本文提出了一种基于局部形状结构分类的心血管内超声(Intravascular Ultrasound,IVUS)图像中-外膜边界检测方法.首先利用k-均值(k-means)聚类方法,确定局部形状结构类别;其次通过类别标号索引图像块,并对其进行积分通道特征和自相似性...本文提出了一种基于局部形状结构分类的心血管内超声(Intravascular Ultrasound,IVUS)图像中-外膜边界检测方法.首先利用k-均值(k-means)聚类方法,确定局部形状结构类别;其次通过类别标号索引图像块,并对其进行积分通道特征和自相似性特征提取,构建多分类随机决策森林模型;最后由分类模型寻找IVUS图像的关键点,采用曲线拟合方法,实现IVUS图像中-外膜边界检测.实验结果表明,本文方法能够有效地解决IVUS图像中斑块、伪影和血管分支等造成边缘难以准确检测的问题,与已有算法相比,其JM(Jaccard Measure,JM)达到了88.9%,PAD(Percentage of Area Difference,PAD)降低了19.1%,HD(Hausdorff Distance,HD)减少了9.7%,更准确地识别目标边界的关键点,成功地检测出完整的中-外膜边界.展开更多
目的探讨7.0 T磁共振上三维血管壁成像技术(DANTE-FLASH)进行ApoE-/-小鼠颈动脉粥样硬化斑块成像的可行性。方法通过数值仿真优化成像参数,实现血管腔-壁对比度最大化。6只ApoE-/-小鼠和3只野生型小鼠在7.0 T MRI均行DANTEFLASH和流入...目的探讨7.0 T磁共振上三维血管壁成像技术(DANTE-FLASH)进行ApoE-/-小鼠颈动脉粥样硬化斑块成像的可行性。方法通过数值仿真优化成像参数,实现血管腔-壁对比度最大化。6只ApoE-/-小鼠和3只野生型小鼠在7.0 T MRI均行DANTEFLASH和流入流出饱和带的多层2D RARE(2D-IOSB-RARE)两种扫描。在管壁信噪比(SNRwall)、管腔信噪比(SNRlumen)、壁-腔对比噪声比(CNR)、管腔面积(LA)、和管壁面积(WA)方面分别对2D-IOSB-RARE和DANTE-FLASH序列进行比较。对于LA与WA,使用线性回归分析评估MR图像与病理图像测量结果的相关性。结果根据数值仿真结果,小鼠实验的DANTE模块采用了15°翻转角与150脉冲链。相较于2D-IOSB-RARE,DANTE-FLASH的CNR轻微降低(P<0.001),但层分辨率显著提高。组内相关系数(LA:ICC=0.94,P<0.001;WA:ICC=0.93,P<0.001)和Bland-Altman图显示出DANTE-FLASH和2DIOSB-RARE在评估LA和WA测量结果方面具有良好的一致性。MR图像与病理图像在定量测量LA(P<0.0001)和WA(P<0.0001)中呈现较强相关性。结论在7.0 T磁共振上,三维DANTE-FLASH黑血MR序列,可实现各向同性高空间分辨率成像,有利于ApoE-/-小鼠颈动脉粥样硬化病变的灵活显示和定量评估。展开更多
目的视频异常检测通过挖掘正常事件样本的模式来检测不符合正常模式的异常事件。基于自编码器的模型广泛用于视频异常检测领域,由于自监督学习的特征提取具有一定盲目性,使得网络的特征表达能力有限。为了提升模型对正常模式的学习能力...目的视频异常检测通过挖掘正常事件样本的模式来检测不符合正常模式的异常事件。基于自编码器的模型广泛用于视频异常检测领域,由于自监督学习的特征提取具有一定盲目性,使得网络的特征表达能力有限。为了提升模型对正常模式的学习能力,提出一种基于Transformer和U-Net的视频异常检测方法。方法首先,编码器对输入的连续帧进行下采样提取低层特征,并将最后一层特征图输入Transformer编码全局信息,学习特征像素之间的相关信息。然后解码器对编码特征进行上采样,通过跳跃连接与编码器中相同分辨率的低层特征融合,将全局空间信息与局部细节信息结合从而实现异常定位。针对近景康复动作的异常反馈需求,本文基于周期性动作收集了一个室内近景数据集,并进一步引入动态图约束引导网络关注近景周期性运动区域。结果实验在4个室外公开数据集和1个室内近景数据集上与同类方法比较。在室外数据集CUHK(Chinese University of Hong Kong)Avenue,UCSD Ped1(University of California,San Diego,pedestrian1),UCSD Ped2,LV(live videos)中,本文算法的帧级AUC(area under curve)值分别提高了1%,0.4%,1.1%,6.8%。在室内数据集中,本文算法相比同类算法提升了1.6%以上。消融实验结果分别验证了Transformer模块以及动态图约束的有效性。结论本文将U-Net网络与基于自注意力机制的Transformer网络结合,能够提升模型对正常模式的学习能力,从而有效检测视频中的异常事件。展开更多
文摘本文提出了一种基于局部形状结构分类的心血管内超声(Intravascular Ultrasound,IVUS)图像中-外膜边界检测方法.首先利用k-均值(k-means)聚类方法,确定局部形状结构类别;其次通过类别标号索引图像块,并对其进行积分通道特征和自相似性特征提取,构建多分类随机决策森林模型;最后由分类模型寻找IVUS图像的关键点,采用曲线拟合方法,实现IVUS图像中-外膜边界检测.实验结果表明,本文方法能够有效地解决IVUS图像中斑块、伪影和血管分支等造成边缘难以准确检测的问题,与已有算法相比,其JM(Jaccard Measure,JM)达到了88.9%,PAD(Percentage of Area Difference,PAD)降低了19.1%,HD(Hausdorff Distance,HD)减少了9.7%,更准确地识别目标边界的关键点,成功地检测出完整的中-外膜边界.
文摘目的视频异常检测通过挖掘正常事件样本的模式来检测不符合正常模式的异常事件。基于自编码器的模型广泛用于视频异常检测领域,由于自监督学习的特征提取具有一定盲目性,使得网络的特征表达能力有限。为了提升模型对正常模式的学习能力,提出一种基于Transformer和U-Net的视频异常检测方法。方法首先,编码器对输入的连续帧进行下采样提取低层特征,并将最后一层特征图输入Transformer编码全局信息,学习特征像素之间的相关信息。然后解码器对编码特征进行上采样,通过跳跃连接与编码器中相同分辨率的低层特征融合,将全局空间信息与局部细节信息结合从而实现异常定位。针对近景康复动作的异常反馈需求,本文基于周期性动作收集了一个室内近景数据集,并进一步引入动态图约束引导网络关注近景周期性运动区域。结果实验在4个室外公开数据集和1个室内近景数据集上与同类方法比较。在室外数据集CUHK(Chinese University of Hong Kong)Avenue,UCSD Ped1(University of California,San Diego,pedestrian1),UCSD Ped2,LV(live videos)中,本文算法的帧级AUC(area under curve)值分别提高了1%,0.4%,1.1%,6.8%。在室内数据集中,本文算法相比同类算法提升了1.6%以上。消融实验结果分别验证了Transformer模块以及动态图约束的有效性。结论本文将U-Net网络与基于自注意力机制的Transformer网络结合,能够提升模型对正常模式的学习能力,从而有效检测视频中的异常事件。