多模態(tài)醫(yī)學(xué)圖像融合指通過某種途徑將多幅包含不同特征信息的醫(yī)學(xué)圖像融合成一張圖像的過程。與單一模態(tài)圖像相比,融合圖像能更全面地反映組織器官的信息描述,可為臨床提供更豐富的輔助診療信息。現(xiàn)有的多模態(tài)醫(yī)學(xué)融合研究包含兩種模式:灰度圖像與灰度圖像的融合(比如MRI-CT)和灰度圖像與偽彩色圖像的融合(比如MRI-PET和MRI-SPECT)。MRI-CT融合能得到包含器官輪廓信息和軟組織信息的圖像,適用于腫瘤的診治。MRI-PET融合和MRI-SPECT融合能得到包含清晰的軟組織信息和豐富的色彩信息的圖像,適用于癌癥的診治。本文以MRI和CT、PET、SPECT的融合為研究對(duì)象,針對(duì)現(xiàn)有融合方法中存在的成分丟失(結(jié)構(gòu)、顏色)和融合圖像模糊的問題,提出了兩種有效的融合方法。針對(duì)現(xiàn)有MRI-PET、MRI-CT融合中存在的主成分(結(jié)構(gòu)、顏色)丟失問題,本文提出一種基于導(dǎo)向?yàn)V波和圖論顯著性的多模態(tài)醫(yī)學(xué)圖像融合方法。首先,利用導(dǎo)向?yàn)V波算法將源圖像分解為多個(gè)尺度的粗糙和細(xì)節(jié)子帶圖像。然后,分別利用信息熵和圖論顯著性檢測(cè)算法來指導(dǎo)粗糙和細(xì)節(jié)子帶圖像的融合。最后,通過求和算法對(duì)融合子帶圖像進(jìn)行重構(gòu)生成最終的...

【文章頁(yè)數(shù)】：69 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖1.1四個(gè)模態(tài)的醫(yī)學(xué)圖像

是通過醫(yī)療傳感器采集人體信息，生成醫(yī)學(xué)影像，幫助醫(yī)生進(jìn)行病情診斷和確認(rèn)病灶范圍。不同的傳感器設(shè)備在采集信息時(shí)原理不同，造成所采集到的信息側(cè)重點(diǎn)也不同。如圖1.1所示，目前常用的醫(yī)學(xué)圖像包括CT、MRI、PET和SPECT等模態(tài)。其中，CT是一種能清晰地表達(dá)人體骨骼器....

圖1.2多模態(tài)圖像融合示意圖

⒑頹邐?鈉鞴偃磣櫓?畔ⅲ?欣?詘┲⒌惱鋃嫌脛瘟芠5,6]。輸入圖像A輸入圖像B融合圖像FMRI-CTMRI-PETMRI-SPECT圖1.2多模態(tài)圖像融合示意圖1.2課題研究中的現(xiàn)有問題多模態(tài)醫(yī)學(xué)圖像融合包括：像素級(jí)圖像融合、特征級(jí)圖像融合與決策級(jí)圖像融合[7,8]。像....

圖3.1GBVS方法提取顯著性區(qū)域示例圖

得到m最終的顯著圖。然后把集合M中所有特征圖的顯著圖進(jìn)行尺度歸一化，將小尺度的圖拉伸至原圖大小，最后對(duì)這些特征顯著圖進(jìn)行疊加操作，生成最終的顯著圖S。新的馬爾科夫鏈的權(quán)重矩陣定義如下：(,)()(,)xxyypqApFpq....

圖3.2基于導(dǎo)向?yàn)V波和圖論顯著性的多模態(tài)圖像融合框架圖

圖3.2基于導(dǎo)向?yàn)V波和圖論顯著性的多模態(tài)圖像融合框架圖算法3.1：基于GIF和GBVS的多模態(tài)圖像融合算法輸入:待融合源圖像A,B輸出:融合圖像F步驟1:圖像多尺度分解1.利用GIF算法將A和B分解為3尺度粗糙和細(xì)節(jié)....

本文編號(hào)：3892582