【摘 要】
：
计算机断层成像（Computed Tomography,CT）作为辅助医生诊断的一项技术被广泛应用于医疗实践中,但是在其扫描过程中过高剂量的辐射会对患者的身体造成严重的伤害,增加患癌的风险。低剂量CT可以通过降低辐射剂量或者减少投影个数来实现。然而,每个角度下低剂量辐射所获取的投影噪声较大,致使重建出来的图像包含较大噪声,影响后续诊断。高精度低剂量CT重建的一种有效途径是除去低质量图像中存在的噪声
论文部分内容阅读
计算机断层成像（Computed Tomography,CT）作为辅助医生诊断的一项技术被广泛应用于医疗实践中,但是在其扫描过程中过高剂量的辐射会对患者的身体造成严重的伤害,增加患癌的风险。低剂量CT可以通过降低辐射剂量或者减少投影个数来实现。然而,每个角度下低剂量辐射所获取的投影噪声较大,致使重建出来的图像包含较大噪声,影响后续诊断。高精度低剂量CT重建的一种有效途径是除去低质量图像中存在的噪声。尽管图像去噪的数学类方法已经取得了较大的成功,但是当其用于CT图像去噪的时候,因为CT图像噪声类型不确定及噪声的非均匀分布,去噪性能一般。深度学习,尤其是卷积神经网络（Convolutional Neural Network,CNN）,因其强大的非线性拟合能力,特别适用于图像处理。深度学习图像去噪,有望取得比数学类方法精度更高的去噪效果。论文的主要工作如下所示:（1）提出了基于通道域注意力机制的Dn CNN网络模型,实现了低质量CT图像去噪。通过将大部分卷积单元构建为融合通道注意力机制的卷积单元,强调了重要通道信息,提升了网络性能,改进了去噪效果。（2）提出一种双通道小UNet级联网络模型,进一步提高了去噪精度。通过两个通道分别对输入的图像进行处理,确保生成的特征图具有多样性,能更好地压制噪声。同时增加残差学习缓解可能带来的梯度消失问题,一定程度地提升了网络性能。（3）在算法研究的基础上,设计了一种基于双通道小UNet级联网络的低剂量CT去噪系统,包括图像上传、投影生成、投影加噪、含噪投影图像重建及图像去噪等功能。其中图像去噪包含深度学习去噪及TV（Total Variation,TV）模型去噪两种方法。本文以压制低剂量CT图像噪声为目标,提出了两种CT图像去噪网络模型,系统地评估并比较了其重建性能。在算法研究的基础上,设计了基于双通道小UNet级联网络的低剂量CT去噪系统。这些研究与设计,对低剂量CT重建有一定的理论意义和实践价值。
其他文献
交通基础设施是经济社会发展的先行资本。交通基础设施的建设和完善能够促进要素在空间范围内迅速流动,加快人力、物力、资本的自由流动速度,降低运输成本,提高流通速率。物流业的快速发展依赖于物流效率的提高,交通基础设施作为物流要素流通的载体,在一定程度上形成了物流业发展的合力和动力,所以研究我国交通基础设施对物流业发展的影响有着很强的现实意义。基于交通基础设施的外部性和网络状特性,不考虑空间效应会在一定程
机器自动情绪识别因其在人机交互中的潜在应用而受到越来越多的关注。目前,情绪识别可通过多种信息来实现,如面部表情、语音语调、身体姿态以及人体各种生理信号等。相比较而言,皮层脑电作为中枢神经生理信号,调节与情绪相关的递质分泌和大脑的边缘系统,能够客观反映人的情绪状态变化,从脑电信号中提取有效特征并进行情绪识别在人机交互和精神心理疾病监测中具有重要意义。论文针对维度情感模型的构建以及脑电信号情绪识别中特
5G网络发生故障可能影响全网稳定性和服务质量，其故障发现与修复是5G网络运维管理的关键之一。基于历史故障发生前的网元关键绩效指标（Key Performance Indicator,KPI）变化以及设备告警信息、指标统计特征、自动异常检测、指标关联特征、告警编码特征等，提出了5G核心网网元多维特征融合故障预警方法，构建了多维特征空间训练故障预警模型。最后，针对现网运行数据，选取了6类网元并进行了实
图像的深度估计是计算机视觉领域一个重要的研究课题。挖掘二维图像中的深度信息,可以帮助计算机理解场景的三维结构,在智能机器人技术、虚拟现实、增强现实、场景的三维重建、汽车自动驾驶等众多领域都有广泛的应用。相较于基于双目、多目的深度估计方法,基于单目图像的深度估计对设备和环境要求较低且易于实现,因此具有更加广泛的应用价值。然而,只通过单个视角的二维图像估计三维的立体信息,从几何计算的角度来看是非常巨大
人们生活水平的提高以及商品的种类的增加,使得消费者对于商品的要求也越来越高。其中,琳琅满目的商品种类和对商品五花八门的描述,使得对于商品识别的研究也有了越来越重要的现实意义。本文基于深度学习的方法对商品图像识别以及商品图像中的文本识别进行了相关研究,与传统的图像识别以及文本识别算法对比,利用基于卷积神经网络的图像及文本识别算法进行分析,提出本文研究方法。1)为了降低噪声对图像识别准确率的影响,本文
深度学习在图像识别、机器视觉、自然语言处理等领域取得了巨大的成功,解决了很多复杂的难题,使人工智能技术取得了革命性的突破。然而,复杂的深度模型日益出现“膨胀”的趋势,模型越来越大、越来越复杂,对计算力要求也越来越高。如何有效地减少复杂模型的参数量和推理时间成为目前人工智能亟待解决的关键问题。特别是深度模型在在线学习、增量学习等实时应用与移动手机、可穿戴设备等这些边缘人工智能设备上的实施与部署,如何
计算机断层成像（Computed Tomography,CT）的出现,极大地促进了医学影像技术的发展,对于各种疾病的诊断治疗,也具有十分重要的意义。因X射线的辐射对人体有潜在的致病风险,因此低剂量CT成为了当前研究的重点。稀疏重建,即用从稀疏角度下采集的投影重建图像,是实现低剂量CT的有效方法,然而,经典的解析法稀疏重建的图像中一般含有严重的条状伪影,导致无法进行正确的疾病判读。2006年以来,深
传统监督学习方法需要利用大量有标记的样本进行学习,但是得到具有较强泛化能力的模型往往需要大量的标记样本。在许多学习任务中,标记样本的获取需要大量的人力物力,相对而言无标记样本的获取却较为容易。半监督学习正是一种综合利用标记样本和无标记样本进行学习的方法。目前,半监督深度学习中的研究热点之一集中在一致性假设的应用。所谓一致性假设,是指在模型训练过程对样本进行数据增强,并保证数据增强前后的模型预测结果
近年来,在机器学习等领域中,针对图像数据的分类识别已经成为广大研究者的重点关注问题。传统的算法大都基于欧氏空间计算样本相似性,虽然简单有效,但是由于没有考虑图像数据的高维、稀疏和流形等特性,无法准确地度量样本点之间的相似性。越来越来多的研究者基于黎曼流形的度量学习方法展开了大量的研究工作。流形假设是指人类所看到的数据为嵌入在高维空间中的低维流形。相对于传统算法而言,黎曼流形度量学习可以很好的利用样
近年来,随着人工智能的快速发展,智能解答类问题越来越受人瞩目,其中机器阅读理解成为该领域的重要研究分支。针对高考语文阅读理解任务,本文工作研究科技文中选择题的自动解答。该类型题目一般包含1篇背景材料、1个题干和4个候选选项,要求机器根据题干,基于对背景材料中相关内容的理解,从4个候选选项中选出一个正确选项。本文提出了一个基于关键词语义扩充的选择题解题模型,通过基于外部知识库的关键词语义扩充,丰富材