發(fā)布時間：2021-01-25 10:23

　　常用的醫(yī)學圖像包括解剖結(jié)構(gòu)圖像和功能圖像,單一的解剖結(jié)構(gòu)圖像或功能圖像由于各自成像機理的不同,所提供人體的醫(yī)療信息不同,這往往不能很好地滿足臨床的需求。因此,要克服單一模態(tài)的醫(yī)學圖像不能全面反映身體某一部位的全部信息這一臨床局限性,需要將多模態(tài)的醫(yī)學圖像進行融合處理,使得一幅融合圖像可以綜合的表達多種醫(yī)學圖像信息,從而為醫(yī)生進行臨床診斷和治療提供更加充分的判斷依據(jù),為病情診斷和手術(shù)治療提供幫助。本文基于這一臨床需求,進行了多模態(tài)醫(yī)學圖像融合算法的研究工作,研究的目的是希望改進出有效的圖像融合算法,提高融合圖像的質(zhì)量,為臨床診斷提供更為精準的判斷依據(jù)。本文以人體腦部組織同一視角下的CT和MR、MR和PET兩組圖像為融合研究對象,從多尺度幾何分析和融合規(guī)則兩方面為出發(fā)點,提出了基于非下采樣Shearlet變換（Non-Subsampled Shearlet Transform,NSST）的低頻域稀疏表示（Sparse Representation,SR）和高頻域自適應脈沖耦合神經(jīng)網(wǎng)絡（Pulse Coupled Neural Network,PCNN）的醫(yī)學圖像融合算法。NSST克服了小波... 

【文章來源】：貴州師范大學貴州省

【文章頁數(shù)】：75 頁

【學位級別】：碩士

【部分圖文】：

人體腦部組織同一視角下的CT圖像和MR圖像

成像系統(tǒng)的介紹像以非常直觀的形式向人們展示了人體內(nèi)部的結(jié)構(gòu)形態(tài)和為臨床診斷與醫(yī)學研究中必不可少的輔助工具[1]。從 20 世成像技術(shù)的發(fā)展較為迅速，許多新技術(shù)被應用到了醫(yī)學成成像方式，這些成像方式所形成的醫(yī)學圖像不僅提供了人圖 1. 2 人體腦部組織同一視角下的 CT 圖像和 MR 圖像圖 1.1 人體腦部組織同一視角下的 MR 圖像和 PET 圖像

的定位較為容易，而 MR 圖像對軟組織的成像較為清晰，為容易[74]，兩者的融合可以提高圖像的清晰度、增加圖像的提供更為精準的數(shù)據(jù)。另一組是 MR 和 PET 圖像，PET 圖像術(shù)構(gòu)造的圖像，常用于反映機體的代謝信息，對血管疾病的種情況具有重要意義，兩者的融合可以整合 MR 圖像的組織的功能信息，使融合的圖像具有較為全面的病理信息，可以準確性。 圖像融合仿真實驗選取文所提出的算法的效果進行驗證，本小節(jié)選取了一組 256部組織同一視角下的 CT 圖像和 MR 圖像進行融合仿真實驗選取的一組人體腦部組織同一視角下的 CT 圖像和 MR 圖像像，右側(cè)為 MR 圖像。本小節(jié)所選取的仿真實驗源圖像來.med.harvard.edu/AANLIB/home.html)。

【參考文獻】：
期刊論文
[1]基于雙樹復小波變換的自適應PCNN圖像融合算法[J]. 杜進楷,陳世國.  紅外技術(shù). 2018(10)
[2]圖像融合質(zhì)量評價方法研究綜述[J]. 楊艷春,李嬌,王陽萍.  計算機科學與探索. 2018(07)
[3]稀疏表示和非下采樣Shearlet變換相結(jié)合的多聚焦圖像融合[J]. 楊勇,萬偉國,黃淑英,姚麗.  小型微型計算機系統(tǒng). 2017(02)
[4]基于NSST與自適應PCNN相結(jié)合的衛(wèi)星云圖融合[J]. 顏文,龔飛,周穎,周峰,金煒,符冉迪.  光電工程. 2016(10)
[5]結(jié)合NSDTCT和稀疏表示的遙感圖像融合[J]. 殷明,龐紀勇,魏遠遠,段普宏.  光子學報. 2016(01)
[6]改進拉普拉斯能量和的尖銳頻率局部化Contourlet域多聚焦圖像融合方法[J]. 屈小波,閆敬文,楊貴德.  光學精密工程. 2009(05)
[7]非降采樣Contourlet域內(nèi)空間頻率激勵的PCNN圖像融合算法（英文）[J]. 屈小波,閆敬文,肖弘智,朱自謙.  自動化學報. 2008(12)
[8]圖像融合質(zhì)量評價方法的研究[J]. 胡良梅,高雋,何柯峰.  電子學報. 2004(S1)
[9]多分辨率圖像融合的研究與發(fā)展[J]. 王宏,敬忠良,李建勛.  控制理論與應用. 2004(01)
[10]多源遙感圖像融合效果評價方法研究[J]. 王海暉,彭嘉雄,吳巍,李峰.  計算機工程與應用. 2003(25)

博士論文
[1]基于稀疏表示的像素級圖像融合方法研究[D]. 朱智勤.重慶大學 2016
[2]像素級多源圖像融合方法研究[D]. 劉羽.中國科學技術(shù)大學 2016
[3]基于NSST的圖像融合算法研究[D]. 邢笑雪.吉林大學 2014
[4]脈沖發(fā)放皮層模型及其應用[D]. 綻琨.蘭州大學 2010
[5]基于多尺度分解的多傳感器圖像融合算法研究[D]. 葉傳奇.西安電子科技大學 2009

碩士論文
[1]基于非下采樣剪切波變換和稀疏表示的圖像融合算法研究[D]. 吳月.北京交通大學 2018
[2]Shearlet變換和稀疏表示相結(jié)合的甲狀腺結(jié)節(jié)圖像融合[D]. 孫雪青.河北大學 2015
[3]基于PCNN的圖像融合方法的研究[D]. 于海慧.華北電力大學 2015
[4]基于壓縮感知的信道估計技術(shù)研究[D]. 李慧蕾.電子科技大學 2014
[5]醫(yī)學圖像融合的方法研究及其應用[D]. 劉雯敏.江南大學 2013
[6]基于Shearlet和智能優(yōu)化算法的圖像融合方法研究[D]. 王一丁.西安電子科技大學 2013
[7]基于小波分解和改進型PCNN的圖像融合方法研究[D]. 胡藝齡.中南大學 2010
[8]基于非亞采樣Contourlet變換的圖像融合研究[D]. 劉迎輝.山東大學 2010



本文編號：2999065