基于无监督学习的多模态可变形配准

针对医学图像配准问题,传统方法提出通过解决优化问题进行配准,但计算成本高、运行时间长。深度学习方法提出使用网络学习配准参数,从而进行配准并在单模态图像上取得高效性能。但在多模态图像配准时,不同模态图像的强度分布未知且复杂,大多已有方法严重依赖标签数据,现有方法不能完全解决此问题。提出一种基于无监督学习的深度多模态可变形图像配准框架。该框架由基于损失映射量的特征学习和基于最大后验概率的变形场学习组成,借助空间转换函数和可微分的互信息损失函数实现无监督训练。在MRI T1、MRI T2以及CT的3D多模态图像配准任务上,将所提方法与现有先进的多模态配准方法进行比较。此外,还在最新的COVID-19的CT数据上展示了所提方法的配准性能。大量结果表明:所提方法与其他方法相比,在配准精度上具有竞争优势,并且大大减少了计算时间。      

基于成本收益理论的A型飞机改装翼梢小翼经济性分析

改装翼梢小翼可以有效降低诱导阻力,减少飞机燃油消耗和尾气排放,提高飞机经济性的同时保护环境;然而翼梢小翼通常价格昂贵,在进行翼梢小翼改装项目时,需要对翼梢小翼进行经济性评估。以 A 型飞机改装翼梢小翼为例,运用成本收益理论,建立 A 型飞机改装翼梢小翼经济性评估模型,分析平均航段距离、飞机平均日利用率、付款方式、贴现率等因素对翼梢小翼投资回收期的影响规律。结合实例评估分析某航空公司 A型飞机改装翼梢小翼的经济性,为航空公司改装翼梢小翼预先的投资回收期计算分析提供参考依据。