基于高阶奇异值分解和Rician噪声校正模型的扩散加权图像去噪算法

目的研究一种新颖的基于高阶奇异值分解(HOSVD)的扩散加权图像去噪算法,用以提高扩散加权(DW)图像的信噪比以及后续量化参数的准确性。方法我们提出一种基于HOSVD稀疏约束和Rician噪声校正模型的去噪方法,将Rician噪声信号期望融合到传统的HOSVD去噪框架中,从而能够直接对带有Rician噪声的DW图像进行去噪。此外,考虑到对相似块组成的高维数组进行HOSVD去噪处理,容易引入条形伪影,因此本文直接对每个局部DW图像块进行HOSVD去噪,从而解决了条形伪影问题。为了验证所提方法的有效性,我们将本方法与低秩+边缘约束(LR+Edge)、基于全局指导下的局部高阶奇异值分解(GL-HOSVD)、基于块匹配的三维滤波(BM3D)和非局部均值(NLM)4种去噪算法进行了实验对比。结果实验结果表明,所提方法能够有效降低DW图像噪声,同时较好的保留图像细节以及边缘结构信息。无论是从DW图像的峰值信噪比(PSNR)和结构相似性(SSIM)以及各向异性分数均方根误差定量指标,还是从去噪图像和各向异性分数图的视觉效果来看,本算法都要明显优于LR+Edge,BM3D和NLM。此外,GL-HOSVD虽然可以得到较好的去噪结果,但是在高噪声水平下,会引入条形伪影,而本文方法不但可以得到较好的去噪结果,并且不存在伪影问题。结论本文提出了一种新颖的HOSVD去噪方法,可以直接处理带有Rician噪声的DW图像,并且解决了同类算法中伪影问题,去噪效果明显,能够为临床提供更准确的量化参数结果,更好服务于临床影像诊断。

眼底图像硬渗出物的分割算法:基于区域分类引导的小波Y-Net的EX分割

目的为消除视盘在硬渗出物(EX)分割过程中带来的影响提出了基于区域分类引导的小波Y-Net网络的EX分割算法。方法该网络为端到端的眼底图像EX分割网络,通过区域分类引导EX分割联合实现了视盘区域检测和EX分割,有效地降低了视盘对EX分割的干扰。为了避免因下采样操作产生信息损失而导致微小EX区域分割失效的问题,该网络进一步引入了离散小波变换(DWT)和离散小波逆变换(IDWT)取代传统的池化下采样和上采样操作。同时,采用了基于残差连接的Inception模块获取多尺度特征。所提出的算法在IDRiD、e-ophthaEX数据库上进行训练和测试,并进行像素级评估。结果区域分类引导的小波Y-Net网络在IDRiD、e-ophthaEX数据库上分别获得0.9858、0.9938的准确率以及0.9880、0.9986的受试者工作特征曲线下面积(AUC)。结论本文提出的方法能够有效地规避视盘的影响,保留图像细节信息,提升EX的分割效果。

基于卷积神经网络的CT弦图学习与身体部位识别

基于医学影像的身体部位识别旨在确定特定医学影像所属的身体部位,是许多医学影像分析任务必不可少的预处理步骤。目前,计算机断层扫描(CT,Computed Tomography)技术是临床中最常用的医学影像技术之一,而基于CT图像的医学影像分析算法(例如,病灶检测、器官分割等)同样需要首先确定CT图像所属身体部位以获取先验知识,从而保证算法的速度及鲁棒性。然而CT图像是由被称为CT弦图(CT Sinogram)的CT原始数据重建得到,而图像重建过程有可能导致信息丢失。因此,相较于CT图像,CT弦图中应该包含更多适用于身体部位识别的有效信息。然而,目前基于CT弦图的身体部位识别研究仍比较少。鉴于此,本研究使用基于卷积神经网络(CNN,Convolutional Neural Network)的深度学习对CT弦图进行特征学习,并验证其在身体部位识别任务中的可用性。实验采用了一个公开数据集(DeepLesion)和来自著名医学机构的三个临床数据集来验证本研究提出方法的性能。具体而言,本研究通过Radon变换理论对CT图像进行数据仿真得到CT弦图,并以CT弦图作为输入,构造基于CNN的分类器(Sino-Net),从而对五个最常见的身体部位(头部、颈部、胸部、上腹部以及骨盆)进行识别。实验结果表明,使用CT弦图进行身体部位识别可以达到与使用CT图像进行身体部位识别相似的性能,甚至优于基于CT图像识别的结果。