基于卷積神經(jīng)網(wǎng)絡(luò)的生物醫(yī)學(xué)圖像處理.pdf

1、近年來，卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Networks，CNN）在自然圖像理解的諸多領(lǐng)域有著突出表現(xiàn)，隨著其理論和應(yīng)用的深入研究，將卷積神經(jīng)網(wǎng)絡(luò)用于生物醫(yī)學(xué)圖像處理也引起了研究者的廣泛關(guān)注。卷積神經(jīng)網(wǎng)絡(luò)可以學(xué)習(xí)到刻畫圖像本質(zhì)的特征，這些特征經(jīng)過非線性映射后可以更好地用于分類或者重構(gòu)，進(jìn)而處理不同的醫(yī)學(xué)任務(wù)。借鑒CNN在自然圖像理解取得的突出成果，將其分別應(yīng)用到了熒光顯微圖像解卷積、錐形束CT（CBCT）統(tǒng)計迭代

2、重建和PET圖像分割等不同的醫(yī)學(xué)研究任務(wù)。
　　熒光顯微圖像解卷積是一種減少圖像模糊程度、降低噪聲水平和減輕成像畸變的圖像處理方法，旨在提升熒光圖像的分辨率?；贑NN的深度解卷積模型通過監(jiān)督學(xué)習(xí)圖像對之間的退化過程，從而獲得原始圖像的一個最佳估計。相比經(jīng)典的解卷積方法，該方法不僅能夠降低圖像的噪聲，抑制圖像的偽影和保留圖像的細(xì)節(jié)信息，而且該方法具有更強的泛化能力，在真實數(shù)據(jù)上也有優(yōu)異的表現(xiàn)。CBCT重建技術(shù)是指利用X光穿過人體的

3、投影數(shù)據(jù)重建出病人體內(nèi)的截面圖像，進(jìn)而輔助醫(yī)生臨床診斷和治療?；贑NN的CBCT統(tǒng)計迭代重建改進(jìn)算法，旨在使用CNN模型來緩解Hess ia n懲罰項給圖像帶來的模糊效果，進(jìn)一步改善圖像的重建質(zhì)量。改進(jìn)算法不但能夠抑制圖像的噪聲、消除臺階效應(yīng)，還能提升圖像的分辨率。PET圖像分割在臨床醫(yī)學(xué)中有重要研究意義，旨在確定病癥區(qū)域的大小和位置，輔助臨床的診斷和治療?；诩y理特征訓(xùn)練得到的so ft ma x分類器可以較好地的預(yù)測像素點的類別，