多模醫(yī)學(xué)圖像預(yù)處理和融合方法研究.pdf

1、隨著醫(yī)學(xué)影像技術(shù)的快速發(fā)展，臨床可用的不同模態(tài)醫(yī)學(xué)圖像越來(lái)越多，為了克服單一模態(tài)醫(yī)學(xué)圖像在局部細(xì)節(jié)信息描述上的局限性，研究者提出了多模醫(yī)學(xué)圖像融合技術(shù)。該技術(shù)通過(guò)提取和綜合不同模態(tài)的醫(yī)學(xué)圖像信息，獲得對(duì)病灶部位更加清晰、全面、準(zhǔn)確、可靠的圖像描述，為醫(yī)生對(duì)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(xué)圖像融合是多源圖像融合在醫(yī)學(xué)領(lǐng)域的一個(gè)重要分支，作為一門(mén)多學(xué)科交叉的新興科研領(lǐng)域，它不僅有著重要的科研價(jià)值同時(shí)也與人們?nèi)粘Ｉ钕⑾⑾?/p>

2、關(guān)。經(jīng)過(guò)近三十年的發(fā)展，多模醫(yī)學(xué)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(xué)圖像融合的幾個(gè)關(guān)鍵環(huán)節(jié)上仍有許多問(wèn)題有待解決。為了更好地解決這些問(wèn)題，本文著眼于融合過(guò)程的幾個(gè)關(guān)鍵環(huán)節(jié)，從“MRI圖像灰度信息校正”、“源圖像配準(zhǔn)”、“多光譜與全色醫(yī)學(xué)圖像融合”和“顯著信息保存的醫(yī)學(xué)圖像融合”等方面開(kāi)展了醫(yī)學(xué)圖像預(yù)處理和融合的研究工作，主要內(nèi)容和貢獻(xiàn)如下：
　　在醫(yī)學(xué)圖像預(yù)處理研究中，本文提出了基于簡(jiǎn)化PC

3、NN模型的MRI圖像灰度不均勻性校正算法和基于級(jí)聯(lián) PCNN模型的醫(yī)學(xué)圖像配準(zhǔn)算法。前者利用 PCNN的脈沖同步發(fā)放機(jī)制進(jìn)行圖像偏移場(chǎng)估計(jì)，在保證校正效果的同時(shí)有效提高了算法的實(shí)時(shí)性。后者利用級(jí)聯(lián)PCNN模型提取圖像目標(biāo)區(qū)域的凹點(diǎn)，再結(jié)合FCM聚類(lèi)和坐標(biāo)系分塊，完成醫(yī)學(xué)圖像配準(zhǔn)。
　　在多光譜與全色醫(yī)學(xué)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(jìn)一步改善融合圖像的光譜特性，在原算法基礎(chǔ)上引入了視網(wǎng)膜激勵(lì)模型，

4、改進(jìn)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(guò)程中源圖像重要信息的轉(zhuǎn)移，本文提出了基于顯著信息保存的多模醫(yī)學(xué)圖像融合算法。該算法通過(guò)對(duì)源圖像局部區(qū)域的顯著性加權(quán)，使隱含在圖像像素中的重要信息順利從源圖像轉(zhuǎn)移到融合圖像。為了突出圖像中不同位置（紋理、強(qiáng)邊緣、弱邊緣、角點(diǎn)和平滑區(qū)域等）像素的不同特征，在原算法基礎(chǔ)上又引入了區(qū)域內(nèi)像素的特征加權(quán)，改進(jìn)算法

5、的融合圖像在視覺(jué)效果和信息描述上都優(yōu)于原算法。
　　為了進(jìn)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(quán)平均融合基礎(chǔ)上，結(jié)合引導(dǎo)濾波和像素篩選策略得到最終融合圖像，該算法的融合結(jié)果存留了加權(quán)平均融合的缺陷，融合圖像對(duì)比度較低且紋理等細(xì)節(jié)信息較為模糊。第二種算法是通過(guò)圖像塊代替的方式得到初始融合圖像，在此基礎(chǔ)上進(jìn)行邊緣強(qiáng)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(duì)比度和圖像