Advertisement

DeepUltrasound:一个基于深度学习的射频插值代码,用于压缩超声成像。

  •  5星
  •     浏览量: 0
  •     大小:None
  •      文件类型:None


简介:
该研究成果由matlab超声成像代码纸Yoon、YeoHun、ShujaatKhan、JaeyoungHuh和JongChulYe共同完成。“使用深度学习从子采样射频数据中高效重建B模式超声图像”发表于《IEEE医学影像交易》(2018年)。为了运行MatConvNet(版本matconvnet-1.0-beta24),请执行matconvnet-1.0-beta24/matlab/vl_compilenn.m文件以进行编译。关于该工具的使用,请运行安装设置(install.m)并参考提供的训练示例。训练网络已上传“SC2xRX4(下采样)CNN”模型。测试数据集位于data\cnn_sparse_view_init_multi_normal_dsr2_input64文件夹中。数据维度具体为Test_data=64x384x1x2304(通道数x扫描线数x帧数x深度)。建议采用所提出的算法进行测试,并使用“DNN4x1_TestVal”作为输入数据,随后运行MAIN_RECONSTRUCTION.m程序,您将在data\cnn... 目录下观察结果。

全部评论 (0)

还没有任何评论哟~
客服
客服
  • Matlab-DeepUltrasoundRF
    优质
    DeepUltrasound是利用Matlab开发的一个项目,专注于通过深度学习技术实现射频数据插值与压缩,以提升超声成像的质量和效率。 在MATLAB环境下进行超声成像代码的实现参考了Yoon、YeoHun、Shujaat Khan、Jaeyoung Huh以及JongChul Ye的研究成果:使用深度学习从子采样射频数据中高效重建B模式超声图像,发表于IEEE医学影像交易(2018年)。为了运行MatConvNet(matconvnet-1.0-beta24),需要执行matconvnet-1.0-beta24/matlab/vl_compilenn.m文件以编译该库。安装设置后,请通过运行install.m脚本进行配置,并尝试一些训练示例。 已上传的“SC2xRX4(下采样)CNN”的训练网络可用于测试目的。测试数据存放于data\cnn_sparse_view_init_multi_normal_dsr2_input64文件夹中,其维度为Test_data=64x384x1x2304(通道数×扫描线数×帧数×深度)。按照建议算法执行测试时,请将DNN4x1_TestVal作为输入数据,并运行MAIN_RECONSTRUCTION.m脚本。
  • Matlab DPCM编 - Deep-Compressed-Sensing: 神经网络与视(量化)...
    优质
    本项目提供基于MATLAB实现的DPCM编码算法,并结合深度学习技术,应用于图像及视频数据的高效压缩。代码适用于Deep-Compressed-Sensing框架下进行图像、视频的高质量量化压缩研究。 以下是关于Matlab DPCM编码及压缩感测相关的最新论文与代码的总结: 1. 基于迭代/优化/深度学习或基于深度神经网络(DNN)的方法在图像、视频量化以及压缩感知领域的应用。 2. R.Liu等人发表的文章《鲁棒压缩感测MRI的理论上有保证的优化框架》,该文章探讨了如何通过一个理论上可证明有效的优化方法来提高MR成像中的数据采集效率。这篇文章收录于AAAI人工智能大会会议录,出版时间为2019年。 3. DNN-CS-STM32-MCU项目使用Tensorflow在STM32MCU板上实现了基于CS的信号重建功能,并利用深度神经网络技术进行优化处理。 4. W.Shi等人撰写的《图像压缩传感中的卷积神经网络应用》,该文发表于IEEE Trans Image Processing期刊,探讨了如何通过CNN来实现高效的图像压缩感知任务。文章出版年份为2019年。 5. 杜J等人的研究“感知压缩感知”,在第36届中国模式识别与计算机视觉会议上进行了展示,并收录入会议论文集(页码范围:268-279),发表时间为2018年。该文探讨了如何利用感知信息来改进传统CS框架的性能。 6. ISTA-Net项目采用Tensorflow实现了一个基于可解释性优化启发式深度网络,用于图像压缩传感任务。 以上内容涵盖了从理论研究到实际应用开发等多个方面的工作成果,在相关领域具有一定的参考价值。
  • Matlab小波变换图去噪-纳图
    优质
    本项目使用MATLAB实现小波变换算法对声纳图像进行去噪处理,并结合深度学习技术优化图像质量。适用于海洋探测等领域。 上传了两套声纳图像:lab_images是从受控实验室实验中获得的;实地图像是由EPRI在2015年于圣劳伦斯河进行的野外实验所获。每个数据集包含鳗鱼及非鳗鱼对象(木棍和PVC管)的声纳图像。共有四个版本的图像:orgnl为未经任何处理技术的原始图;diff是利用图像差异消除静态背景后的结果;wvlt则是通过小波变换去除噪声后得到的原始图;diffwvlt指经过了小波去噪和差分处理过的图像。 Excel文件sonar_data_description内详细记录了实验室实验与现场实验中的声纳设置。依据声纳图像质量,鳗鱼野外图像被划分为三个等级,并建议使用1级及2级的鳗鱼图训练并测试CNN模型。通过代码CNN_lab_data.py利用仅有的实验室数据进行CNN模型的训练和测试;而另一份代码CNN_field_data.py则以现场数据为唯一依据来完成相同任务。 此外,Matlab脚本处理了.aris声纳数据,并从中提取出鳗鱼及非鳗鱼对象的具体图像。需要注意的是,.aris格式的数据需借助开源MATLAB脚本来读取(参考相关资料)。
  • GAN感知内容研究.zip
    优质
    本研究聚焦于利用生成对抗网络(GAN)进行感知内容的深度学习图像压缩技术探索,旨在实现高质量、低比特率的图像传输与存储。 在当前基于生成对抗网络(Generative Adversarial Networks, GANs)的内容感知深度学习图像压缩研究中,我们关注的是结合GAN与内容感知技术的创新方法,以提高图像压缩的质量并减小文件大小。 提到“人工智能毕业设计&课程设计”,表明这是一个教育项目,可能是研究生或本科生的毕业课题或是某门课程的实践部分。该项目要求学生利用深度学习等最新的人工智能进展来解决实际问题,即改进图像压缩技术。 在传统方法中,如JPEG和PNG格式,通常使用有损或无损编码技术来进行文件大小的减小处理。然而,在这些过程中可能会丢失视觉信息,导致图像质量下降。而基于GAN的内容感知图像压缩则尝试保留更多的细节与高质量视觉效果。 GAN由生成器(Generator)和判别器(Discriminator)组成:前者负责创建逼真的新图像,后者用于区分真实图片和合成的图片。通过两者之间的对抗性训练过程,生成器能够学习到如何创造更接近原始图像的新版本,在压缩时保留更多细节与内容。 在这样的毕业设计或课程项目中,学生可能会经历以下步骤: 1. **数据集准备**:收集大量不同类型的图像用于模型训练和测试。 2. **预处理**:进行标准化、归一化等操作以优化输入给深度学习架构的数据格式。 3. **模型构建**:设计基于GAN的深度学习结构,包括卷积层、反卷积层以及内容感知机制的设计与实现。 4. **训练过程**:通过反向传播算法来优化生成器参数,使它能够创建接近原始图像质量的新版本压缩图。 5. **评估指标**:使用峰值信噪比(PSNR)、结构相似度指数(SSIM)等标准衡量模型性能,并对比传统方法的效果差异。 6. **实验分析**:探索不同超参数对结果的影响,优化模型的表现并可能针对特定内容类型进行深入研究。 7. **成果展示与讨论**:通过视觉比较等方式展现压缩前后图像的差距和改进点;同时评估模型的优势、局限性,并提出未来的研究方向。 此类项目不仅需要学生具备坚实的数学基础及编程技巧,还需对深度学习特别是GAN领域有深刻的理解。完成这样的设计或课程能够帮助学生们掌握人工智能前沿技术并培养解决实际问题的能力。
  • 剖析(
    优质
    本系列文章探讨了利用深度学习技术在医学影像分析中的应用与挑战。第一部分着重介绍了深度学习的基本原理及其在医疗图像识别、分类和诊断方面的初步成果,为后续深入研究奠定基础。 近年来,深度学习技术一直处在科研领域的前沿位置。借助这项技术,我们能够对图像和视频进行分析,并将其应用到各种设备上,例如自动驾驶汽车、无人机等等。最近发表的一篇研究论文《ANeuralAlgorithmofArtisticStyle》,介绍了如何将艺术家的风格转移到一张图片中并生成新的图像的方法。此外,《GenerativeAdversarialNetworks》以及《WassersteinGAN》等其他一些论文也为开发能够创建与输入数据相似的新模型奠定了基础。
  • X线矿石图,适
    优质
    本项目提供一系列高质量的X射线矿石图像数据集,专为深度学习研究与应用设计,旨在促进矿物识别、分类及自动化勘探技术的发展。 深度学习在矿石图片分类中的应用涉及使用X射线技术来提高识别精度。这种方法可以有效地区分不同类型的矿石,并且对于矿业自动化具有重要意义。通过训练深度神经网络模型,系统能够自动从大量的X射线图像中提取特征并进行准确的分类。
  • 非直视技术
    优质
    本研究探讨了利用深度学习算法改进非直视成像技术的方法,旨在提高图像质量和细节表现,适用于隐蔽监控与医学检测等领域。 针对非视域成像在非相干光照明下的挑战,提出了一种基于深度学习的解决方案。结合计算机视觉领域的经典语义分割技术和残差模型,设计了一种名为URNet的网络结构,并对传统的瓶颈层进行了改进。实验结果显示,该改进后的网络能够恢复更多的图像细节,并具有良好的泛化能力。与现有的非相干光照明散斑自相关成像技术相比,所提出的网络在恢复性能上有了显著提升。
  • 呐图目标检测.pdf
    优质
    本文探讨了利用深度学习技术提高声呐图像中目标检测精度的方法和模型,旨在提升水下环境中的物体识别能力。 声呐技术是海洋探测的重要工具之一,通过利用声波在水中的传播特性来进行水下信息的探测、定位及通信。自问世以来,它一直是水下探测领域的关键组成部分。然而,由于受到海水介质以及接收设备限制的影响,声呐图像往往存在噪声斑点、边缘模糊、亮度不均和分辨率低等问题,这为声呐图像处理技术提出了挑战。 近年来,深度学习尤其是卷积神经网络(CNNs)在图像识别领域取得了显著进展,并展现出强大的优势。张家铭与丁迎迎来自江苏自动化研究所的研究团队提出了一种基于深度学习的声呐图像目标识别方法。 研究者首先采用中值滤波预处理技术去除噪声,这是一种非线性滤波方式,可以有效消除椒盐噪点同时保留边缘信息。接着使用Canny算法进行边缘检测,以提高后续特征提取和目标识别的效果。此外,霍夫变换被用于检测图像中的直线特征。 为了进一步优化声呐图像的分割效果,研究者采用自适应阈值化方法实现目标分割,并利用卡尔曼滤波器对跟踪到的目标进行动态预测与过滤处理。随后使用卷积神经网络自动提取并分类识别目标对象。 实验结果表明该方法在多种类型的声呐图像上均表现出较高的准确率和鲁棒性,展示了深度学习技术应用于声呐图像领域中的巨大潜力和发展前景。未来随着算法优化及计算能力的提升,这一领域的研究将取得更多突破性的成果,并为海洋探测、水下目标识别等领域提供更加精确高效的解决方案。