论文部分内容阅读
近年来,卷积神经网络(Convolutional Neural Networks,CNN)在自然图像理解的诸多领域有着突出表现,随着其理论和应用的深入研究,将卷积神经网络用于生物医学图像处理也引起了研究者的广泛关注。卷积神经网络可以学习到刻画图像本质的特征,这些特征经过非线性映射后可以更好地用于分类或者重构,进而处理不同的医学任务。借鉴CNN在自然图像理解取得的突出成果,我们将其分别应用到了荧光显微图像解卷积、锥形束CT(CBCT)统计迭代重建和PET图像分割等不同的医学研究任务。荧光显微图像解卷积是一种减少图像模糊程度、降低噪声水平和减轻成像畸变的图像处理方法,旨在提升荧光图像的分辨率。基于CNN的深度解卷积模型通过监督学习图像对之间的退化过程,从而获得原始图像的一个最佳估计。相比经典的解卷积方法,该方法不仅能够降低图像的噪声,抑制图像的伪影和保留图像的细节信息,而且该方法具有更强的泛化能力,在真实数据上也有优异的表现。CBCT重建技术是指利用X光穿过人体的投影数据重建出病人体内的截面图像,进而辅助医生临床诊断和治疗。基于CNN的CBCT统计迭代重建改进算法,旨在使用CNN模型来缓解Hessian惩罚项给图像带来的模糊效果,进一步改善图像的重建质量。改进算法不但能够抑制图像的噪声、消除台阶效应,还能提升图像的分辨率。PET图像分割在临床医学中有重要研究意义,旨在确定病症区域的大小和位置,辅助临床的诊断和治疗。基于纹理特征训练得到的softmax分类器可以较好地的预测像素点的类别,但也容易产生错分。基于PET图像多种特征的CNN分割方法,兼顾了PET图像高层次的纹理特征和原始的灰度特征,实验结果具有更好的准确性和鲁棒性。总体来说,卷积神经网络的深度模型可以促进生物医学图像处理的发展,推动各种生物医学图像处理任务的进步,这对临床医学的诊断和治疗有重要意义。