多模醫(yī)學圖像預處理和融合方法研究.pdf

1、隨著醫(yī)學影像技術的快速發(fā)展，臨床可用的不同模態(tài)醫(yī)學圖像越來越多，為了克服單一模態(tài)醫(yī)學圖像在局部細節(jié)信息描述上的局限性，研究者提出了多模醫(yī)學圖像融合技術。該技術通過提取和綜合不同模態(tài)的醫(yī)學圖像信息，獲得對病灶部位更加清晰、全面、準確、可靠的圖像描述，為醫(yī)生對疾病的診斷和合理治療方案的制定提供可靠依據(jù)。多模醫(yī)學圖像融合是多源圖像融合在醫(yī)學領域的一個重要分支，作為一門多學科交叉的新興科研領域，它不僅有著重要的科研價值同時也與人們?nèi)粘Ｉ钕⑾⑾?/p>

2、關。經(jīng)過近三十年的發(fā)展，多模醫(yī)學圖像融合取得了不少階段性成果，也形成了一些成熟的理論方法，但到目前為止在醫(yī)學圖像融合的幾個關鍵環(huán)節(jié)上仍有許多問題有待解決。為了更好地解決這些問題，本文著眼于融合過程的幾個關鍵環(huán)節(jié)，從“MRI圖像灰度信息校正”、“源圖像配準”、“多光譜與全色醫(yī)學圖像融合”和“顯著信息保存的醫(yī)學圖像融合”等方面開展了醫(yī)學圖像預處理和融合的研究工作，主要內(nèi)容和貢獻如下：
　　在醫(yī)學圖像預處理研究中，本文提出了基于簡化PC

3、NN模型的MRI圖像灰度不均勻性校正算法和基于級聯(lián) PCNN模型的醫(yī)學圖像配準算法。前者利用 PCNN的脈沖同步發(fā)放機制進行圖像偏移場估計，在保證校正效果的同時有效提高了算法的實時性。后者利用級聯(lián)PCNN模型提取圖像目標區(qū)域的凹點，再結合FCM聚類和坐標系分塊，完成醫(yī)學圖像配準。
　　在多光譜與全色醫(yī)學圖像融合研究中，本文提出了基于IHS和PCA的圖像融合算法，為了進一步改善融合圖像的光譜特性，在原算法基礎上引入了視網(wǎng)膜激勵模型，

4、改進算法的融合圖像不僅提高了圖像的空間分辨率，而且較好的保持了源圖像的光譜信息，有效避免了光譜扭曲現(xiàn)象的發(fā)生。
　　為了突出融合過程中源圖像重要信息的轉移，本文提出了基于顯著信息保存的多模醫(yī)學圖像融合算法。該算法通過對源圖像局部區(qū)域的顯著性加權，使隱含在圖像像素中的重要信息順利從源圖像轉移到融合圖像。為了突出圖像中不同位置（紋理、強邊緣、弱邊緣、角點和平滑區(qū)域等）像素的不同特征，在原算法基礎上又引入了區(qū)域內(nèi)像素的特征加權，改進算法

5、的融合圖像在視覺效果和信息描述上都優(yōu)于原算法。
　　為了進一步提高融合圖像質(zhì)量，本文提出了兩種基于初始融合圖像的融合算法。第一種算法是在加權平均融合基礎上，結合引導濾波和像素篩選策略得到最終融合圖像，該算法的融合結果存留了加權平均融合的缺陷，融合圖像對比度較低且紋理等細節(jié)信息較為模糊。第二種算法是通過圖像塊代替的方式得到初始融合圖像，在此基礎上進行邊緣強化等處理得到最終融合圖像。比較這兩種融合算法，后者的初始融合圖像在對比度和圖像