- 标题
- 摘要
- 关键词
- 实验方案
- 产品
-
MCK-ELM：用于高光谱图像的多复合核极限学习机
摘要： 多种核学习（MKL）方法对提升分类性能具有重要影响。此外，复合核（CK）方法因能利用上下文信息，在高光谱图像分析方面展现出强大能力。本研究旨在无需人工调整核系数的情况下，自主聚合复合核与多种核。通过多重核极限学习机实现预定义核函数的凸组合，从而摒弃标准MKL的复杂优化过程，并发挥多类分类的优势。为构建混合核场景，将不同类型核函数纳入多种核框架。所提方法在具有真实标签的帕维亚大学、印度松和萨利纳斯高光谱数据集上进行验证。采用高斯核、多项式核和具有不同参数的对数核函数构建多个复合核，随后将所得结果与当前先进的标准机器学习方法、MKL及CK方法进行对比展示。
关键词： 多核学习、复合核、混合核、极限学习机、高光谱图像
更新于2025-09-23 04:36:11
-
PET-MR不一致性对核图像重建方法的影响
摘要： 解剖学驱动的图像重建算法在正电子发射断层扫描（PET）中已广泛应用，这类算法能提升图像分辨率与定量准确性。本研究探讨了PET图像中高活性区与低活性区存在MR与PET空间不一致性的影响，重点分析了机器学习中的核方法——特别是混合核化期望最大化算法（HKEM）。实验数据来自Jaszczak模体及西门子Biograph mMR设备采集的患者影像。结果表明：即使微小位移也会导致活度浓度显著变化。总体而言，PET-MR空间失配会引发部分容积效应，具体表现为低活性区的"溢入"现象与高活性区的"溢出"效应。采用传统核期望最大化算法（KEM）时，低活性区最大变化率达100%，高活性病灶为10%；而HKEM对应数值分别为37%和8%。本研究表明：在核方法中引入PET信息可增强空间失配情况下的重建灵活性，但为避免伪影、模糊及偏差，必须确保精确配准并选择合适的MR图像构建核函数。
关键词： 混合核、图像先验、期望最大化（EM）、核方法、正电子发射断层扫描（PET）、迭代重建、解剖驱动
更新于2025-09-09 09:28:46