發(fā)布時間：2018-03-27 05:23

  本文選題：非局部自相似性　切入點：字典學(xué)習(xí)　出處：《信號處理》2017年03期

【摘要】：隨著PET/CT技術(shù)的日益發(fā)展,其被廣泛應(yīng)用于現(xiàn)代放射治療。但在采集數(shù)據(jù)過程中,對人體放射時間較長,輻射當(dāng)量較大,增加了患者的痛苦,因此人們希望減少CT掃描中X射線的輻射。為解決這一問題,本文提出基于非局部自相似圖像塊字典學(xué)習(xí)的偽CT圖像預(yù)測方法。首先,對訓(xùn)練CT與MRI圖像進行圖像分塊,通過塊匹配算法聚類CT圖像塊,并提取CT與MRI圖像塊的多尺度特征。其次,通過字典學(xué)習(xí),獲得MRI圖像與CT圖像的映射關(guān)系矩陣,并對CT圖像塊進行預(yù)測。最后,通過重構(gòu)算法,從目標(biāo)MRI圖像中得到預(yù)測CT圖像。仿真實驗證明了提出算法相對基于圖譜集算法的有效性,以及在現(xiàn)代放射治療中利用MRI圖像替代CT圖像的應(yīng)用前景。
[Abstract]:With the development of PET/CT technology, it is widely used in modern radiotherapy. However, in the process of collecting data, the radiation time of human body is longer, the radiation equivalent is larger, and the pain of patients is increased. Therefore, people want to reduce X-ray radiation in CT scanning. In order to solve this problem, a pseudo-CT image prediction method based on nonlocal self-similar image block dictionary learning is proposed in this paper. Firstly, the training CT and MRI images are divided into blocks. The block matching algorithm is used to cluster CT image blocks and extract the multi-scale features of CT and MRI image blocks. Secondly, through dictionary learning, the mapping relation matrix between MRI images and CT images is obtained, and the CT image blocks are predicted. Computed tomography (CT) images are obtained from target MRI images by reconstruction algorithm. The simulation results show that the proposed algorithm is more effective than the atlas set based algorithm and the application prospect of replacing CT images with MRI images in modern radiotherapy.
【作者單位】： 天津大學(xué)電子信息工程學(xué)院;濱州學(xué)院信息工程學(xué)院;天津商業(yè)大學(xué)信息工程學(xué)院;
【基金】：國家自然科學(xué)基金項目(61340034) 濱州學(xué)院科研基金項目(BZXYG1112)
【分類號】：R814.42;TP391.41

【相似文獻】

相關(guān)會議論文 前2條

1 李趙紅;侯建軍;宋偉;;基于圖像塊等級模型的多重認證水印算法[A];第八屆全國信息隱藏與多媒體安全學(xué)術(shù)大會湖南省計算機學(xué)會第十一屆學(xué)術(shù)年會論文集[C];2009年

2 鐘凡;莫銘臻;秦學(xué)英;彭群生;;基于WSSD的不規(guī)則圖像塊快速匹配[A];中國計算機圖形學(xué)進展2008--第七屆中國計算機圖形學(xué)大會論文集[C];2008年

相關(guān)博士學(xué)位論文 前5條

1 霍雷剛;圖像處理中的塊先驗理論及應(yīng)用研究[D];西安電子科技大學(xué);2015年

2 欽夏孟;稠密圖像塊匹配方法及其應(yīng)用[D];北京理工大學(xué);2015年

3 林樂平;基于過完備字典的非凸壓縮感知理論與方法研究[D];西安電子科技大學(xué);2016年

4 向濤;復(fù)雜場景下目標(biāo)檢測算法研究[D];電子科技大學(xué);2016年

5 宋偉;幾類數(shù)字圖像水印算法的研究[D];北京交通大學(xué);2010年

相關(guān)碩士學(xué)位論文 前10條

1 王榮麗;基于半監(jiān)督學(xué)習(xí)的目標(biāo)跟蹤方法研究[D];浙江師范大學(xué);2015年

2 祝漢城;數(shù)字圖像的客觀質(zhì)量評價方法研究[D];中國礦業(yè)大學(xué);2015年

3 陸杰;使用自組織增量神經(jīng)網(wǎng)絡(luò)實現(xiàn)單層非監(jiān)督特征學(xué)習(xí)[D];南京大學(xué);2015年

4 熊耀先;基于圖像塊統(tǒng)計特性的EPLL遙感圖像復(fù)原方法[D];國防科學(xué)技術(shù)大學(xué);2014年

5 張書揚;基于冗余字典的圖像壓縮感知技術(shù)研究[D];吉林大學(xué);2016年

6 楊存強;基于圖像塊多級分類和稀疏表示的超分辨率重建算法研究[D];天津工業(yè)大學(xué);2016年

7 李向向;視頻監(jiān)控下實時異常行為檢測研究[D];南京郵電大學(xué);2016年

8 程曉東;基于幀間塊約束和進化計算的視頻壓縮感知重構(gòu)方法[D];西安電子科技大學(xué);2016年

9 李小青;基于脊波冗余字典和多目標(biāo)遺傳優(yōu)化的壓縮感知圖像重構(gòu)[D];西安電子科技大學(xué);2016年

10 文俊;基于深度卷積神經(jīng)網(wǎng)絡(luò)的室外場景理解研究[D];杭州電子科技大學(xué);2016年

，

本文編號：1670184