王丽会
- 作品数：11 被引量：27H指数：3
- 供职机构：贵州大学计算机科学与技术学院更多>>
- 发文基金：国家自然科学基金贵州省科技计划项目贵州省教育厅自然科学研究项目更多>>
- 相关领域：自动化与计算机技术文化科学生物学医药卫生更多>>
- 基于改进暗原色先验模型的快速图像去雾方法被引量：12
- 2016年
- 为了解决雾天图像质量退化问题,结合改进的暗原色原理与容差机制提出一种快速图像去雾算法。该算法首先基于暗原色先验估计大气参数,然后利用插值算法和最大最小估计法改进暗原色先验模型进而准确计算出不同场景深度的透射率,最后结合容差机制基于大气散射模型恢复无雾图像。实验结果表明,相比于原有的暗原色先验算法,该算法的计算速度可提高至少30倍,并且能够同时实现明亮与暗色区域的有效去雾,去雾图像清晰自然。基于插值算法与最大最小估计法改进的暗原色先验去雾模型可同时保证去雾处理的鲁棒性和实时性。
- 杜宏博王丽会
- 关键词：插值算法
- 针对SVD算法理解和应用误区的教学实验设计被引量：2
- 2017年
- 针对人工智能和大数据处理学习中存在的误区,提出一组有关SVD方法的图像处理教学实验,具体阐述实验步骤并详细说明如何引导学生自行设计该类实验。
- 程欣宇龙慧云李智王丽会
- 关键词：矩阵分解去噪
- 人体心肌纤维的磁共振扩散成像建模与仿真技术研究
- 磁共振扩散成像/(Diffusion Magnetic Resonance Imaging, dMRI/)作为目前唯一能够对活体纤维组织结构进行无损检测的成像技术,已成为当前研究三维离体及活体心肌纤维结构的主要手段,对探...
- 王丽会
- 关键词：心肌纤维磁共振扩散加权成像磁共振扩散张量成像
- 文献传递
- 深度多尺度不变特征网络预测胶质瘤1p/19q缺失状态
- 2022年
- 准确预测胶质瘤染色体1p/19q的缺失状态对于制定合适的治疗方案和评估胶质瘤的预后有着重要的意义.虽然已有研究能够基于磁共振图像和机器学习方法实现胶质瘤1p/19q状态的准确预测,但大多数方法需要事先准确勾画肿瘤边界,无法满足计算机辅助诊断的实际需求.因此,提出一种深度多尺度不变特征网络(deep multiscale invariant features-based network,DMIF-Net)预测1p/19q的缺失状态.首先利用小波散射网络提取多尺度、多方向不变特征,同时基于深度分离转聚合网络提取高级语义特征,然后通过多尺度池化模块对特征进行降维并融合,最后在仅输入肿瘤区域定界框图像的情况下,实现胶质瘤1p/19q状态的准确预测.实验结果表明,在不需要准确勾画肿瘤边界的前提下,DMIF-Net预测胶质瘤1p/19q缺失状态的AUC(area under curve)可达0.92(95%CI=[0.91,0.94]),相比于最优的主流深度学习模型其AUC增加了4.1%,灵敏度和特异性分别增加了4.6%和3.4%,相比于最好的胶质瘤分类前沿模型,其AUC与精度分别增加了4.9%和5.5%.此外,消融实验证明了本文所提出的多尺度不变特征提取网络可以有效地提高模型的预测性能,说明结合深度高级语义特征和多尺度不变特征可以在不勾画肿瘤边界的情况下,显著增加对胶质瘤1p/19q缺失状态的预测能力,进而为低级别胶质瘤的个性化治疗方案制定提供一种辅助手段.
- 陈祈剑王黎郭顺超邓泽宇张健王丽会
- 关键词：胶质瘤
- 深度迭代融合的脑部磁共振图像颅骨去除网络
- 2020年
- 目的去除颅骨是脑部磁共振图像处理和分析中的重要环节。由于脑部组织结构复杂以及采集设备噪声的影响导致现有方法不能准确分割出脑部区域,为此提出一种深度迭代融合的卷积神经网络模型实现颅骨的准确去除。方法本文DIFNet(deep iteration fusion net)模型的主体结构由编码器和解码器组成,中间的跳跃连接方式由多个上采样迭代融合构成。其中编码器由残差卷积组成,以便浅层语义信息更容易流入深层网络,避免出现梯度消失的现象。解码器网络由双路上采样模块构成,通过具有不同感受野的反卷积操作,将输出的特征图相加后作为模块输出,有效还原更多细节上的特征。引入带有L2正则的Dice损失函数训练网络模型,同时采用内部数据增强方法,有效提高模型的鲁棒性和泛化能力。结果为了验证本文模型的分割性能,分别利用两组数据集与传统分割算法和主流的深度学习分割模型进行对比。在训练数据集同源的NFBS(neurofeedback skull-stripped)测试数据集上,本文方法获得了最高的平均Dice值和灵敏度,分别为99.12%和99.22%。将在NFBS数据集上训练好的模型直接应用于LPBA40(loni probabilistic brain atlas 40)数据集,本文模型的Dice值可达98.16%。结论本文提出的DIFNet模型可以快速、准确地去除颅骨,相比于主流的颅骨分割模型,精度有较高提升,并且模型具有较好的鲁棒性和泛化能力。
- 姚发展李智王丽会程欣宇张健
- 深度学习在医学影像中的研究进展及发展趋势被引量：7
- 2020年
- 医学影像是临床诊断的重要辅助工具,医学影像数据占临床数据的90%,因此,充分挖掘医学影像信息将对临床智能诊断、智能决策以及预后起到重要的作用。随着深度学习的出现,利用深度神经网络分析医学影像已成为目前研究的主流。根据医学影像分析的流程,从医学影像数据的产生、医学影像的预处理,到医学影像的分类预测,充分阐述了深度学习在每一环节的应用研究现状,并根据其面临的问题,对未来的发展趋势进行了展望。
- 王丽会王丽会
- 关键词：医学影像图像处理人工智能卷积神经网络
- 基于多种正则化的改进超分辨率重建算法被引量：2
- 2018年
- 为了解决超分辨率图像重建过程中无法同时降低平滑区域噪声和保持图像细节的问题,结合改进的非局部变分(NLTV)和全变分(TV)正则项方法提出一种新的超分辨率重建算法。首先,根据图像重尾分布特性,结合高斯分布、拉普拉斯分布及柯西分布改进了传统NLTV正则项系数,提出了改进的ANLTV正则项。然后利用ANLTV正则项基于分裂Bregman算法重建了初始的高分辨率图像。最后结合TV正则项对重建的高分辨率图像进行去模糊操作,进而得到最终的超分辨率图像重建结果。为验证所提算法的性能,分别利用该算法与传统的TV和NLTV算法进行超分辨率图像重建并对比。实验结果表明,所提出的方法相比于传统的TV和NLTV重建算法,其峰值信噪比、信噪比和结构相似度均有所提高,能够同时满足超分辨率图像重建过程中抑制噪声和保持边缘细节的需求。
- 黄吉庆王丽会秦进程欣宇张健李智
- 关键词：超分辨率重建正则化方法
- 语义拉普拉斯金字塔多中心乳腺肿瘤分割网络被引量：1
- 2021年
- 目的乳腺肿瘤分割对乳腺癌的辅助诊疗起着关键作用,但现有研究大多集中在单中心数据的分割上,泛化能力不强,无法应对临床的复杂数据。因此,本文提出一种语义拉普拉斯金字塔网络(semantic Laplacian pyramids network, SLAPNet),实现多中心数据下乳腺肿瘤的准确分割。方法 SLAPNet主要包含高斯金字塔和语义金字塔两个结构,前者负责得到多尺度的图像输入,后者负责提取多尺度的语义特征并使语义特征能在不同尺度间传播。结果网络使用Dice相似系数(Dice similarity coefficient, DSC)作为优化目标。为了验证模型性能,采用多中心数据进行测试,与Attention UNet、PSPNet(pyramid scene parsing network)、UNet 3+、MSDNet(multiscale dual attention network)、PyConvUNet(pyramid convolutional network)等深度学习模型进行对比,并利用DSC和Jaccard系数(Jaccard coefficient, JC)等指标进行定量分析。使用内部数据集测试时,本文模型乳腺肿瘤分割的DSC为0.826;使用公开数据集测试时,DSC为0.774,比Py Conv UNet提高了约1.3%,比PSPNet和UNet3+提高了约1.5%。结论本文提出的语义拉普拉斯金字塔网络,通过结合多尺度和多级别的语义特征,可以在多中心数据上准确实现乳腺癌肿瘤的自动分割。
- 王黎曹颖郭顺超唐雷郐子翔王荣品王丽会
- 集成注意力增强和双重相似性引导的多模态脑部图像配准
- 2021年
- 目的医学图像配准是医学图像处理和分析的关键环节,由于多模态图像的灰度、纹理等信息具有较大差异,难以设计准确的指标来量化图像对的相似性,导致无监督多模态图像配准的精度较低。因此,本文提出一种集成注意力增强和双重相似性引导的无监督深度学习配准模型(ensemble attention-based and dual similarity guidance registration network,EADSG-RegNet),结合全局灰度相似性和局部特征相似性共同引导参数优化,以提高磁共振T2加权图像和T1加权模板图像配准的精度。方法 EADSG-RegNet模型包含特征提取、变形场估计和重采样器。设计级联编码器和解码器实现图像对的多尺度特征提取和变形场估计,在级联编码器中引入集成注意力增强模块(integrated attention augmentation module,IAAM),通过训练的方式学习提取特征的重要程度,筛选出对配准任务更有用的特征,使解码器更准确地估计变形场。为了能够准确估计全局和局部形变,使用全局的灰度相似性归一化互信息(normalized mutual information,NMI)和基于SSC(self-similarity context)描述符的局部特征相似性共同作为损失函数训练网络。在公开数据集和内部数据集上验证模型的有效性,采用Dice分数对配准结果在全局灰质和白质以及局部组织解剖结构上作定量分析。结果实验结果表明,相比于传统配准方法和深度学习配准模型,本文方法在可视化结果和定量分析两方面均优于其他方法。对比传统方法 ANTs(advanced normalization tools)、深度学习方法 voxel Morph和ADMIR(affine and deformable medical image registration),在全局灰质区域,Dice分数分别提升了3.5%,1.9%和1.5%。在全局白质区域分别提升了3.4%,1.6%和1.3%。对于局部组织结构,Dice分数分别提升了5.2%,3.1%和1.9%。消融实验表明, IAAM模块和SSC损失分别使Dice分数提升1.2%和1.5%。结论本文提出的集成注意力增强的无监督多模
- 田梨梨程欣宇程欣宇张健王丽会
- 关键词：无监督学习
- 新的超声立体视觉数据增强技术
- 2008年
- 针对超声成像噪声大、数据质量严重退化的特点,提出了一种新颖的非稳定度度量算法,该算法通过加强图像变化较大的部分来实现超声数据的增强。给出了输入信号信噪比不同情况下非稳定度算子与Deriche算子的输出仿真结果;通过兔子肝脏和12周胎儿的实际数据计算,得到了二者经非稳定度算子处理前后的超声立体视觉图像。研究结果表明,非稳定度数据增强技术对噪声不敏感,通过对比处理前后的图像可清晰地看出非稳定度算子能够有效地改善超声立体视觉成像的质量。
- 刘宛予唐志健朱跃敏刘文辉胡珊张延丽王丽会I.E.Magnin
- 关键词：超声成像技术
