【摘 要】
：
医学图像配准是医学影像处理中的重要环节,其通过构建不同图像在对应组织结构上的空间一致性,在精准医疗等临床应用中有着重要地位。由于传统配准方法已无法适应日趋复杂的图像数据以及更高效的诊疗速度要求,基于深度学习的医学图像配准方法应运而生。但这类方法预测的变形场往往具有折叠、体素漂移、非光滑等问题,且可训练参数随着网络复杂度呈指数增长。鉴于偏微分方程（Partial Differential Equat
论文部分内容阅读
医学图像配准是医学影像处理中的重要环节,其通过构建不同图像在对应组织结构上的空间一致性,在精准医疗等临床应用中有着重要地位。由于传统配准方法已无法适应日趋复杂的图像数据以及更高效的诊疗速度要求,基于深度学习的医学图像配准方法应运而生。但这类方法预测的变形场往往具有折叠、体素漂移、非光滑等问题,且可训练参数随着网络复杂度呈指数增长。鉴于偏微分方程（Partial Differential Equation,PDE）对复杂系统良好的刻画能力及其相对于传统深度网络来说参数更少的优势,我们将其引入医学图像配准任务中,采用PDE来刻画变形场。但目前基于数据驱动的PDE学习方法依赖于时间序列数据,且对一个时序数据中时刻的数量要求较高,在图像配准等图像处理领域中实用性不高。鉴于此,本文首先解决少样本条件下的PDE学习问题,其次尝试将其应用于图像配准任务,主要工作如下:（1）针对少样本条件下PDE学习问题,设计了基于对抗学习的偏微分方程学习网络（Partial Differential Equation Generative Adversarial Network,PDEGAN）。该方法基于对抗学习进行网络的构建与损失的设计,最大程度地利用了观测数据的时空信息,能够仅在两个时刻数据量即少样本条件下有效学得两个样本分布之间的隐藏关联;并引入符号网络作为生成器,增强本方法对于复杂非线性PDE的表征能力,且能够显式地从中提取出响应函数的形式及其具体系数。实验证明本方法在少样本条件下,不仅能够灵活且高精度地学得目标PDE,且有效降低了网络复杂度,提升了训练效率。（2）针对目前基于深度学习的无监督医学图像配准方法网络复杂度过高且变形场缺乏有效约束的问题,将PDEGAN应用于医学图像配准领域。同时,受微分同胚正则化方法启发,提出了一种偏微分循环对抗生成网络（Partial differential Cycle Generative Adversarial Network,PCGAN）,构建了以结果为标准的逆一致性配准网络。通过采用两个生成器与判别器的网络结构以及逆一致性损失函数设计,实现了图像之间的双向变换,更好地保持图像变形前后的拓扑结构,减少生成图像中空洞或堆叠的情况。综上,本文首先基于PDE学习网络基础,提出了PDEGAN,解决了该类方法对数据集以及训练方法依赖严重的问题,并获得了高精度结果;其次,基于PDEGAN提出了PCGAN,该方法降低深度网络复杂度同时提高了医学图像配准的准确率,对不同数据具备良好的泛化性能。本文为PDE学习网络的具体应用提供了新的思路,提高了该类方法的实用价值。
其他文献
随着遥感技术的飞速发展,目前可获得的遥感数据越来越丰富,针对遥感数据的场景理解也越发引起关注。语义分割任务作为遥感数据场景理解中的重要任务,有着极其广泛的应用。虽然基于深度学习的方法已在遥感图像分割领域取得了优异的效果,但还存在资源消耗大、边缘分割困难、上下文处理方法仍需优化等问题。针对这些问题,本文结合多任务学习、注意力机制及类别上下文增强思想对遥感图像语义分割展开研究。本文主要研究内容如下:1
在中国,肝癌的发病率和死亡率常年居于高位。目前肝癌患者在治疗过程中通常通过多时相CT扫描来确定自身肝肿瘤的情况。利用计算机实现CT图像中肝肿瘤的自动分割不仅节省了手动标注需要的人力物力,还降低了人为标注过程中因主观因素造成的误标漏标风险。多时相CT扫描包括按时间顺序获得的动脉期图像、门静脉期图像和延迟期图像三期图像。其中动脉期和门静脉期图像的成像时间相近,图像中各器官组织结构相似,延迟期图像中各器
随着计算机运算能力的提升和深度学习技术的迅速发展,基于深度学习的行人重识别方法相较于传统行人重识别方法在识别精度上有了很大的提升。然而,基于深度学习的行人重识别方法通常采用深度卷积网络作为行人特征提取骨干网络,利用高维特征表示行人,这引入了大量的参数量和计算量。本文主要研究内容是设计轻量的行人特征提取骨干网络、轻量的行人特征对齐模块和高效的散列层,可以快速且准确地进行行人重识别。具体工作内容如下:
随着无线通信技术的飞速发展,微波滤波器作为无线通信系统中不可或缺的重要器件,其生产需求日益增加,其物理结构趋于复杂化和多样化以满足日益严苛的性能要求。从微波滤波器指标确定到成功完成生产是一个相当复杂的过程,其中调试是所有生产环节中所占时间比重最大的环节,调试成本在滤波器生产成本中占有重要地位。随着生产规模的逐渐扩大和微波滤波器结构的不断创新,单纯依靠经验的人工调试带来的时间成本和人力成本都逐渐变得
高光谱图像（Hyperspectral Image,HSI）分类是遥感对地观测领域的一个重要的分支,其应用范围较为广泛,因而极具研究价值。由于实际标签样本获取较为困难,一般的基于深度学习的HSI分类算法的性能欠佳,因此小样本问题是HSI分类领域急需解决的难题。高光谱像元包含丰富光谱信息,并且临近像元之间具有很强相关性,因此充分利用像元的光谱信息和周围邻域的空间信息对提高分类性能至关重要。同时,虽然
电子信息产业的迅速崛起促进了基于光电探测器件的光电传感器发展。环境光传感器和接近传感器芯片被广泛应用于消费电子、工业、医疗等设备,提供了诸多智能化控制。然而,随着芯片应用场景的扩大,将环境光传感器和接近传感器集成到一个芯片中以实现芯片面积最小化和功耗最低化的方式成为了环境光传感器和接近传感器的研究热潮。本论文对环境光传感器动态范围、暗电流抑制、红外接近传感器中背景光抑制等关键技术进行研究,基于3.
随着计算机技术和深度学习的飞速发展,视频目标检测技术得到了很大提升。在实际工业应用中我们对模型的轻量化和实用性提出了更高的要求。目前基于深度学习的视频目标检测方法主要使用静态推理方法,不仅降低了模型的表达能力,而且不能满足不同设备对多样性算力的需求。本文主要研究内容是设计基于动态神经网络的视频目标检测网络、高效的动态推断方法和特征融合等,可以实现低能耗的视频目标检测。具体工作如下:（1）提出了基于
语义分割任务一直是国内外众多学者的研究热点,在自动驾驶、智慧安防和新零售等领域具有广阔的应用前景。目前,随着深度学习的广泛应用,基于深度学习的全监督语义分割实现了语义分割性能上的巨大突破,然而这种性能的提升依赖于对大量的训练图像进行逐像素的人工标注,这种昂贵的标注方式无法实现对社交网络中海量图像数据的充分利用。因此,近年来人们逐渐将关注点投入到弱监督语义分割任务中,基于弱监督的语义分割方法仅需要图
高光谱图像包含丰富的空间和光谱信息,在地质、植被生态、农业、海洋等领域得到了越来越多的应用,其中,高光谱图像分类是高光谱应用中一项较为核心的任务。由于深度学习在近些年来的发展,许多使用深度学习技术的分类方法被应用于高光谱图像分类。深度学习往往需要大量的训练样本来拟合模型,然而,高光谱数据的获取和标注往往比较耗时耗力,另外高光谱图像大量的波段引发的维数灾难问题更加剧了这一问题。因此,探究一类针对样本