基于GSO算法与互信息的医学图像配准

医学图像处理过程通常包括图像预处理、特征提取、图像分类,Harris角点检测算法是常用的特征点提取算法之一。该算法适应多种变换、运算简便,在医学图像处理领域中广泛应用,但在实际应用中发现传统的Harris算法检测到的特征点数量不足且图像配准精度不高。因此提出了一种优化算法（GM-Harris算法）,即采用群搜索优化算法（GSO算法）与互信息相结合的方式优化传统Harris算法的过程,并从匹配有效率与算法效率两方面对2种算法的特征点提取效果进行了定量分析。实验结果表明,与传统的Harris算法相比,GM-Harris算法不但可以获得较充足的特征点,而且还能提高图像配准的精度。     

基于双目视觉的移动机器人动态目标识别与定位

提出了一种双目移动机器人实时动态目标识别与定位方法。该算法首先采用SIFT(Scale Invariant Features Transforms)算法提取目标特征,并结合双目视差特征进行目标匹配;然后通过区域增长方法进行目标区域的提取;最后结合双目视觉标定的模型对目标进行定位。实验结果表明：该方法在摄像机运动目标运动情况下,能对局部特征未知或特征不明显的动态目标进行有效的识别与定位。     

三维肝脏CT图像中的血管分割

为了更好的了解血管生理形态,常需要从医学图像中分割出血管。采用传统的单阈值区域生长算法进行血管分割。如果选取的阈值太高可能导致血管末梢的丢失,而如果选取的阈值太低则可能会导致一些不属于血管的点被生长到血管区域中。因此,提出了一种基于Ordered Region Growing（ORG）算法的双阈值区域生长算法来克服这个缺点,实验证明这种算法能够获得较好的血管分割效果。     

各向异性PDE改进分水岭脑MRI图像分割算法

详细论述了各向异性扩散的PDE(偏微分方程)降噪算法原理,提出一种各向异性扩散的PDE降噪和分水岭算法相结合的脑MRI医学图像分割算法。采用各向异性扩散的PDE降低原始图像噪声,然后利用形态学算法对降噪后的图像进行形态学处理,通过形态学知识提取图像边界。利用图像的几何特征,去除非目标区域,再采用分水岭变换进行图像分割,并通过脑MRI图像验证了此方法的优势。实验结果进一步验证了其可行性。     

基于警报算法优化提升ICU警报效果的研究

目的 分析警报传统算法与优化算法在降低重症监护病房（Intensive Care Unit,ICU）警报的数量与提升报警质量方面的效果。方法 收集中南大学湘雅医院重症医学科2021年5月29日至9月2日的所有临床监护数据。传统算法通过单个参数的阈值进行计算,当监护仪收集的数据超出设定范围则会发出警报。优化算法包括多导心电分析、多参融合分析、智能阈值提醒和独创报警（报警延迟与报警不应期技术）策略。将原始监护数据分别以传统算法产生警报和算法优化后产生的警报数量进行对比,同时对比优化算法后不同床位以及不同时间段产生警报的数量。结果 优化算法后警报总数量为216337例,传统算法警报总数量为331550例,总体优化率为34.75%。优化算法后各床单元警报分布较传统算法更为均匀（P<0.05）。夜间时段报警优化率显著高于白天时段（36.62%±1.55%vs. 33.59%±2.07%,P<0.05）。结论 ICU警报数量巨大,优化警报算法后可以降低ICU警报数量,使各床单元警报分布更加均匀,且夜间警报优化率高于白天。     

基于CUDA的三维表面重建

在医学图像处理中,常常需要提取出等值面来进行三维重建。传统的Marching Cube（MC）算法在进行三维重建时十分耗时。不能实时响应处理。因此,提出一种基于cuda的MC算法来解决这个问题。相对于cpu上运行的MC算法,基T-cuda的MC算法运行效率明显提高,且不同阈值的表面可被实时提取出来。     

基于约束骨干粒子群算法的化工过程动态多目标优化

大多数化工过程是动态过程,需同时优化多个目标,从而带来复杂的约束多目标动态优化问题。因此提出了一种动态约束多目标骨干粒子群算法,即采用一种新型约束处理方法,结合Pareto支配和ε约束支配技术的双档集机制;针对约束优化问题寻优难度更大,更易陷入局部最优的特点,采用局部搜索和混合变异策略,并自适应调整搜索步长,提高算法的探索和开发能力;采用分段线性函数参数化方法,构建一种动态约束多目标粒优化算法,并将其用于解决间歇反应器的动态多目标优化问题。测试实验表明：与NSGA II和自适应差分进化算法(SADE εCD)比较,该算法具有更优秀的收敛性与分布性;应用到化工过程多目标动态优化问题实例进行比较表明,多目标骨干粒子群算法在约束多目标动态优化问题的求解中表现出更好的应用前景。     

数字化可视人体图像的目标提取

目的 探讨数字化可视人体图像的目标提取.方法 利用归一化阈值分割排除大部分背景,再结合边缘跟踪对目标边界附近保留的边缘特征进行识别、连接、去噪,构建一种准确、有效的目标提取算法.结果 基于边缘和阈值混合的分割技术有效地去除了数字化人体图像的背景.结论 通过与其他几种分割算法的比较,本计算法实际使用效果较好.     

X射线检测焊缝的图像处理与缺陷识别

根据射线检测焊缝图像的特点，设计了图像去噪、增强的算法；针对焊缝缺陷对比度差、光照不均、纹理较多等不利因素，在去除焊缝背景情况下，设计了动态划分焊缝区域算法，利用局域阈值法分割提取出对比度不均的缺陷；通过对焊缝缺陷特征分析，选取缺陷识别的特征参数；建立了用于焊缝缺陷识别的模糊神经网络模型。试验结果表明，图像预处理和缺陷提取是成功的，提出的识别算法能够提高介于模糊边界模式分类时的识别率，对焊缝缺陷识别的效果优于分类识别法。     

基于SIFT和RANSAC的特征图像匹配方法

针对目前普通图像匹配抗干扰能力不强的问题,将尺度不变特征变换（SIFT）和随机采样一致性（RANSAC）算法结合,提出了一种适应性强的图像匹配算法。首先对图像进行SIFT特征提取,利用最优节点优先搜索并计算最近邻特征向量与次最近邻向量间的欧式距离比来加速完成特征点对预匹配。在此基础上引入随机抽样一致性（RANSAC）算法去除不可靠的匹配对。最后根据匹配点对计算出图像间透射变换的参数。实验结果表明：该匹配算法具有尺度、旋转不变性以及一定的仿射不变性、抗干扰性,可以实现目标物体匹配。     

基于SIFT算法的图像特征点提取和匹配研究

目的:把SIFT算法应用在牙齿模型图像上,检测牙齿图像的特征点?方法:首先采用高斯差分算子DoG搜索整个图像的尺度和位置信息,从而确定具有代表性尺度?方向的特征点?基于其稳定性选择关键点,得到一个详细的模型以确定每个候选点的合适位置和范围?基于局部图像梯度方向信息将方向矢量和关键点对应起来?在选定范围内的每个关键点周边区域测量局部图像梯度,并采用KNN算法进行特征匹配?结果:通过大量的实验和与其他特征提取方法相比较,该方法能有效地检测牙齿模型图像的特征,并为牙齿模型三维重建提供有效的参数?结论:在口腔医学牙齿模型图像中应用SIFT算法,有助于牙齿模型的三维重建?     

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。     

测地线主动轮廓模型的改进及其医学应用

测地线主动轮廓模型（geodesic active contour）是医学图像分割方法中的最重要内容之一。传统的测地线主动轮廓模型通过高斯平滑的图像预处理使得图像边缘信息模糊甚至消失,以致初始曲线轮廓沿着目标边界逼近的演化过程不稳定,收敛速度慢,分割效果不好。提出基于贝叶斯收缩阈值的小波去噪方法的新测地线模型,由于该去噪方法能在去除噪声的同时,结合噪声与图像信号在频率上的分布特性,增强图像信号细节,从而使能初始轮廓曲线更精确的停止于图像边缘,收敛速度也得到一定程度的提高。     

基于自适应非线性拉伸的DR胸片图像处理

目的本文首先对目前的DR图像处理技术进行总结,并分析胸片图像的特殊性,针对目前图像处理算法对胸片图像处理的不足,提出了一种自适应非线性拉伸的DR胸片图像处理算法。方法该算法在对图像进行增强、均衡、去噪之后,根据图像的统计信息确定感兴趣区,然后利用非线性变换LUT表对图像进行变换。结果在实验部分对Hologic DR探测器产生的图像进行处理,胸片图像细节突出。结论结果表明应用本文算法进行处理后,胸片的感兴趣区对比度增加,细节信息更丰富,更有利于医生进行诊断。     

基于改进的GHSOM聚类算法的图像检索

传统的图像检索需要顺序比较图像库中的图像与请求图像的相似度,检索速度和检索准确度都很低。针对此问题,提出了一种基于改进的增长型分层自组织映射网络（GHSOM）的图像检索方法。先将图像特征库用改进的GHSOM算法进行聚类,在图像检索时先在GHSOM网络模型上找到相似的类,然后在相似的类上继续进行检索,大大提高了检索效率。并且在搜索相似的类时充分利用GHSOM网络的分层结构,更进一步地提高了检索效率。改进的GHSOM网络根据算法的特点构建了赤迟信息量（AIC）准则,用该准则来选择每个独立的SOM网络的生长参数,使得每个网络都能正确地表达映射到它的数据集的结构,提高GHSOM网络的聚类效果,从而提高检索的准确性。实验结果表明,改进的GHSOM算法得到了更好的聚类效果,基于它的图像检索方法提高了将近3倍的图像匹配速度,同时图像检索准确率也得到了一定程度的提高。     

Enhanced Cancer Recognition System Based on Random Forests Feature Elimination Algorithm

Accurate classifiers are vital to design precise computer aided diagnosis (CADx) systems. Classification performances of machine learning algorithms are sensitive to the characteristics of data. In this aspect, determining the relevant and discriminative features is a key step to improve performance of CADx. There are various feature extraction methods in the literature. However, there is no universal variable selection algorithm that performs well in every data analysis scheme. Random Forests (RF), an ensemble of trees, is used in classification studies successfully. The success of RF algorithm makes it eligible to be used as kernel of a wrapper feature subset evaluator. We used best first search RF wrapper algorithm to select optimal features of four medical datasets: colon cancer, leukemia cancer, breast cancer and lung cancer. We compared accuracies of 15 widely used classifiers trained with all features versus to extracted features of each dataset. The experimental results demonstrated the efficiency of proposed feature extraction strategy with the increase in most of the classification accuracies of the algorithms.     

球结膜图像边缘检测研究

目的为了洲最球结膜微循环的指标,研究适宜的球结膜图像边缘检测方法,以提取血管边缘特征。方法采集球结膜图像,用VC＋＋编程实现各种方法（如：Canny、Susan、M—H算子）对球结膜图像边缘检测,并对比边缘图像。结果对于球结膜图像,M—H算子边缘检测性能优越,提取的边缘比较完整、位置准确,能够检测出图像较细的边缘部分,噪声抑制效果较好。结论M—H算子是比较适合球结膜图像特点的边缘检测方法。