正电子发射断层扫描仪(Positron Emission Tomography, PET)是当前医学界公认的肿瘤、心脏、脑等疾病诊断与病理生理研究的重要方法。随着核医学影像设备的广泛应用和计算机技术的迅速发展，图像重建方法作为PET成像的一个关键环节，其研究工作也越发受到重视。 PET探测器检测注入人体的示踪剂在湮灭辐射过程中产生的射线，经过符合采集系统处理形成投影线，以SINO的方式存放于计算机硬盘中[1]。计算机调用图像重建模块，生成人体断层图像。目前，PET图像基础重建算法主要包括解析法和迭代法。 1. 解析法 解析法是以中心切片定理为基础的反投影方法，常用的是滤波反投影法(Filtered Back-Projection, FBP)。在FBP中，图像重建主要包含两个步骤：反投影和滤波。 我们在初中就已经学过投影与反投影的概念，从不同角度观察物体可以得到不同的信息，当我们从多种不同角度获取物体的投影，可以反向推出这个物体真实的形态。 图1 光线将物体的形状投射到一个平面称为投影 在成像原理上，PET和CT略有差异。CT是投射成像，X射线旋转360°，采集被扫描物体不

GoogLeNet是2014年Christian Szegedy提出的一种全新的深度学习结构，在这之前的AlexNet、VGG等结构都是通过增大网络的深度（层数）来获得更好的训练效果，但层数的增加会带来很多负作用，比如overfit、梯度消失、梯度爆炸等。inception的提出则从另一种角度来提升训练结果：能更高效的利用计算资源，在相同的计算量下能提取到更多的特征，从而提升训练结果。 外文名GoogLeNet类 型神经网络 结构介绍 inception模块的基本机构如图1，整个inception结构就是由多个这样的inception模块串联起来的。inception结构的主要贡献有两个：一是使用1x1的卷积来进行升降维；二是在多个尺寸上同时进行卷积再聚合。 图1 图1 1x1卷积 作用1：在相同尺寸的感受野中叠加更多的卷积，能提取到更丰富的特征。这个观点来自于Network in Network，图1里三个1x1卷积都起到了该作用。 图2 图2 图2左侧是是传统的卷积层结构（线性卷积），在一个尺度上只有一次卷积；图2右图是Network in Network结构（NIN结构），

对于学习、工作中用到的基于从进行图形、图像处理的相关函数使用，及实例有很多，很好的学习资源，好好利用哦

改工程能实现图像平滑、锐化、均衡化、修复、fft、加数字水印等图像处理中常见的功能。

ML-EM算法  EM算法（Expectation Maximization Algorithm，期望极大算法）是一种解决优化问题的迭代算法，用于求解含有隐变量的概率模型参数的极大似然估计（MLE）或极大后验概率估计（MAP）。EM算法是一种比较通用的参数估计算法，被广泛用于支持向量机（SMO算法）、朴素贝叶斯、GMM（高斯混合模型）、K-means（K均值聚类）和HMM（隐马尔可夫模型）的参数估计。 理解EM算法（例子）   在统计学中，概率用于在已知一些参数的情况下，预测接下来的所得到的结果；而似然性则是用于在已知某些观测所得到的结果时，对有关事物的性质的参数进行估计。   EM算法和极大似然估计的前提是一样的，都要假设数据总体的分布，如果不知道数据分布，是无法使用EM算法的。 三硬币模型   假设有3枚硬币A，B，C，这些硬币正面出现的概率分别是π \piπ，p pp和q qq。进行如下掷硬币试验：先掷硬币A，根据其结果选出硬币B或硬币C，正面选硬币B，反面选硬币C；然后掷选出的硬币，掷硬币的结果，正面记作1，反面记作0；独立重复n此试验，观测结果： 1 , 1 , 0 ,

本文的目的是解释Conditional Tabular GANs的工作原理，因为目前我还没有看到类似这样的文章。 表格数据生成是一个不断发展的研究领域。 CTGANs 论文已成为许多其他机器学习架构的基础，这些架构如今构成了该研究领域的最新技术。 为什么要生成表格数据？ 我们都知道如何使用生成对抗网络 (GAN) 生成图像数据。 我们现实中最常用的数据类型是表格数据。 表格数据是结构化的，在训练机器学习模型时通常更容易处理。 然而，虽然文本数据的生成方式和图形数据差不多，但是在生成表格数据时，要制作一个性能良好的模型，实际上会使事情复杂化很多。 本文的目标是了解 CTGAN 的工作原理。 为此，我将首先对 GAN 和表格数据进行简要说明。 然后我将介绍原始 CTGAN 论文中描述的架构。 最后，我将通过一个使用 Python 的示例实现。 回顾 GAN GAN 属于深度学习生成器的分支。 这是一个监督学习问题，我们有一组真实数据，我们希望通过使用生成器来扩充这个数据集。 GAN 学习生成样本与学习样本的分布有着根本的不同 GAN 由两个神经网络：生成器和鉴别器组成。 生成器

该算法可以实现深度学习去除各类图像中的伪影。Unet 发表于 2015 年，属于 FCN 的一种变体。Unet 的初衷是为了解决生物医学图像的问题，由于效果确实很好后来也被广泛的应用在语义分割的各个方向，如卫星图像分割，工业瑕疵检测等。 Unet 跟 FCN 都是 Encoder-Decoder 结构，结构简单但很有效。 Encoder 负责特征提取，可以将各种特征提取网络放在这个位置。 Decoder 恢复原始分辨率，该过程比较关键的步骤就是 upsampling 与 skip-connection。 Unet主要可分为三部分来看分别为左（特征提取），中（拼接），右（上采样） 特征提取部分：它是一个收缩网络，通过四个下采样，使图片尺寸减小，在这不断下采样的过程中，特征提取到的是浅层信息。具体过程是，输入图片然后经过两个卷积核（3x3后面紧跟着一个Relu）以论文原图为例：输入572x572，经过两个卷积核（大小为3x3）大小从572-570-568，然后经过一个Maxpool（2x2）图片尺寸变为284这即为一个完整的下采样，接下来三个也是如此。在下采样的过程中，

滤波反投影重建算法实现及应用（matlab） 1. 滤波反投影重建算法原理 滤波反投影重建算法常用在CT成像重建中，背后的数学原理是傅立叶变换：对投影的一维傅立叶变换等效于对原图像进行二维的傅立叶变换。（傅立叶中心切片定理） CT重建算法大致分为解析重建算法和迭代重建算法，随着CT技术的发展，重建算法也变得多种多样，各有各的有特点。本文使用目前应用最广泛的重建算法——滤波反投影算法（FBP）作为模型的基础算法。FBP算法是在傅立叶变换理论基础之上的一种空域处理技术。它的特点是在反投影前将每一个采集投影角度下的投影进行卷积处理，从而改善点扩散函数引起的形状伪影，重建的图像质量较好。 上图应可以清晰的描述傅立叶中心切片定理的过程：对投影的一维傅立叶变换等效于对原图像进行二维的傅立叶变换 傅立叶切片定理的意义在于，通过投影上执行傅立叶变换，可以从每个投影中得到二维傅立叶变换。从而投影图像重建的问题，可以按以下方法进行求解：采集不同时间下足够多的投影（一般为180次采集），求解各个投影的一维傅立叶变换，将上述切片汇集成图像的二维傅立叶变换，再利用傅立叶反变换求得重建图像。 投影相关

针对传统计算机辅助检测系统中肺结节检测存在大量假阳性的问题,提出一种基于三维卷积神经网络的肺结节识别方法。首先,将传统二维卷积神经网络扩展为三维卷积神经网络,充分挖掘肺结节的三维特征,增强特征的表达能力;其次,将密集连接网络与SENet相结合,在加强特征传递和复用的同时,通过特征重标定自适应学习特征权重;另外,引入focal loss作为网络的分类损失函数,提高对难样本的学习。在LUNA16数据集上的实验结果表明:与当前的主流深度学习算法相比,所提网络模型在平均每组CT图像中假阳个数为1和4时的检出率达到了0.911和0.934,CPM得分为0.891,优于大部分主流算法。

数字图像领域通俗易懂，所学所看即所得