-
题名基于自适应云模型的多模态脑部图像融合方法
- 1
-
-
作者
赵佳
肖斌
李伟生
王国胤
-
机构
重庆邮电大学计算智能重庆市重点实验室
-
出处
《计算机科学》
CSCD
北大核心
2016年第11期291-296,F0003,共7页
-
基金
国家自然科学基金:基于多模态医学图像处理的多维可视化辅助诊疗关键技术研究(U1401252)
国家自然科学基金:基于词袋模型的多特征融合物体识别方法研究(61272195)
重庆市基础与前沿研究杰青项目:模式识别与图像处理基础理论及应用研究(cstc2014jcyjjq40001)资助
-
文摘
多模态医学图像融合通过提取并综合不同模态的医学图像信息,获得对病灶部位更加清晰、全面、准确、可靠的图像描述,为医生对疾病的诊断和合理治疗方案的制定提供可靠的依据。云模型理论是认知科学研究的新成果,具有兼顾随机性和模糊性的优点,在图像融合中的应用较少。借助云模型理论将来自不同模态的MRI(核磁共振成像)脑部图像、MRI与PET(正电子发射断层成像)、MRI与SPECT(单光子发射断层成像)脑部图像进行融合。首先,根据脑部图像自身的灰度直方图特征,对灰度直方图进行拟合;然后,由拟合曲线的谷值点划分区间并通过逆向云发生器自适应地生成云模型;最后,设计云推理规则,得到融合后的图像。实验结果表明,相比传统融合方法,所提方法融合后的图像脑部特征更清晰,激活区域更明显,在主观融合效果与客观评价指标方面均有很大的提高。
-
关键词
云模型理论
核磁共振成像
脑部图像融合
评价指标
-
Keywords
Cloud model theory
Magnetic resonance imaging
Brain image fusion
Evaluation index
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-
-
题名基于自适应联合字典学习的脑部多模态图像融合方法
被引量：4
- 2
-
-
作者
王丽芳
董侠
秦品乐
高媛
-
机构
中北大学大数据学院
-
出处
《计算机应用》
CSCD
北大核心
2018年第4期1134-1140,共7页
-
基金
山西省自然科学基金资助项目(2015011045)~~
-
文摘
针对目前全局训练字典对于脑部医学图像的自适应性不强,以及使用稀疏表示系数的L1范数取极大的融合方式易造成图像的灰度不连续效应进而导致图像融合效果欠佳的问题,提出一种基于自适应联合字典学习的脑部多模态图像融合方法。该方法首先使用改进的K奇异值分解(K-SVD)算法自适应地从已配准的源图像中学习得到子字典并组合成自适应联合字典,在自适应联合字典的作用下由系数重用正交匹配追踪(CoefROMP)算法计算得到稀疏表示系数;然后将稀疏表示系数的"多范数"作为源图像块的活跃度测量,并提出"自适应加权平均"与"选择最大"相结合的无偏规则,根据稀疏表示系数的"多范数"的相似度选择融合规则,当"多范数"的相似度大于阈值时,使用"自适应加权平均"的规则,反之则使用"选择最大"的规则融合稀疏表示系数;最后根据融合系数与自适应联合字典重构融合图像。实验结果表明,与其他三种基于多尺度变换的方法和五种基于稀疏表示的方法相比,所提方法的融合图像能够保留更多的图像细节信息,对比度和清晰度较好,病灶边缘清晰,客观参数标准差、空间频率、互信息、基于梯度指标、基于通用图像质量指标和平均结构相似指标在三组实验条件下的均值分别为:71.078 3、21.970 8、3.679 0、0.660 3、0.735 2和0.733 9。该方法可以应用于临床诊断和辅助治疗。
-
关键词
脑部多模态图像融合
K奇异值分解
自适应联合字典
系数重用正交匹配追踪
稀疏表示
多范数
无偏规则
-
Keywords
multi-modal brain image fusion
K-means-based Singular Value Decomposition(K-SVD)
adaptive joint dictionary
Coefficient Reuse Orthogonal Matching Pursuit(CoefROMP)
sparse representation
multi-norm
unbiased rule
-
分类号
TP391.41
[自动化与计算机技术—计算机应用技术]
-
