【摘 要】
：
颅内血管疾病是近几年来死亡率居高不下的严重疾病，给全世界患者带来严重的生命威胁。而非创伤性血管成像技术(CT angiography，CTA)能够显示大脑各大动脉细节，能够辅助医生早期发现患者颅内血管的隐藏病变。该技术不仅对患者安全高效，而且是辅助颅内血管疾病诊断的常用技术之一。而在医生分析CTA影像的大脑血管病变状况过程中，首先需要去除CTA影像中的颅骨部分，再进行血管的三维重建成像。但在目前提
论文部分内容阅读
颅内血管疾病是近几年来死亡率居高不下的严重疾病，给全世界患者带来严重的生命威胁。而非创伤性血管成像技术(CT angiography，CTA)能够显示大脑各大动脉细节，能够辅助医生早期发现患者颅内血管的隐藏病变。该技术不仅对患者安全高效，而且是辅助颅内血管疾病诊断的常用技术之一。而在医生分析CTA影像的大脑血管病变状况过程中，首先需要去除CTA影像中的颅骨部分，再进行血管的三维重建成像。但在目前提出的CTA影像颅骨分割方法中，基于传统图像处理方法和机器学习方法无论是自动化程度或者是分割精度都不够理想。所以本文利用最近分割算法领域运用广泛的深度学习方法来进行研究。
针对当前常用的二维全卷积网络Unet存在的忽视空间位置信息，且特征信息丢失过多的问题，而常用三维全卷积网络3DUnet存在模型参数较多，所需显存较大的问题，提出由DMFNet网络和3DResUnet网络二阶段网络分割的思想，分阶段训练网络来分割颅骨。该二阶段网络在两个阶段使用不同尺度的数据对颅骨结构进行分割，一个阶段用于检测颅骨范围的粗分割，一个阶段用于颅骨的精细分割。DMFNet网络在3DUnet框架上加入了残差卷积块机制，并采用了多通路并行的组卷积方式降低网络学习的参数量，相较二维全卷积网络模型参数更少，且有效利用了空间位置信息，使得训练速度很快，分割精度适中，适用于检测颅骨范围。3DResUnet网络在3DUnet基础上加入了残差卷积块，又使用根据第一阶段检测结果来裁剪的感兴趣区域(Region of interest，ROI)作为输入数据，同时利用滑动采样机制，减少了显存的损耗，充分提高了训练效率和分割精度。最终能更精细地分割出颅骨部分。
最后利用了多种评估方法对当前提出的方法得到的分割结果进行了客观有效的评估，评估结果表明方法的有效性。
其他文献
非结构化自然语言文本数据通常是有歧义的，尤其是命名实体。一个命名实体可以有多个名称，一个名称也可以表示几个不同的命名实体。实体链接任务即，将非结构化文本数据中对应实体链接到结构化知识库中，这有助于对原始的嘈杂文本数据的信息挖掘，以早日实现语义Web的愿景。 目前关于实体链接任务的研究主要基于统计模型，需要依赖人为定义的关于文本和目标实体的歧义性特征。这些特征通常需要拥有该领域知识的专家来定义，并
图在生活中扮演着至关重要的作用。在大数据时代，越来越多的应用将信息抽象成图数据，并使用图算法对图数据进行处理，例如社交网络图，路图，网络路由图等。由于现实信息随着时间逐渐变化，原始的静态图数据逐渐演变成了多版本图数据，图的规模也逐渐变大。如何对多个版本的大图中的大量数据进行存储和随机版本访问，成为了图处理中的新的问题。对多版本图数据的处理，现有的方法有的会导致海量的存储空间开销和高度的存储冗余。有
近年来，Unikernel在云计算领域成为新兴的研究热点。Unikernel是由LibraryOperatingSystem(LibOS)构建的，针对于特定应用的，单地址空间机器镜像。在Unikernel生成过程中，应用程序及其所依赖的组件被全部编译链接成一个整体并直接运行在Hypervisor之上，导致Unikernel在运行时无法修改其配置参数，无法进行在线功能更新。如果要进行配置参数和功能的
大数据时代的到来和互联网的蓬勃发展催生了大量的移动对象轨迹数据，基于这些轨迹数据的研究及应用在城市规划、用户行为分析、频繁模式挖掘等方面发挥着重要的作用，并对人们的生产及生活方式产生了极大的影响。然而，轨迹数据蕴含了移动用户在时空维度上的丰富信息，直接发布个人轨迹数据及位置统计信息会泄露用户的隐私信息。 现有的轨迹发布算法主要依托于批处理平台，而很少关注流场景下的实时隐私保护处理。轨迹流数据的高
最近的研究表明，基于深度神经网络模型的分类器的预测结果在特定环境并不具有鲁棒性，针对输入的微小改动往往会导致截然不同的输出预测结果。对抗样本正是人为设计的导致深度学习应用被欺骗甚至是失效的一种技术方法，以最大程度地增加目标网络的损失。人工智能领域的安全问题是不可忽视的一个重要方面，研究如何减轻以及防御对抗样本的攻击对人工智能未来的发展以及应用有着深远的影响。 目前，针对对抗样本的防御工作大都是通
足球比赛视频中的球员跟踪为足球赛事分析提供基础的数据支持，对智能体育视频系统的发展与应用具有重要意义。近年来，单目标跟踪领域出现的许多算法在各大数据集上取得不错的成绩，但截至目前，仍没有一种能够完美解决足球比赛视频中的球员跟踪问题的算法。 在深入分析足球比赛视频中球员目标特点的基础上，通过融合干扰项感知的颜色模型和目标感知的深度模型，提出并设计了一种球员感知的跟踪算法。颜色模型方面，提取目标球员
深度学习已在图像识别、自然语言处理等领域取得有效成果，但随着深度学习模型规模和输入数据规模的扩大，神经网络的训练过程对计算机的性能提出了更高的要求。COStream是一种数据流编程语言，在实现神经网络程序时能基于数据流模型提供的并行性，充分利用多核计算资源，减少训练时间。但现有COStream文法难以快速构建深度学习模型。 针对上述问题，对COStream的文法进行扩展，设计并实现了sequen
在以Kinect为代表的消费级深度相机进入市场后，基于深度相机的三维重建技术得到了快速发展并被广泛应用于游戏，设计，建筑等领域。但是，当前基于深度相机的三维重建技术仍然存在一些问题。在相机位姿计算方面，由于位姿计算依赖于传统图像特征提取，当场景纹理较弱或是重复纹理较多时，相机位姿计算不够准确，跟踪鲁棒性不足，直接影响到重建出的点云质量；在重定位和闭环检测方面，同样由于依赖场景纹理特征，导致重定位和
使用智能手机进行三维重建具有设备成本低、方便携带、易于获取实时反馈等优势，随着智能手机计算性能的不断提高，在智能手机上进行实时三维重建有了可行性。目前在智能手机上的实时三维重建算法普遍存在位姿估计不准确，算法效率低，建模质量不高，只能重建小场景等问题。 本文为解决上述问题，设计了基于智能手机的实时三维重建系统。系统由三个线程构成，分别是：建模线程，后端优化线程以及显示线程，建模线程负责彩色图像获
深度强化学习近年来在围棋算法、计算机游戏、机器人仿真控制等存在巨大状态空间的应用场景下取得了很大的突破，这得益于深度神经网络的函数逼近能力，也依赖于模拟器和计算资源，因为模拟器可以在计算资源足够的情况下快速并且近乎无限地生成智能体与环境交互的数据。但是在许多实际应用场景下，例如推荐系统、物流管理、能源系统优化、机器人实际控制中，数据采集是高成本且低频率的，从而导致数据稀缺。因此，若想使得(深度)强