發(fā)布時間：2019-09-12 05:48

【摘要】：醫(yī)學(xué)圖像融合是對多幅不同模態(tài)的醫(yī)學(xué)圖像進(jìn)行信息綜合,合成一幅包含所有源圖像重要信息的融合圖像的過程。該技術(shù)充分利用不同模態(tài)醫(yī)學(xué)圖像提供病灶信息的冗余性和互補(bǔ)性,以獲得比單一模態(tài)醫(yī)學(xué)圖像更全面、更精確的病灶屬性描述。隨著多分辨率分析理論的發(fā)展和完善,基于多分辨率分析的圖像融合已被公認(rèn)為是性能更為理想的一類融合方法,但此類方法合成圖像的質(zhì)量很大程度上取決于執(zhí)行圖像多尺度分解的理論工具的性能。新近出現(xiàn)的具有平移不變性的非下采樣的輪廓波變換(Non-Subsampled Contourlet Transform, NSCT)和非下采樣的剪切波變換(Non-Subsampled Shearlet Transform, NSST)擁有更加完美的圖像表述能力,更適合于圖像的融合處理。本論文重點研究基于NSCT和NSST的多模態(tài)醫(yī)學(xué)圖像融合方法,主要研究內(nèi)容和創(chuàng)新點概括如下：1.基于NSCT域的細(xì)節(jié)增強(qiáng)的醫(yī)學(xué)圖像融合方法針對許多圖像融合方法不能很好地提取并保存源圖像細(xì)節(jié)信息的問題,本文提出了一種基于NSCT域的細(xì)節(jié)增強(qiáng)的醫(yī)學(xué)圖像融合方法。該方法通過如下方式實現(xiàn)源圖像信息的提取、保存以及合成圖像細(xì)節(jié)的增強(qiáng)。(1)利用視覺可見性的測度準(zhǔn)則計算源圖像的權(quán)值圖,實現(xiàn)源圖像重要信息的提取和轉(zhuǎn)移；(2)對各級分解子帶進(jìn)行內(nèi)容適應(yīng)性增強(qiáng),以此突出源圖像的細(xì)節(jié)信息；(3)對重構(gòu)前的混合子帶進(jìn)行增益控制增強(qiáng),進(jìn)一步調(diào)整融合圖像的亮度和清晰度。實驗結(jié)果表明提出的方法能夠有效增強(qiáng)融合圖像的細(xì)節(jié)信息。2.基于NSCT域系數(shù)相關(guān)性統(tǒng)計的醫(yī)學(xué)圖像融合方法針對傳統(tǒng)的基于NSCT的融合算法遺漏其高頻子帶系數(shù)間相關(guān)性關(guān)系的問題,本文提出了基于NSCT域系數(shù)統(tǒng)計的醫(yī)學(xué)圖像融合方法。該方法首先通過廣義高斯分布函數(shù)精確擬合NSCT域高頻子帶系數(shù)的概率分布直方圖,然后使用吉森香農(nóng)差(Jensen Shannon Divergence, JSD)量化兩個高斯分布函數(shù)間的相似度,最后將系數(shù)間的依賴性關(guān)系嵌入到高頻子帶的融合規(guī)則中。實驗結(jié)果表明提出的方法明顯優(yōu)于傳統(tǒng)的基于NSCT的醫(yī)學(xué)圖像融合方法,在互信息和信息熵兩個客觀評價指標(biāo)上具有優(yōu)異的性能表現(xiàn)。3.基于NSST與雙通道單位鏈接PCNN的醫(yī)學(xué)圖像融合方法為了彌補(bǔ)經(jīng)典的PCNN模型中待定參數(shù)過多、缺乏適應(yīng)性、時間開銷過大的缺陷,本文提出了基于NSST與雙通道單位鏈接PCNN的醫(yī)學(xué)圖像融合方法。該方法簡化了傳統(tǒng)PCCN模型中的鏈接結(jié)構(gòu),將NSST對圖像靈活的多尺度、多方向分解的特性同雙通道PCCN模型全局耦合及脈沖同步發(fā)放特性結(jié)合在一起。同傳統(tǒng)的PCNN模型相比,提出的模型具有設(shè)置參數(shù)少、適應(yīng)性強(qiáng)的優(yōu)點。算法執(zhí)行的過程中以區(qū)域圖像清晰度的對比度作為鏈接強(qiáng)度β的智能化輸入,并通過賦時矩陣T確定迭代次數(shù),有效提高了其適應(yīng)性并減少了時間消耗。多組融合實驗的結(jié)果顯示提出的方法具有優(yōu)異的圖像融合性能,其融合圖像在主觀視覺表現(xiàn)和多項客觀指標(biāo)的評價中均優(yōu)于傳統(tǒng)的基于PCNN的醫(yī)學(xué)圖像融合方法。4.基于3D Shearlet變換的三維醫(yī)學(xué)圖像融合方法針對二維醫(yī)學(xué)圖像融合算法應(yīng)用于三維醫(yī)學(xué)圖像體數(shù)據(jù)的融合時導(dǎo)致第三維信息丟失的問題,本文提出一種新的基于3D Shearlet變換的三維醫(yī)學(xué)圖像融合方法。該方法充分考慮到人體組織的內(nèi)部結(jié)構(gòu)特征,定義了基于體素物理特性的特征級融合規(guī)則。算法的實現(xiàn)過程是首先采用結(jié)構(gòu)張量提取高頻子帶系數(shù)對應(yīng)體素的空間物理結(jié)構(gòu)特征,然后對結(jié)構(gòu)張量矩陣進(jìn)行秩分析,判定待融合圖像間對應(yīng)體素的結(jié)構(gòu)相似度,最后依據(jù)判定結(jié)果定義新的融合規(guī)則。實驗表明提出的算法能夠很好地融合3D醫(yī)學(xué)圖像,并具有很好的應(yīng)用價值�？傊�,本論文集中研究了當(dāng)前醫(yī)學(xué)圖像融合領(lǐng)域中的熱點和難點問題,提出了4種新的醫(yī)學(xué)圖像融合算法。實驗結(jié)果表明提出的算法都具有良好的性能表現(xiàn)。
【圖文】：

從臨床應(yīng)用效果上講，敲合后的影像綜合表述了病變組織的結(jié)構(gòu)特征和功能逡逑狀況，影像的可靠性、穩(wěn)定性及容錯能力大大提高，可有效提高臨床診斷的準(zhǔn)確逡逑率。圖１－２是一幅Ｘ射線圖像（Ｘ－ｒａｙ邋ｉｒＭｇｅ）與一幅骨掃描影像（Ｂｏｎｅ邋ｓｃａｎ邋ｉｍａｇｅ）逡逑的融合實例。明顯地，融合后的圖像不僅能顯示距骨和跟骨關(guān)節(jié)處的骨折損傷位逡逑置，還能遠(yuǎn)示其挫傷區(qū)域面積的大小，而每幅單一模態(tài)的源圖像僅能顯示某一方逡逑面的信息，對骨質(zhì)損傷區(qū)域的位置定位明顯不如融合圖像清晰明確。逡逑■邋ｉｍｍ逡逑（ａ）邋Ｘ射線圖像邐（ｂ）骨掃描影像邐（Ｃ）融合圖像逡逑圖１－２兩幅不同橫態(tài)醫(yī)學(xué)圖像融合實例逡逑１．２圖像融合技術(shù)的發(fā)展與研究現(xiàn)狀逡逑圖像融合技術(shù)產(chǎn)生于２０世紀(jì)７０年代末，在近３０年來得到了快速發(fā)展，己被逡逑廣泛應(yīng)用于多種圖像的分析處理。Ｄａｉｌｙ等人Ｗ于１９７９年首先完成了雷達(dá)圖像和逡逑２逡逑

（邐Ａ邋ｆ邋ＡｎＢ邋ｊ邋Ｂ邐）逡逑互補(bǔ)巧度逡逑圖１－１兩幅不村模態(tài)醫(yī)學(xué)圖像融合示意圖逡逑從臨床應(yīng)用效果上講，敲合后的影像綜合表述了病變組織的結(jié)構(gòu)特征和功能逡逑狀況，影像的可靠性、穩(wěn)定性及容錯能力大大提高，可有效提高臨床診斷的準(zhǔn)確逡逑率。圖１－２是一幅Ｘ射線圖像（Ｘ－ｒａｙ邋ｉｒＭｇｅ）與一幅骨掃描影像（Ｂｏｎｅ邋ｓｃａｎ邋ｉｍａｇｅ）逡逑的融合實例。明顯地，融合后的圖像不僅能顯示距骨和跟骨關(guān)節(jié)處的骨折損傷位逡逑置，還能遠(yuǎn)示其挫傷區(qū)域面積的大小，而每幅單一模態(tài)的源圖像僅能顯示某一方逡逑面的信息，對骨質(zhì)損傷區(qū)域的位置定位明顯不如融合圖像清晰明確。逡逑■邋ｉｍｍ逡逑（ａ）邋Ｘ射線圖像邐（ｂ）骨掃描影像邐（Ｃ）融合圖像逡逑圖１－２兩幅不同橫態(tài)醫(yī)學(xué)圖像融合實例逡逑１．２圖像融合技術(shù)的發(fā)展與研究現(xiàn)狀逡逑圖像融合技術(shù)產(chǎn)生于２０世紀(jì)７０年代末，，在近３０年來得到了快速發(fā)展，己被逡逑廣泛應(yīng)用于多種圖像的分析處理。Ｄａｉｌｙ等人Ｗ于１９７９年首先完成了雷達(dá)圖像和逡逑２逡逑
【學(xué)位授予單位】：電子科技大學(xué)
【學(xué)位級別】：博士
【學(xué)位授予年份】：2016
【分類號】：TP391.41

【參考文獻(xiàn)】

相關(guān)期刊論文 前10條

1 何衛(wèi)華;郭永彩;高潮;周東國;;利用NSCT實現(xiàn)夜視圖像的彩色化增強(qiáng)[J];計算機(jī)輔助設(shè)計與圖形學(xué)學(xué)報;2011年05期

2 穆瑩;王學(xué)軍;;基于提升小波變換的醫(yī)學(xué)圖像融合算法[J];石家莊鐵道大學(xué)學(xué)報(自然科學(xué)版);2010年04期

3 李彬;歐陜興;田聯(lián)房;余霞;;基于自適應(yīng)自由變形法和梯度下降法的胸部多模醫(yī)學(xué)圖像配準(zhǔn)[J];計算機(jī)應(yīng)用研究;2009年10期

4 屈小波;閆敬文;肖弘智;朱自謙;;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];自動化學(xué)報;2008年12期

5 劉R

本文編號：2534924