多模态医学图像融合算法研究
发布时间：2021-01-25 10:23
常用的医学图像包括解剖结构图像和功能图像,单一的解剖结构图像或功能图像由于各自成像机理的不同,所提供人体的医疗信息不同,这往往不能很好地满足临床的需求。因此,要克服单一模态的医学图像不能全面反映身体某一部位的全部信息这一临床局限性,需要将多模态的医学图像进行融合处理,使得一幅融合图像可以综合的表达多种医学图像信息,从而为医生进行临床诊断和治疗提供更加充分的判断依据,为病情诊断和手术治疗提供帮助。本文基于这一临床需求,进行了多模态医学图像融合算法的研究工作,研究的目的是希望改进出有效的图像融合算法,提高融合图像的质量,为临床诊断提供更为精准的判断依据。本文以人体脑部组织同一视角下的CT和MR、MR和PET两组图像为融合研究对象,从多尺度几何分析和融合规则两方面为出发点,提出了基于非下采样Shearlet变换（Non-Subsampled Shearlet Transform,NSST）的低频域稀疏表示（Sparse Representation,SR）和高频域自适应脉冲耦合神经网络（Pulse Coupled Neural Network,PCNN）的医学图像融合算法。NSST克服了小波...
【文章来源】：贵州师范大学贵州省
【文章页数】：75 页
【学位级别】：硕士
【部分图文】：
人体脑部组织同一视角下的CT图像和MR图像
成像系统的介绍像以非常直观的形式向人们展示了人体内部的结构形态和为临床诊断与医学研究中必不可少的辅助工具[1]。从 20 世成像技术的发展较为迅速，许多新技术被应用到了医学成成像方式，这些成像方式所形成的医学图像不仅提供了人图 1. 2 人体脑部组织同一视角下的 CT 图像和 MR 图像图 1.1 人体脑部组织同一视角下的 MR 图像和 PET 图像
的定位较为容易，而 MR 图像对软组织的成像较为清晰，为容易[74]，两者的融合可以提高图像的清晰度、增加图像的提供更为精准的数据。另一组是 MR 和 PET 图像，PET 图像术构造的图像，常用于反映机体的代谢信息，对血管疾病的种情况具有重要意义，两者的融合可以整合 MR 图像的组织的功能信息，使融合的图像具有较为全面的病理信息，可以准确性。 图像融合仿真实验选取文所提出的算法的效果进行验证，本小节选取了一组 256部组织同一视角下的 CT 图像和 MR 图像进行融合仿真实验选取的一组人体脑部组织同一视角下的 CT 图像和 MR 图像像，右侧为 MR 图像。本小节所选取的仿真实验源图像来.med.harvard.edu/AANLIB/home.html)。
【参考文献】：
期刊论文
[1]基于双树复小波变换的自适应PCNN图像融合算法[J]. 杜进楷,陈世国. 红外技术. 2018(10)
[2]图像融合质量评价方法研究综述[J]. 杨艳春,李娇,王阳萍. 计算机科学与探索. 2018(07)
[3]稀疏表示和非下采样Shearlet变换相结合的多聚焦图像融合[J]. 杨勇,万伟国,黄淑英,姚丽. 小型微型计算机系统. 2017(02)
[4]基于NSST与自适应PCNN相结合的卫星云图融合[J]. 颜文,龚飞,周颖,周峰,金炜,符冉迪. 光电工程. 2016(10)
[5]结合NSDTCT和稀疏表示的遥感图像融合[J]. 殷明,庞纪勇,魏远远,段普宏. 光子学报. 2016(01)
[6]改进拉普拉斯能量和的尖锐频率局部化Contourlet域多聚焦图像融合方法[J]. 屈小波,闫敬文,杨贵德. 光学精密工程. 2009(05)
[7]非降采样Contourlet域内空间频率激励的PCNN图像融合算法（英文）[J]. 屈小波,闫敬文,肖弘智,朱自谦. 自动化学报. 2008(12)
[8]图像融合质量评价方法的研究[J]. 胡良梅,高隽,何柯峰. 电子学报. 2004(S1)
[9]多分辨率图像融合的研究与发展[J]. 王宏,敬忠良,李建勋. 控制理论与应用. 2004(01)
[10]多源遥感图像融合效果评价方法研究[J]. 王海晖,彭嘉雄,吴巍,李峰. 计算机工程与应用. 2003(25)
博士论文
[1]基于稀疏表示的像素级图像融合方法研究[D]. 朱智勤.重庆大学 2016
[2]像素级多源图像融合方法研究[D]. 刘羽.中国科学技术大学 2016
[3]基于NSST的图像融合算法研究[D]. 邢笑雪.吉林大学 2014
[4]脉冲发放皮层模型及其应用[D]. 绽琨.兰州大学 2010
[5]基于多尺度分解的多传感器图像融合算法研究[D]. 叶传奇.西安电子科技大学 2009
硕士论文
[1]基于非下采样剪切波变换和稀疏表示的图像融合算法研究[D]. 吴月.北京交通大学 2018
[2]Shearlet变换和稀疏表示相结合的甲状腺结节图像融合[D]. 孙雪青.河北大学 2015
[3]基于PCNN的图像融合方法的研究[D]. 于海慧.华北电力大学 2015
[4]基于压缩感知的信道估计技术研究[D]. 李慧蕾.电子科技大学 2014
[5]医学图像融合的方法研究及其应用[D]. 刘雯敏.江南大学 2013
[6]基于Shearlet和智能优化算法的图像融合方法研究[D]. 王一丁.西安电子科技大学 2013
[7]基于小波分解和改进型PCNN的图像融合方法研究[D]. 胡艺龄.中南大学 2010
[8]基于非亚采样Contourlet变换的图像融合研究[D]. 刘迎辉.山东大学 2010
本文编号：2999065
【文章来源】：贵州师范大学贵州省
【文章页数】：75 页
【学位级别】：硕士
【部分图文】：
人体脑部组织同一视角下的CT图像和MR图像
成像系统的介绍像以非常直观的形式向人们展示了人体内部的结构形态和为临床诊断与医学研究中必不可少的辅助工具[1]。从 20 世成像技术的发展较为迅速，许多新技术被应用到了医学成成像方式，这些成像方式所形成的医学图像不仅提供了人图 1. 2 人体脑部组织同一视角下的 CT 图像和 MR 图像图 1.1 人体脑部组织同一视角下的 MR 图像和 PET 图像
的定位较为容易，而 MR 图像对软组织的成像较为清晰，为容易[74]，两者的融合可以提高图像的清晰度、增加图像的提供更为精准的数据。另一组是 MR 和 PET 图像，PET 图像术构造的图像，常用于反映机体的代谢信息，对血管疾病的种情况具有重要意义，两者的融合可以整合 MR 图像的组织的功能信息，使融合的图像具有较为全面的病理信息，可以准确性。 图像融合仿真实验选取文所提出的算法的效果进行验证，本小节选取了一组 256部组织同一视角下的 CT 图像和 MR 图像进行融合仿真实验选取的一组人体脑部组织同一视角下的 CT 图像和 MR 图像像，右侧为 MR 图像。本小节所选取的仿真实验源图像来.med.harvard.edu/AANLIB/home.html)。
【参考文献】：
期刊论文
[1]基于双树复小波变换的自适应PCNN图像融合算法[J]. 杜进楷,陈世国. 红外技术. 2018(10)
[2]图像融合质量评价方法研究综述[J]. 杨艳春,李娇,王阳萍. 计算机科学与探索. 2018(07)
[3]稀疏表示和非下采样Shearlet变换相结合的多聚焦图像融合[J]. 杨勇,万伟国,黄淑英,姚丽. 小型微型计算机系统. 2017(02)
[4]基于NSST与自适应PCNN相结合的卫星云图融合[J]. 颜文,龚飞,周颖,周峰,金炜,符冉迪. 光电工程. 2016(10)
[5]结合NSDTCT和稀疏表示的遥感图像融合[J]. 殷明,庞纪勇,魏远远,段普宏. 光子学报. 2016(01)
[6]改进拉普拉斯能量和的尖锐频率局部化Contourlet域多聚焦图像融合方法[J]. 屈小波,闫敬文,杨贵德. 光学精密工程. 2009(05)
[7]非降采样Contourlet域内空间频率激励的PCNN图像融合算法（英文）[J]. 屈小波,闫敬文,肖弘智,朱自谦. 自动化学报. 2008(12)
[8]图像融合质量评价方法的研究[J]. 胡良梅,高隽,何柯峰. 电子学报. 2004(S1)
[9]多分辨率图像融合的研究与发展[J]. 王宏,敬忠良,李建勋. 控制理论与应用. 2004(01)
[10]多源遥感图像融合效果评价方法研究[J]. 王海晖,彭嘉雄,吴巍,李峰. 计算机工程与应用. 2003(25)
博士论文
[1]基于稀疏表示的像素级图像融合方法研究[D]. 朱智勤.重庆大学 2016
[2]像素级多源图像融合方法研究[D]. 刘羽.中国科学技术大学 2016
[3]基于NSST的图像融合算法研究[D]. 邢笑雪.吉林大学 2014
[4]脉冲发放皮层模型及其应用[D]. 绽琨.兰州大学 2010
[5]基于多尺度分解的多传感器图像融合算法研究[D]. 叶传奇.西安电子科技大学 2009
硕士论文
[1]基于非下采样剪切波变换和稀疏表示的图像融合算法研究[D]. 吴月.北京交通大学 2018
[2]Shearlet变换和稀疏表示相结合的甲状腺结节图像融合[D]. 孙雪青.河北大学 2015
[3]基于PCNN的图像融合方法的研究[D]. 于海慧.华北电力大学 2015
[4]基于压缩感知的信道估计技术研究[D]. 李慧蕾.电子科技大学 2014
[5]医学图像融合的方法研究及其应用[D]. 刘雯敏.江南大学 2013
[6]基于Shearlet和智能优化算法的图像融合方法研究[D]. 王一丁.西安电子科技大学 2013
[7]基于小波分解和改进型PCNN的图像融合方法研究[D]. 胡艺龄.中南大学 2010
[8]基于非亚采样Contourlet变换的图像融合研究[D]. 刘迎辉.山东大学 2010
本文编号：2999065
本文链接：https://www.wllwen.com/kejilunwen/shengwushengchang/2999065.html
最近更新
教材专著
