一种基于脉冲耦合神经网络的脉冲噪声滤波器设计

根据脉冲噪声与其邻域中图像灰度之间的明显差异性 ,本文提出了一种新的神经网络脉冲噪声滤波器设计方案。这种脉冲耦合神经网络PCNN滤波器比现有的PCNN逐次降噪方案迭代运算次数少 ,执行速度快。并与中值滤波器、全方位结构元约束层叠滤波器、全方位结构元形态闭 开最小、开 闭最大滤波器等现有的非线性滤波器进行实验比较 ,证明 ,该方案有更好的降噪性能 ,更重要的是比这些方案更有效地保持了图像的高频细节信息。     

脉冲耦合神经网络的并行加速优化算法研究

并行编程技术可以有效提高算法的执行效率。文中分别利用CPU的单指令多数据流扩展指令集(Streaming SIMD Extensions,SSE)技术和多核并行编程技术,对脉冲耦合神经网络(Pulse Coupled Neural Network,PCNN)分割算法进行并行编程优化,以减少算法的运行时间。实验结果表明,SSE技术以及多核并行编程技术大大加快了PCNN分割算法的运行速度,有效提高了算法的执行效率,在一定程度上解决了该方法计算量大、耗时多的问题,具有应用于医学图像处理的潜在价值。     

基于信息量的脉冲耦合神经网络改进分割算法

目的解决区域生长简化脉冲耦合神经网络（PCNN）算法中由于阈值参数选取不当导致的分割不足与过分割问题。方法在区域生长简化PCNN算法中引入熵来刻画图像的信息量。结果避免了对阈值参数选取。结论基于信息量的PCNN改进算法在分割精度、算法的稳定性等方面均优于简化区域生长PCNN算法。     

海马CA3区神经元集群放电的脉冲耦合神经网络仿真研究

目的 采用脉冲耦合神经网络(pulse coupled neural network,PCNN)对海马CA3区神经元集群放电进行仿真研究.方法 PCNN模型由120个神经元组成,兴奋性神经元与抑制性神经元个数之比为5∶1.神经元间的连接权重为高斯分布.结果 PCNN仿真模型输出结果表明,在周期信号、Gaussian随机信号及两类信号的线性叠加三类输入模式下,PCNN仿真网络的输出平均发放率均小于10%;神经元之间的稀疏连接可以通过调节权重实现.结论 ①在三类不同输入模式下,PCNN仿真网络的输出平均发放率均小于10%,满足海马CA3区神经元稀疏编码的特点.②在不同刺激下,模型中神经元的平均放电频率为6.02±1.55 Hz,其频率范围为3.6-8.6 Hz,与海马区神经元放电的特征频率(θ节律)一致.③在PCNN仿真模型中,神经元之间的连接可通过调节权重矩阵实现,满足海马CA3区神经元稀疏连接的特点.④针对不同的输出模式,PCNN仿真网络可输出网络中每个神经元在不同时刻放电的时间序列.PCNN仿真模型可以反映海马CA3区神经元集群的放电特性,其仿真结果可以作为研究海马区神经元集群编码的仿真数据.     

结合遗传算法的脉冲耦合神经网络在新生儿缺氧缺血性脑病磁共振图像中的应用研究

为收集新生儿缺氧缺血性脑病(HIE)核磁共振图像特征数据,采用基于遗传算法(GA)结合脉冲耦合神经网络(PCNN)的方法,对新生儿HIE磁共振图像进行分割实验和病灶特征提取。结果显示:基于GA的PCNN分割不仅有较好的分割结果,且优于具有固定参数PCNN的分割,可为HIE早期诊断系统建立提供依据,为进一步诊断及研究提供有效的帮助。     

基于稀疏表示和脉冲耦合神经网络的医学影像融合算法

为满足医学图像辅助诊断的需要,提出一种基于稀疏表示和脉冲耦合神经网络（PCNN）的CT和MR影像融合算法。首先,原始图像通过滑动窗方法构成联合矩阵,通过K-SVD算法得到该联合矩阵的冗余字典,采用正交匹配追踪算法得到该联合矩阵的稀疏系数;然后,根据稀疏系数的特点,采用脉冲耦合神经网络来融合稀疏系数;最后,由融合后的稀疏系数和冗余字典得到融合矩阵,反变换得到融合图像。实验图像为10组配准的脑部CT和MR图像,采用5种性能指标来评价融合图像的质量,同2种流行的医学影像融合算法进行比较,结果显示算法除Q^AB/F指数外,其他4项指标均为最优,Piella指数、Q^AB/F指数和BSSIM指数的均值分别为0.760 4、0.877 1和0.537 3,融合图像的纹理和边缘清晰,对比度高。主观和客观分析显示,算法的融合性能比较优越。     

基于对抗训练的U-Net神经网络在稀疏投影CT图像增强的应用

目的:针对稀疏投影的CT重建图像附带噪声和伪影的特性,使用神经网络模型对稀疏投影得到的低质量CT重建 图像进行图像增强。方法:在残差编码-解码卷积神经网络基础上提出一种基于对抗训练的U-Net神经网络模型,并使用 公开数据集TCGA-CESC癌症CT影像进行模型训练和测试。评价模型处理效果的指标包括峰值信噪比（PSNR）、结构相 似性（SSIM）和均方根误差（RMSE）。结果:在对180 次探测的CT重建图像的测试中,模型处理后的图像相比未处理图 像,PSNR、SSIM和RMSE指标平均值分别提升15.10%、37.89%和38.20%。在PSNR和SSIM指标平均值意义下,模型处 理后的图像优于1 800次探测的未处理CT重建图像。结论:本研究提出的神经网络模型能够减少伪影和噪点,对稀疏投 影CT图像增强有一定效果。     

基于在线字典学习和脉冲耦合神经网络的脑图像融合

医学图像融合是医学影像和放射医学等领域的研究热点之一,广受医学界和工程界重视。提出一种基于在线字典学习(ODL)和脉冲耦合神经网络(PCNN)的脑部CT和MR图像融合新算法。首先,利用滑动窗技术将源图像分块,使用ODL算法和最小角回归算法(LARS)得到各图像块对应列向量的稀疏编码;其次,将稀疏编码作为脉冲耦合神经网络的外部输入刺激信号进行迭代处理,根据点火次数确定融合系数;最后,根据融合系数和学习字典重构融合图像。基于哈佛医学院的10组脑部CT和MR数据,将所提出算法同基于KSVD的融合算法、基于ODL的融合算法、基于NSCT的融合算法比较。实验结果显示：综合考虑主观视觉效果和客观评价指标,该算法性能整体优于其他算法,客观参数指标BSSIM、MI、Piella、SF、STD、Q^AB/F的均值分别为0.751 2、3.769 6、0.697 1、29.526 7、90.090 6、0.570 7,可以提供丰富的信息来辅助医生分析病变体,提高临床医疗诊断的准确性和治疗规划的科学性。     

噪声促进神经处理信息的研究

具有非线性阈值行为的神经系统常常工作在有大背景噪声的环境中，尽管如此，神经系统仍能高效地感知、分辨和处理信息。近10多年来，为探明神经系统在噪声环境中如何处理信息的机理，国内外研究人员做了大量的工作，本着重回顾和总结了在与感觉知觉相关的神经系统中存在的随机共振现象，以及应用此种神经处理信息的方式来改善系统的功能方面所做的研究。中还介绍了用于研究感受系统而采用的心理物理学方法的基本原理以及根据此原理得出的一些实际应用例子。这些工作为开发和应用新技术来弥补或增强人的感觉功能提供了依据。     

电磁刺激下小世界神经网络中的反随机共振

电磁刺激是一种重要的神经调控技术,它通过调节神经元电活动,影响皮层兴奋性,达到调控神经系统的目的。反随机共振现象是生物神经系统对外界信号的一种响应机制,在神经系统信号处理中发挥着重要作用。本文构建了电突触连接的小世界神经网络,通过对神经网络动力学特征进行分析,研究了电磁刺激下小世界神经网络的反随机共振行为。结果表明：电磁刺激下Levy通道噪声能引起小世界神经网络反随机共振现象的发生,噪声的特征指数和位置参数对神经网络反随机共振现象的强度和持续时间有明显影响;小世界网络随机加边概率和最近邻节点个数越大,越有利于反随机共振;通过调节电磁刺激参数可以实现对神经网络反随机共振的双重调控。本文研究结果为探究电磁神经刺激技术的调控机制及神经系统的信号处理机制提供了一定的理论支撑。     

结合二维灰度直方图与PCNN的医学图像多类分割

针对医学图像中对组织器官多类分割的要求,提出一种结合二维灰度直方图的脉冲耦合神经网络（pulse coupled neural networks,PCNN）图像多类分割算法.首先根据PCNN模型的局部连接作用和阈值衰减特性对图像进行多类分割,然后利用基于类内最小离散度的二维直方图算法计算出PCNN网络迭代时的最佳门限值,从而实现医学图像的多类分割.通过对仿真的正常颅脑和非正常的颅脑核磁共振图像进行测试,结果显示本PCNN图像多类分割算法能够有效地分割出核磁共振颅脑图像中不同脑组织.因此,本文算法具有应用于医学图像的多类分割的可行性,并提高计算机辅助分割医学图像的准确性.     

数字图像增强中灰度变换方法在乳腺X线片中的应用

图像增强技术作为一种基本的图像处理技术,其目的是对原始图像进行加工,得到视觉效果更好更有用的图像.乳腺X线片是当今早期诊断乳腺癌的有效手段,但由于人体肉眼分辨能力有限以及人为疏忽等原因,其中有很大一部分诊断信息没有被人们所利用,因此对乳腺X线片进行增强处理很重要.本文在讨论包括线性变换、非线性变换和直方图均衡化三种用于图像增强灰度变换方法基础上,利用MATLAB编程实现相关算法,将其用于乳腺X线片的处理.结果表明,以上三种灰度变换方法均提高了图像的对比度,改善了图像的显示效果.上述三种灰度变换方法应用于临床,均将有利于医生进行微钙化点检测和疾病诊断.     

Accelerated Diffusion-Weighted MR Image Reconstruction Using Deep Neural Networks

Journal of Digital Imaging - Under-sampling in diffusion-weighted imaging (DWI) decreases the scan time that helps to reduce off-resonance effects, geometric distortions, and susceptibility...     

Classification of Tumor Epithelium and Stroma by Exploiting Image Features Learned by Deep Convolutional Neural Networks

The tumor–stroma ratio (TSR) reflected on hematoxylin and eosin (H&E)-stained histological images is a potential prognostic factor for survival. Automatic image processing techniques that allow for high-throughput and precise discrimination of tumor epithelium and stroma are required to elevate the prognostic significance of the TSR. As a variant of deep learning techniques, transfer learning leverages nature-images features learned by deep convolutional neural networks (CNNs) to relieve the requirement of deep CNNs for immense sample size when handling biomedical classification problems. Herein we studied different transfer learning strategies for accurately distinguishing epithelial and stromal regions of H&E-stained histological images acquired from either breast or ovarian cancer tissue. We compared the performance of important deep CNNs as either a feature extractor or as an architecture for fine-tuning with target images. Moreover, we addressed the current contradictory issue about whether the higher-level features would generalize worse than lower-level ones because they are more specific to the source-image domain. Under our experimental setting, the transfer learning approach achieved an accuracy of 90.2 (vs. 91.1 for fine tuning) with GoogLeNet, suggesting the feasibility of using it in assisting pathology-based binary classification problems. Our results also show that the superiority of the lower-level or the higher-level features over the other ones was determined by the architecture of deep CNNs.     

Contrast Enhancement of RGB Retinal Fundus Images for Improved Segmentation of Blood Vessels Using Convolutional Neural Networks

Journal of Digital Imaging - Retinal fundus images are non-invasively acquired and faced with low contrast, noise, and uneven illumination. The low-contrast problem makes objects in the retinal...     

Malignancy Detection on Mammography Using Dual Deep Convolutional Neural Networks and Genetically Discovered False Color Input Enhancement

Breast cancer is the most prevalent malignancy in the US and the third highest cause of cancer-related mortality worldwide. Regular mammography screening has been attributed with doubling the rate of early cancer detection over the past three decades, yet estimates of mammographic accuracy in the hands of experienced radiologists remain suboptimal with sensitivity ranging from 62 to 87% and specificity from 75 to 91%. Advances in machine learning (ML) in recent years have demonstrated capabilities of image analysis which often surpass those of human observers. Here we present two novel techniques to address inherent challenges in the application of ML to the domain of mammography. We describe the use of genetic search of image enhancement methods, leading us to the use of a novel form of false color enhancement through contrast limited adaptive histogram equalization (CLAHE), as a method to optimize mammographic feature representation. We also utilize dual deep convolutional neural networks at different scales, for classification of full mammogram images and derivative patches combined with a random forest gating network as a novel architectural solution capable of discerning malignancy with a specificity of 0.91 and a specificity of 0.80. To our knowledge, this represents the first automatic stand-alone mammography malignancy detection algorithm with sensitivity and specificity performance similar to that of expert radiologists.