摘要 — 神经系统疾病是指因结构、生化或电异常而影响大脑、全身神经和脊髓的疾病。由于神经系统复杂,这些疾病的诊断、管理和治疗被认为是医疗保健系统中最具挑战性的。然而,现代技术已经减轻了与神经系统诊断相关的挑战的强度。由于神经系统的结构、生物化学和电活动的变化,这些疾病会引起各种症状。MRI 是评估脑血管损伤和排除神经系统疾病其他潜在原因的常用工具。MRI 技术的进步扩展了我们对神经生物学变化的理解,提供了新的神经成像工具。整合这些技术使医生能够准确诊断神经系统疾病,同时排除其他医疗状况。
典型的图像处理任务是识别两个相邻区域之间边界(强度变化)。从经典上讲,边缘检测方法依赖于不同类型的滤膜对图像梯度的计算。因此,所有经典算法都需要至少O(2 n)的计算复杂性,因为每个像素都需要处理(Yao,Wang,Liao,Chen和Suter,2017)。已经提出了一种量子算法,该算法应该与现有边缘提取算法相比提供指数加速(Zhang,lu和gao。2015)。但是,该算法包括一个复制操作和一个量子黑框,用于同时计算所有像素的梯度。对于这两个步骤,目前都没有有效的实现。提出了一种高效的量子算法,称为量子Hadamard Edge检测,以找到边界(Yao,Wang,
计算机视觉的抽象工业应用有时需要检测数字图像中小组像素的非典型物体。这些对象很难单一单,因为它们很小并且随机分布。在这项工作中,我们使用新型基于ANT系统的聚类算法(ASCA)提出了一种图像分割方法。ASCA对蚂蚁的觅食行为进行建模,蚂蚁的觅食行为在搜索高数据密度区域的数据空间中移动,并在其路径上留下信息素跟踪。信息素图用于识别簇的确切数量,并使用信息素gra-denient将像素分配给这些簇。我们将ASCA应用于数字乳房X线照片中的微钙化,并将其与最先进的聚类算法进行比较,例如1D自组织图,k -meanss,模糊C-Meanss和可能的模糊模糊C-Meanss。ASCA的主要优点是,群集的数量不需要先验。实验结果表明,在检测非典型数据的小簇时,ASCA比其他算法更有效。
脑肿瘤磁共振图像处理算法可以帮助医生对患者病情进行诊断和治疗,在临床医学中有着重要的应用意义。针对传统U-net网络中多模态脑肿瘤图像分割中类别不平衡以及特征融合导致有效信息特征丢失的问题,本文提出一种基于U-net与DenseNet结合的网络模型。将原网络上编码路径和解码路径的标准卷积块改进为dense块,增强特征的传递;采用二元交叉熵损失函数与Tversky系数组成的混合损失函数取代原来的单一交叉熵损失,抑制了不相关特征对分割精度的影响。与U-Net、U-Net++、PA-Net相比,本文算法的分割精度有明显提升,在WT、TC、ET的Dice系数指标上分别达到0.846、0.861、0.782。 PPV系数指标分别达到了0.849、0.883、0.786;与传统U-net网络相比,所提算法的Dice系数指标分别提高了0.8%、4.0%、1.4%,且在肿瘤核心区域和肿瘤增强区域的PPV系数指标分别提高了3%、1.2%;所提算法在肿瘤核心区域分割性能最优,其Sensitivity指标达到了0.924,具有很好的研究意义和应用价值。
○在SoftMax中,添加一个新的数据点使SoftMax的分母散布,这会影响所有概率。○通过添加数据点,SoftMax损耗可能会更改,因为新数据点的正确类的日志概率可能与现有数据点的正确类的日志概率不同。
摘要 脑肿瘤是脑内异常组织的集合。当脑在颅骨区域内生长时,脑的正常功能可能会受到影响。脑肿瘤对于预防和治疗脑肿瘤对于改善治疗方案和患者生存率至关重要。使用手动方法对大量磁共振成像 (MRI) 图像进行癌症诊断是最复杂和最耗时的任务。脑肿瘤分割必须自动进行。本文提出了一种脑肿瘤分割策略。为此,基于区域和边缘对图像进行分割。本研究使用脑肿瘤分割 2020 (BraTS2020) 数据集。对使用基于边缘和基于区域的方法与带有 ResNet50 编码器架构的 U-Net 进行图像分割进行了比较分析。基于边缘的分割模型在所有性能指标上的表现都优于基于区域的分割模型,并且基于边缘的模型实现了 0.008768 的 Dice 损失分数、0.7542 的 IoU 分数、0.9870 的 f 1 分数、0.9935 的准确度、0.9852 的精确度、0.9888 的召回率和 0.9951 的特异性。关键词:脑肿瘤、卷积神经网络 (CNN)、边缘分割、区域分割、U-Net。
摘要 - 利用计算机技术建立有效的解决方案来提高创伤性脑损伤 (TBI) 诊断的速度和效率是一项挑战。相关文献中提出了几种涉及不同精度和一定程度工作量的分割方法,并对其进行了详细描述。脑图像分割是重要的临床诊断工具之一。本文提出了一种改进的 (MDRLSE) 算法,用于计算机断层扫描 (CT) 图像上的出血分割。利用消除模糊边缘的图像噪声来描绘出血区域的精确边界。所提出的分割技术实现了 97.16% 的准确率。该技术使用基于边缘的轮廓模型进行图像分割,提供简单的窄带以显着降低计算成本。性能结果表明,它对于具有各种特征的脑图像中的 TBI 图像分割是有效的。