图像的均方误差的matlab代码将此gitlab存储库放在github上，这样我就可以使用它并根据需要对其进行修改
具有神经网络的超声B型成像
动机
在脉冲回波超声B模式成像中，根据介质的回声性（即“亮度”模式）重建图像。
用换能器阵列重建图像的标准方法是使用延迟和求和波束成形（DAS）：施加时间延迟以将信号聚焦在空间的某个点上，然后将复杂的阵列信号平均在一起并显示幅度。
DAS健壮且易于计算，并广泛用于医学超声成像中。
但是，大多数医学成像目标（例如，软组织）由弥散的，无法分辨的微观散射体组成。
在DAS的作用下，来自这些散射体的回波会随机组合以产生强的倍增噪声，称为斑点。
斑点导致图案具有高方差，并且仅在对多个斑点进行平均时才代表潜在的回声性。
我们认为，可以使用换能器阵列信号的模拟训练一个简单的全卷积神经网络来估计回声。
通过使用平均绝对误差（MAE），均方误差（MSE）和多尺度结构相似性（MS-SSIM）的与归一化无关的对数比例版本进行量化，该神经网络生成的超声图像比DAS具有更精确的回声性。指标。
描述
该存储库提供了从头开始训练B模式网络的代码，并包括了本文中使用的损失函数
2022-05-10 23:19:59
868KB
1
尽管可以计算圆与 2D 数据的线性最小二乘拟合，但这不是最小化从点到拟合圆的距离（几何误差）的解决方案。 线性解决方案最小化函数的代数误差，例如f(x) = ax'x + b'x + c = 0
最小化几何误差是一个非线性最小二乘问题。 fitcircle 允许您进行计算 - 它使用代数拟合作为几何误差最小化的初始猜测。
例如x = randn(2, 10); % 线性最小二乘拟合[z, r] = fitcircle(x, '线性')
% 真正的最佳拟合（最小化几何误差） [z, r] = fitcircle(x)
有关更多信息，请查看已发布的演示文件。
本次提交基于以下论文： “圆和椭圆的最小二乘拟合”，W. Gander、GH Golub、R. Strebel，BIT 数值数学，Springer 1994
应即将提交类似的省略号提交
2022-05-10 20:03:58
37KB
1
尽管我完全知道它们是简单的函数，但我还是想上传它们，因为我注意到默认情况下未实现此分布，并且它可能对对 logreturns 分布进行建模很有用。
2022-05-08 18:55:44
2KB
1