。通过某案例分析,验证了该方法的匹配效率比常规方法提升了88.79%;待匹配货物与推荐车辆条件属性比值最大,能有效提升车辆装载率。

Adaptive weighting impact angle optimal guidance law considering seeker's FOV angle constraints

In this paper, a new adaptive optimal guidance law with impact angle and seeker’s field-of-view(FOV) angle constraints is proposed. To this end, the generalized optimal guidance law is derived first. A changeable impact angle weighting(IAW) coefficient is introduced and used to modify the guidance law to make it adaptive for all guidance constraints. After integrating the closed-form solution of the guidance command with linearized engagement kinematics, the analytic predictive models of impact angle and FOV angle are built, and the available range of IAW corresponding to constraints is certain. Next, a calculation scheme is presented to acquire the real-time value of IAW during the entire guidance process. When applying the proposed guidance law, the IAW will keep small to avoid a trajectory climbing up to limit FOV angle at an initial time but will increase with the closing target to improve impact position and angle accuracy, thereby ensuring that the guidance law can juggle orders of guidance accuracy and constraints control.

基于多视图与注意力机制的睡眠脑电分期

为了更全面地对睡眠脑电进行特征提取,提出一种基于多视图与注意力机制的睡眠脑电分期方法。首先针对原始睡眠脑电信号构造时域和时频域两类视图数据;然后设计融合注意力机制的混合神经网络对多视图数据进行表征学习;接着通过双向长短时记忆(bi-directional long short-term memory,BiLSTM)网络进一步学习睡眠阶段之间的转换规则;最后使用Softmax函数进行睡眠分期,并利用类别加权损失函数解决睡眠数据类别不均衡的问题。实验使用Sleep-EDF数据库中前20名受试者的单通道脑电信号并采用20折交叉验证对模型进行性能评估,睡眠分期准确率达到83.7%,宏平均F_(1)值达到79.0%,Cohen′s Kappa系数达到0.78。与现有方法相比,算法性能提升明显,证明了所提方法的有效性。

小视野与常规视野扩散加权成像在宫颈癌诊断中的对比研究

目的:对比分析磁共振常规视野扩散加权成像(f-FOV DWI)与小视野扩散加权成像(r-FOV DWI)在宫颈癌诊断中的应用价值。方法:回顾性搜集本院2021年3月至2022年2月明确诊断为宫颈癌的患者,选取病理活检、磁共振检查均为宫颈癌阳性的患者140例,所有患者在进行手术治疗之前均进行f-FOV DWI和r-FOV DWI检查,对检查结果进行主观及客观评价。主观评价由2位影像科医师共同阅片,然后从解剖细节显示、磁敏感伪影、几何变形和总体诊断信心等四方面进行评分,分数越高代表成像效果越好。客观评价由2位影像科医师对2种序列b值=800 s/mm^(2)的相关图像进行所需值测量,比较两者之间的信噪比(SNR)、对比噪声比(CNR)差异;测量ADC值,对比两种序列的ADC值在不同病理分级、临床分期中的差异。结果:主观评分结果显示,r-FOV DWI序列在解剖细节显示、磁敏感伪影、几何变形和总体诊断信心等四项评分(分别为2.86±0.82、2.76±0.77、2.98±0.78、2.87±0.88)均明显高于f-FOV DWI序列(分别为2.06±0.76、1.98±0.59、2.09±0.67、2.21±0.79),差异均有统计学意义(P均<0.05)。在客观评价方面,f-FOV DWI与r-FOV DWI的SNR值(分别为25.46±11.01、26.58±10.89)、CNR值(20.21±11.36、20.03±7.31)差异均无统计学意义(P>0.05);r-FOV DWI与f-FOV DWI在宫颈癌不同病理分型、临床分期之间的ADC值除Ⅲ期外差异均有统计学意义(P<0.05),r-FOV DWI测得的ADC值较f-FOV DWI更低。结论:r-FOV DWI较f-FOV DWI在宫颈癌的诊断过程中更具优势,图像更清晰,可以更好地辅助临床诊断。