公开(公告)号：CN108416821B

公开(公告)日：2019-08-02

申请号：CN201810191685.0

申请日：2018-03-08

申请人： 山东财经大学

发明人： 徐军 ,  刘慧 ,  郭强 ,  张彩明

IPC分类号： G06T11/00 ,  G06T3/40

摘要： 本发明提供一种深度神经网络的CT图像超分辨重建方法，方法建立的卷积神经网络模型的每一层都是卷积操作,没有全连接层；并且可以通过改变网络模型的深度和每一层的宽度来平衡效率与运行速度。将深度卷积神经网络应用在医学CT图像超分辨重建上,引入反卷积层,激活函数采用PReLU,有效地建立了一个低\高分辨率图像之间端到端的映射,在一定程度上提高了CT图像的分辨率；在保证相同训练数据量的前提下，在运行速度和图像恢复质量等方面均体现出了明显的优势。结果显示,本发明的方法用在医学CT图像超分辨重建上具有良好的稳定性和鲁棒性。

公开(公告)号：CN108416821A

公开(公告)日：2018-08-17

申请号：CN201810191685.0

申请日：2018-03-08

申请人： 山东财经大学

发明人： 徐军 ,  刘慧 ,  郭强 ,  张彩明

IPC分类号： G06T11/00 ,  G06T3/40

摘要： 本发明提供一种深度神经网络的CT图像超分辨重建方法，方法建立的卷积神经网络模型的每一层都是卷积操作,没有全连接层；并且可以通过改变网络模型的深度和每一层的宽度来平衡效率与运行速度。将深度卷积神经网络应用在医学CT图像超分辨重建上,引入反卷积层,激活函数采用PReLU,有效地建立了一个低\高分辨率图像之间端到端的映射,在一定程度上提高了CT图像的分辨率；在保证相同训练数据量的前提下，在运行速度和图像恢复质量等方面均体现出了明显的优势。结果显示,本发明的方法用在医学CT图像超分辨重建上具有良好的稳定性和鲁棒性。

公开(公告)号：CN107193783A

公开(公告)日：2017-09-22

申请号：CN201710343797.9

申请日：2017-05-16

申请人： 山东财经大学 ,  山东大学

发明人： 刘慧 ,  徐军 ,  张彩明 ,  李雪梅

IPC分类号： G06F17/17 ,  G06F17/16

CPC分类号： G06F17/16 ,  G06F17/17

摘要： 本发明提供一种加速大规模稀疏矩阵计算的并行多级方法，方法有效用于稀疏近似逆预条件子，适用于构造稀疏近似逆预条件子。与ParaSails相比，将本发明应用于两级稀疏近似逆预条件子能够更快地求解FIDAP024矩阵，并可以成功求解ParaSails不能求解的FIDAPM08和FIDAPM33矩阵。在本发明所提出的四级策略可以生成比标准方法更有效的稀疏近似逆预条件子。在本发明实现真正多级稀疏近似逆预条件子，同时，还需对其效率、并行性、正确性和可扩展性进行理论研究和相应实现。