基于ELM的核磁圖像處理技術(shù)研究與實現(xiàn).pdf

1、醫(yī)學(xué)圖像處理和應(yīng)用，不僅可以充分利用現(xiàn)有醫(yī)學(xué)影像設(shè)備，極大提高臨床診斷水平，而且能夠為基礎(chǔ)醫(yī)學(xué)的教學(xué)、培訓(xùn)、計算機輔助臨床外科手術(shù)等提供電子化的實現(xiàn)手段，為醫(yī)學(xué)研究和發(fā)展提供堅實基礎(chǔ)。在醫(yī)學(xué)治療過程中，常常使用到MagneticResonance Imaging(MRI)來進行病灶區(qū)域的檢測，MRI圖像的清晰與否，對醫(yī)生診斷的準(zhǔn)確性有著直接的影響，由于MRI可應(yīng)用于人體多個部位的多角度、多平面成像，因此可以更加客觀更加具體地顯示人體組織

2、，對病灶部位有著更好地觀察與診斷。對全身每一個系統(tǒng)疾病的分析診斷，尤其是早期腫瘤的發(fā)現(xiàn)以及治療有著很大的價值。
　　本文的研究工作包含以下幾個方面:闡述了現(xiàn)有的圖像超分辨率方式以圖像分割方式，詳細的介紹了極限學(xué)習(xí)機(Extreme Learning Machine，ELM)的內(nèi)容以及其發(fā)展和應(yīng)用。將極限學(xué)習(xí)機(Extreme Learning Machine，ELM)應(yīng)用到核磁共振圖像超分辨率當(dāng)中，提出了一種基于稀疏表示與極限學(xué)習(xí)

3、機相結(jié)合的新的單幅核磁圖像超分辨率方法，通過建立高分辨率圖像與低分辨率圖像間的映射關(guān)系模型來實現(xiàn)圖像的超分辨率重建。本文采用真實的腦核磁數(shù)據(jù)對算法進行試驗，驗證了該方法與一般的基于支持向量回歸(Support Vector Regression，SVR)的方式相比，有著更快的訓(xùn)練速度以及更好的超分辨率效果。將極限學(xué)習(xí)機(Extreme Learning Machine，ELM)應(yīng)用到核磁圖像分割當(dāng)中，與使用一般的極限學(xué)習(xí)機的方式不同的是

4、，本文采用的是一種無監(jiān)督的圖像分割方法。將無監(jiān)督極限學(xué)習(xí)機(Un-supervised Extreme Learning Machine，US-ELM)與基于空間鄰域信息的模糊C均值方法結(jié)合起來，實現(xiàn)了無人工干預(yù)的無監(jiān)督核磁圖像分割。本文采用真實的腦核磁數(shù)據(jù)對算法進行試驗，并對分割效果進行了分析，證明其具有較好的分割效果。
　　總之，本文研究了基于極限學(xué)習(xí)機的單幅核磁圖像超分辨率方法以及基于無監(jiān)督極限學(xué)習(xí)機的圖像超分辨率方法。這些