弥散张量磁共振成像(DT-MRI)的脑白质纤维追踪成像利用脑白质水分子弥散构成的弥散张量信息追踪脑白质纤维束并无创重建其3维结构图像。针对现有追踪方法一般以局部体素的弥散张量为主要追踪依据,缺乏对纤维结构、弥散度等人体解剖结构...弥散张量磁共振成像(DT-MRI)的脑白质纤维追踪成像利用脑白质水分子弥散构成的弥散张量信息追踪脑白质纤维束并无创重建其3维结构图像。针对现有追踪方法一般以局部体素的弥散张量为主要追踪依据,缺乏对纤维结构、弥散度等人体解剖结构和生理机能的综合考量的缺陷,该文基于贝叶斯理论框架综合分析追踪路径与各体素弥散张量方向和纤维束几何结构相关性,并使用弥散度和追踪纤维角度对两者进行约束,获得各步追踪方向的概率密度分布,通过Markov Chain Monte Carlo采样确定其追踪方向进行追踪成像,通过多次追踪获得具有统计意义的3维结果。最后利用文中方法在合成弥散张量数据上进行了成像仿真,在真实脑部DT-MRI数据上进行了成像实验。仿真和实验结果表明,该方法能实现预期的脑白质纤维追踪成像,比现有追踪成像方法结果更可靠,可重复性更强。展开更多
针对海洋传感网(Ocean Sensor Networks,OSNs)中采用非协同算法单一循环地对多个水面目标节点依次定位导致的定位效率低、定位精度差等问题,提出一种基于有效集的再优化协同定位(Active Set Method based Re-Estimation Cooperative Loc...针对海洋传感网(Ocean Sensor Networks,OSNs)中采用非协同算法单一循环地对多个水面目标节点依次定位导致的定位效率低、定位精度差等问题,提出一种基于有效集的再优化协同定位(Active Set Method based Re-Estimation Cooperative Localization,ASM-RECL)算法。研究将原定位的非凸非线性问题转化为基于交替非负约束最小二乘(Alternative Nonnegative Constrained Least Squares,ANCLS)的优化问题,利用有效集法(Active Set Method,ASM)通过内外循环寻求优化问题的可行解。但ASM算法易陷入局部最优,为进一步提升解的质量,改进定位精度,基于ASM得出的可行解,应用一阶泰勒级数线性展开再次构造优化方程,最小化定位误差。此外,研究还推导得到基于协同定位的克劳美罗下界(Cooperative Localization-based Cramer-Rao Low Bound,CRLB-CL),以此作为评价标准评估提出的定位算法的有效性。仿真实验表明,在不同的条件下,ASM-RECL的定位精度较高于其他算法。展开更多
文摘弥散张量磁共振成像(DT-MRI)的脑白质纤维追踪成像利用脑白质水分子弥散构成的弥散张量信息追踪脑白质纤维束并无创重建其3维结构图像。针对现有追踪方法一般以局部体素的弥散张量为主要追踪依据,缺乏对纤维结构、弥散度等人体解剖结构和生理机能的综合考量的缺陷,该文基于贝叶斯理论框架综合分析追踪路径与各体素弥散张量方向和纤维束几何结构相关性,并使用弥散度和追踪纤维角度对两者进行约束,获得各步追踪方向的概率密度分布,通过Markov Chain Monte Carlo采样确定其追踪方向进行追踪成像,通过多次追踪获得具有统计意义的3维结果。最后利用文中方法在合成弥散张量数据上进行了成像仿真,在真实脑部DT-MRI数据上进行了成像实验。仿真和实验结果表明,该方法能实现预期的脑白质纤维追踪成像,比现有追踪成像方法结果更可靠,可重复性更强。
文摘针对海洋传感网(Ocean Sensor Networks,OSNs)中采用非协同算法单一循环地对多个水面目标节点依次定位导致的定位效率低、定位精度差等问题,提出一种基于有效集的再优化协同定位(Active Set Method based Re-Estimation Cooperative Localization,ASM-RECL)算法。研究将原定位的非凸非线性问题转化为基于交替非负约束最小二乘(Alternative Nonnegative Constrained Least Squares,ANCLS)的优化问题,利用有效集法(Active Set Method,ASM)通过内外循环寻求优化问题的可行解。但ASM算法易陷入局部最优,为进一步提升解的质量,改进定位精度,基于ASM得出的可行解,应用一阶泰勒级数线性展开再次构造优化方程,最小化定位误差。此外,研究还推导得到基于协同定位的克劳美罗下界(Cooperative Localization-based Cramer-Rao Low Bound,CRLB-CL),以此作为评价标准评估提出的定位算法的有效性。仿真实验表明,在不同的条件下,ASM-RECL的定位精度较高于其他算法。
