改进的基于遗传算法稀疏分解的脑CT图像压缩

目的提出一种新型的稀疏分解算法,对脑部CT图像进行压缩。方法本文采用改进的遗传算法（genetic algrithm,GA）与匹配追踪（matching pursuit,MP）算法相结合以实现稀疏分解,对脑部cT图像进行压缩以节约存储空间。针对原有遗传算法计算时间长、匹配率低的不足,本方法优化了迭代次数的选择、竞争、变异等操作。结果利用该算法对脑部CT图像分块压缩,使运算速度、压缩比和信噪比均得到提高。结论通过分析与实验验证,改进的方法压缩比例更大,失真更小,运行时间更短,为脑部CT图像的压缩提供了一种新方法。     

基于稀疏分解的心电信号压缩算法

动态心电的广泛应用导致海量心电数据的产生,为了传输和存储的高效实现,必须对其进行压缩.本文在详细分析心电信号的可压缩特性基础上,将稀疏分解这一目前数据压缩算法领域较为前沿的方法引入到心电信号压缩算法中,提出了一种基于稀疏过完备库分解的心电数据压缩算法,该算法能够在较低的数据失真度情况下得到较好的数据压缩效果.同时,通过将本算法的实验数据同相关文献中提到的方法进行对比,其结果验证了本文算法的有效性.     

基于小波与小波包分析的CT图像去噪研究

目的:小波与小波包分析在医学CT图像噪声抑制方面的应用价值研究。方法:采用MATLAB6.5对512×512的CT图像进行实验。提出了小波局部阈值软硬函数折中消噪方法。并将此方法与小波强制消噪、全局阈值硬函数消噪、全局阈值软函数消噪、及小波包消噪的方法进行了对比。结果:从实验中可以得出小波包消噪效果最好,能够有效的滤除图像中的噪声且边缘效果保持良好,本文提出的小波局部阈值软硬函数折中消噪法也能能够有效的滤除图像中的噪声,效果较小波强制消噪、全局阈值硬函数消噪、全局阈值软函数消噪要好,但是边缘效果及噪声滤除的程度都不及小波包。结论:实验结果表明本文提出的小波局部阈值软硬函数折中消噪方法在小波消噪方面具有一定的价值。     

基于稀疏分解法的单次诱发电位提取

迭代加权稀疏分解法是按照白噪声在小波的多分辨结构中的二尺度关系来确定求最小l1模优化问题时的加权系数,并通过一个迭代过程来逐步消除强噪声的影响。通过对视觉诱发电位的单次提取的研究说明了这种方法具有良好的单次提取效果,其实验结果支持单次提取的视觉诱发电位是不相同的观点。     

联合稀疏表示的医学图像融合及同步去噪

将多模态医学图像的互补信息有机地融合在一起,可为临床诊断和辅助治疗提供丰富信息和有效帮助。基于联合稀疏模型,提出一种联合稀疏表示的医学图像融合算法,当图像被噪声污染时,该算法在融合的同时兼有去噪功能。首先,将配准的源图像编纂成列向量并组成联合矩阵,通过在线字典学习算法(ODL)得到该矩阵的超完备字典;其次,利用该字典得到联合稀疏模型下的联合字典,之后利用最小角回归算法(LARS)计算基于联合字典的公共稀疏系数和各图像的独特稀疏系数,并根据“选择最大化”融合规则得到融合图像的稀疏系数;最后,根据融合系数和超完备字典重构融合图像。将该算法与3种经典算法比较,结果显示其主观上亮度失真和对比度失真较小,边缘纹理清晰,客观参数指标MI、Q^AB/F在无噪声干扰和有噪声干扰时的统计均值分别为：3.992 3、2.896 4、2.505 5和0.658、0.552 4、0.439 6,可以为临床诊断和辅助治疗提供有效帮助。     

基于微机的医学图像三维重建

本文对由二维断层图像序列重建人体器官三维结构在微机上的实现进行了研究，先将目标物体从断层图像中分割出来，然后运用基于形状的目标插值形成二值化体数据，避免了线性灰度插值造成的物体表面边界模糊，并且缩短了预处理时间，采用一种改进的扫描线编码方法对体数据进行压缩，在微机有限的内存资源上实现了物体快速旋转和多种方式显示。     

基于稀疏分解的心电数据压缩算法

稀疏分解是近年发展起来的新的信号处理方法,其优势在于分解所用的基（字典）是超完备的,能更真切地反映信号本质,因此能得到信号的稀疏表示,对数据压缩非常有利。利用稀疏分解的这一优势,进行了心电数据压缩的探索研究。通过对MIT-BIH心电数据库中数据的训练学习,构造出的心电数据字典中的原子能反映出心电信号的时频域特点,能用较少的原子重构心电信号。该心电数据压缩算法能够按照实际的要求调整压缩比,且失真较小（压缩比达到20：1时,均方误差只有5.11%）。实验表明,该算法用于心电数据压缩是切实可行的。     

基于预扫描正则化与稀疏约束重建的低剂量CT灌注成像

CT灌注成像中患者会受到长时间的X线照射,在灌注前预先扫描一幅正常剂量图像,在后续灌注过程中进行低剂量采集,将所获低剂量图像与参考图像做减影并进行滤波处理以获得灌注信息,然后叠加到正常剂量图像中,可以非常显著地降低CT灌注成像中辐射剂量,然而,当剂量非常低的时候,重建图像会受到噪声与伪影干扰。本文基于类似的预扫描正则化数据采集方案,分别进行正常剂量和低剂量预扫描,然后利用相同的低剂量进行后续灌注过程的扫描,将所采集低剂量数据与预扫描的低剂量数据在投影域作差,然后在重建中引入稀疏性约束,以获得更准确的灌注信息重建,重建后的灌注信息最后同样叠加到正常剂量图像中。本文采用一套人脑CT灌注图像进行模拟实验,结果表明在同样剂量下,本文所提新方法重建结果所包含的灌注信息更准确,时间衰减曲线与正常剂量情况的吻合度更高,而且平均过渡时间可重复性好。     

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。     

多层螺旋CT研究进展

本综述了多层螺旋CT的近期研究进展。对CT扫描结构、锥形束重建算法、螺旋CT重建算法、检测器排列等方面进行了评述，对各种方法的扫描时间、扫描覆盖范围、空间分辨率进行了比较和评价，并展望了多层螺旋CT今后的发展方向。     

A new method of content based medical image retrieval and its applications to CT imaging sign retrieval

This paper proposes a new method of content based medical image retrieval through considering fused, context-sensitive similarity. Firstly, we fuse the semantic and visual similarities between the query image and each image in the database as their pairwise similarities. Then, we construct a weighted graph whose nodes represent the images and edges measure their pairwise similarities. By using the shortest path algorithm over the weighted graph, we obtain a new similarity measure, context-sensitive similarity measure, between the query image and each database image to complete the retrieval process. Actually, we use the fused pairwise similarity to narrow down the semantic gap for obtaining a more accurate pairwise similarity measure, and spread it on the intrinsic data manifold to achieve the context-sensitive similarity for a better retrieval performance. The proposed method has been evaluated on the retrieval of the Common CT Imaging Signs of Lung Diseases (CISLs) and achieved not only better retrieval results but also the satisfactory computation efficiency.     

基于卷积神经网络和图像显著性的心脏CT图像分割

目的心脏医学影像中,感兴趣部分的提取与分割是诊断心脏病变部位的关键。由于心脏舒张、收缩以及血液的流动,心脏CT图像易出现弱边界、伪影,传统分割算法易产生过度分割的情况。为此,提出一种基于卷积神经网络和图像显著性的心脏CT图像分割方法。方法采用卷积神经网络对目标区域进行定位,滤除肋骨、肌肉等造影对比不明显部分,截取出感兴趣区域,结合感兴趣区域的对比度计算并提高感兴趣区域的心脏组织的显著值。通过获得的显著值图像截取心脏图像,并与区域生长算法的分割结果进行对比。最后使用泰州人民医院11例患者的影像数据对算法模型进行训练和测试,随机选择9例用于训练,剩余2例用于测试。结果所提算法模型在心底、心中、心尖3个心脏分段的分割正确率分别达到了92.79%、92.79%、94.11%,均优于基于区域生长的分割方法。结论基于卷积神经网络和图像显著性的分割方法能够准确获取心脏的外围轮廓,轮廓边缘更加平滑,完全能够满足CT图像序列的心脏全自动分割任务需求,分割后的图像更有利于医生对患者心脏健康状况和病变部位的观察。     

Analysis of security problems in a medical image encryption system

Recently, a new system for the secure transmission and efficient storage of medical images interleaved with patient information has been proposed in 2003 by Rajendra Acharya et al. In this paper, we analyse the security of this system, showing how to improve it to obtain a truly secure system.     

Sparse angular CT reconstruction using non-local means based iterative-correction POCS

In divergent-beam computed tomography (CT), sparse angular sampling frequently leads to conspicuous streak artifacts. In this paper, we propose a novel non-local means (NL-means) based iterative-correction projection onto convex sets (POCS) algorithm, named as NLMIC-POCS, for effective and robust sparse angular CT reconstruction. The motivation for using NLMIC-POCS is that NL-means filtered image can produce an acceptable priori solution for sequential POCS iterative reconstruction. The NLMIC-POCS algorithm has been tested on simulated and real phantom data. The experimental results show that the presented NLMIC-POCS algorithm can significantly improve the image quality of the sparse angular CT reconstruction in suppressing streak artifacts and preserving the edges of the image.     

基于生成对抗网络的无监督动态对比增强磁共振分解方法

为排除动态对比增强磁共振(DCE-MRI)中造影剂对图像定量分析的影响,可以使用图像分解的方法,将图像中造影剂造成的灰度变化分解出去,并保持其他内容不变。本文提出一种基于生成对抗网络的无监督图像分解方法,以实现对DCEMRI中造影剂造成的灰度变化的分解。该方法假设增强图像由增强成分和解剖成分组成,基于对各成分复杂度的先验设计生成器,通过双路生成网络,同时但独立地提取解剖成分和增强成分的信息。同时,引入图像重构损失作为反馈信号来约束生成。在MNIST数据集上基于MSE、SSIM、PSNR与现有的方法进行对比,验证了该方法的有效性。并在临床的肝部DCEMRI数据进行了实验。实验表明该方法可以在没有成对训练数据的情况下有效实现DCE-MRI图像分解。     

Homogeneity- and density distance-driven active contours for medical image segmentation

In this paper, we present a novel active contour (AC) model for medical image segmentation that is based on a convex combination of two energy functionals to both minimize the inhomogeneity within an object and maximize the distance between the object and the background. This combination is necessary because objects in medical images, e.g., bones, are usually highly inhomogeneous while distinct organs should generate distinct image configurations. Compared with the conventional Chan–Vese AC, the proposed model yields similar performance in a set of CT images but performs better in an MRI data set, which is generally in lower contrast.     

Construction and evaluation of an average CT brain image for inter-subject registration

An average CT brain image is constructed to serve as reference frame for inter-subject registration. A set of 96 clinical CT images is used. Registration includes translation, rotation, and anisotropic scaling. A temporary average based on a subset of 32 images is constructed. This image is used as reference for the iterative construction of the average CT image. This approach is computationally efficient and results in a consistent registration of the 96 images. Registration of new images to the average CT is more consistent than registration to a single CT image. The use of the average CT image is illustrated.     

基于改进C-V模型的肿瘤CT图像分割

针对传统C-V模型演化速度慢和不能很好分割灰度不均匀图像的缺点,从两个方面进行了改进。首先采用一个新颖的基于局部梯度的模型,使C-V模型初始轮廓曲线快速移到目标边界附近,大大缩短了演化时间;其次,结合GVF模型从两个方向指向目标边界的特点,为C-V模型的速度方程添加一个自适应速度调节项,使模型收敛于真实边界。通过肝脏肿瘤CT图像的分割,验证该方法是有效的。     

基于CT影像的人体踝关节三维重建

以踝关节的生理解剖结构为理论依据,利用踝关节的CT图像作为二维数据源,通过医学图像处理软件Mimics建立踝关节的三维模型,然后使用3-matic对三维模型的网格进行优化,最后对优化前后的模型进行对比分析。结果发现经过优化后的踝关节三维模型在结构上与人体真实的踝关节结构并无明显的差异,精确程度满足要求,对于患者病情的分析及治疗方案的确立具有重要的指导意义。