基于稀疏表示的腦部CT和MRI圖像融合算法.pdf

1、由于多模態(tài)醫(yī)學(xué)圖像的成像原理不同，它們所包含的診斷信息不同。將具有互補(bǔ)信息的多模態(tài)醫(yī)學(xué)圖像融合后可以更好地輔助醫(yī)生臨床診斷和治療。21世紀(jì)以來(lái)，稀疏表示理論蓬勃發(fā)展，目前，該理論已經(jīng)在醫(yī)學(xué)圖像融合領(lǐng)域取得了較好的研究成果。
　　本文主要研究基于稀疏表示的腦部CT和MRI圖像特征提取和融合算法，重點(diǎn)研究了基于學(xué)習(xí)字典的圖像特征提取算法和稀疏域的活動(dòng)級(jí)測(cè)量準(zhǔn)則，主要內(nèi)容包括:
　　(1)對(duì)醫(yī)學(xué)圖像融合技術(shù)的研究背景、研究意義、國(guó)

2、內(nèi)外研究現(xiàn)狀進(jìn)行了分析，并總結(jié)了圖像的稀疏表示理論。
　　(2)提出了基于K-SVD和脈沖耦合神經(jīng)網(wǎng)絡(luò)(Pulse-coupled Neural Network, PCNN)的腦部CT和MRI圖像融合算法。
　　基于空間域和變換域的醫(yī)學(xué)圖像融合算法復(fù)雜度較低，但融合圖像存在像素不連續(xù)，對(duì)比度下降和邊緣模糊等現(xiàn)象，為了解決該問(wèn)題，本文提出了基于K-SVD和脈沖耦合神經(jīng)網(wǎng)絡(luò)的腦部CT和MRI圖像融合算法。該算法通過(guò)預(yù)處理技術(shù)得到

3、訓(xùn)練樣本，通過(guò)K-SVD算法和正交匹配追蹤(OMP)算法得到學(xué)習(xí)字典和訓(xùn)練樣本的稀疏編碼;將稀疏編碼的l1范數(shù)作為脈沖耦合神經(jīng)網(wǎng)絡(luò)的激勵(lì)，該網(wǎng)絡(luò)的輸出作為活動(dòng)級(jí)測(cè)量準(zhǔn)則。K-SVD算法得到的學(xué)習(xí)字典與訓(xùn)練樣本高度匹配，基于該學(xué)習(xí)字典的稀疏編碼可以更有效地表征源圖像的特征，另外，基于PCNN的活動(dòng)級(jí)測(cè)量準(zhǔn)則符合人類視覺系統(tǒng)的工作原理，故該算法性能良好。
　　(3)提出了基于在線字典學(xué)習(xí)(Online Dictionary Learn

4、ing, ODL)方法的腦部CT和MRI圖像融合算法，提高了算法的運(yùn)行速度。
　　K-SVD算法是二階迭代批處理過(guò)程，在每次字典更新過(guò)程中需要訪問(wèn)整個(gè)訓(xùn)練樣本集合，當(dāng)樣本數(shù)量太大時(shí)，K-SVD算法運(yùn)行速度很慢。為了解決該問(wèn)題，本文提出了基于在線字典學(xué)習(xí)的CT和MRI圖像融合算法。該算法通過(guò)預(yù)處理技術(shù)得到訓(xùn)練樣本，采用在線字典學(xué)習(xí)算法和最小角回歸算法得到學(xué)習(xí)字典和訓(xùn)練樣本的稀疏編碼;將稀疏編碼的l1范數(shù)作為活動(dòng)級(jí)測(cè)量準(zhǔn)則，根據(jù)活動(dòng)級(jí)