稀疏表示理論在醫(yī)學(xué)影像處理與分析中的應(yīng)用研究.pdf

1、近年來，信號(hào)處理領(lǐng)域的一個(gè)最新進(jìn)展是稀疏表示理論。稀疏表示理論已被廣泛應(yīng)用于圖像處理、計(jì)算機(jī)視覺和模式識(shí)別等方面。同時(shí)在醫(yī)學(xué)影像處理與分析領(lǐng)域，以稀疏表示理論為基礎(chǔ)的稀疏編碼方法和稀疏正則化方法也得到了廣大研究者的日益重視，運(yùn)用稀疏方法能夠解決傳統(tǒng)醫(yī)學(xué)影像處理與分析技術(shù)中的許多問題。
　　醫(yī)學(xué)影像處理與分析主要包含醫(yī)學(xué)影像去噪、增強(qiáng)、分割和影像序列分析等技術(shù)。本論文在稀疏表示理論的基礎(chǔ)上研究了醫(yī)學(xué)影像處理與分析領(lǐng)域中的幾個(gè)問題，對(duì)

2、醫(yī)學(xué)影像去噪、影像增強(qiáng)和影像序列分析進(jìn)行了討論，具體成果如下。
　　將斑點(diǎn)噪聲模型與圖像稀疏編碼相結(jié)合解決超聲醫(yī)學(xué)影像去噪問題。采用1/2稀疏編碼對(duì)影像數(shù)據(jù)進(jìn)行描述以得到比傳統(tǒng)1編碼更為稀疏的表達(dá)形式。在Bayesian-MAP框架下，根據(jù)編碼的統(tǒng)計(jì)分布特點(diǎn)，設(shè)計(jì)合適的閾值收縮算法，實(shí)現(xiàn)對(duì)噪聲的抑制，達(dá)到恢復(fù)影像質(zhì)量的目的。實(shí)驗(yàn)表明算法能有效地恢復(fù)醫(yī)學(xué)超聲影像，較好地抑制斑點(diǎn)噪聲，增強(qiáng)邊緣并保持細(xì)節(jié)效果。
　　研究了醫(yī)療影像

3、的偏差場(chǎng)自適應(yīng)校正與增強(qiáng)問題。針對(duì)傳統(tǒng)校正增強(qiáng)方法對(duì)偏差場(chǎng)模型參數(shù)依賴等問題，分析了醫(yī)療成像中偏差場(chǎng)與觀測(cè)影像之間的聯(lián)系，提出實(shí)現(xiàn)影像增強(qiáng)的合理假設(shè)，在偏差場(chǎng)成像模型的基礎(chǔ)上，構(gòu)造了基于稀疏正則約束的自適應(yīng)校正增強(qiáng)模型。增強(qiáng)模型包含雙正則項(xiàng)，分別采用全變差約束理想影像和梯度光滑性約束偏差場(chǎng)結(jié)構(gòu)，運(yùn)用迭代演化觀測(cè)影像曲面的方法自適應(yīng)地逼近偏差場(chǎng)，從而避免了估計(jì)偏差場(chǎng)模型參數(shù)，采用交替優(yōu)化方法尋優(yōu)達(dá)到校正增強(qiáng)目的。仿真與真實(shí)數(shù)據(jù)實(shí)驗(yàn)驗(yàn)證了該

4、算法能夠得到較好地實(shí)現(xiàn)醫(yī)學(xué)影像增強(qiáng)效果。
　　研究了醫(yī)學(xué)時(shí)序影像數(shù)據(jù)自動(dòng)化分析技術(shù)，通過對(duì)傳統(tǒng)醫(yī)學(xué)影像序列因子分析方法進(jìn)行討論，提出一種基于稀疏非負(fù)矩陣分解的影像序列因子分析方法。該方法針對(duì)傳統(tǒng)因子分析方法中出現(xiàn)的問題進(jìn)行改進(jìn)，解決了解的非負(fù)性并對(duì)解的結(jié)構(gòu)進(jìn)行約束。在保證分解結(jié)果非負(fù)性的前提下，提出了既能夠描述醫(yī)學(xué)生理結(jié)構(gòu)獨(dú)立性，又能夠限制解的結(jié)構(gòu)稀疏正則約束項(xiàng)，進(jìn)而構(gòu)造出新的因子分析模型。應(yīng)用稀疏非負(fù)矩陣分解算法實(shí)現(xiàn)模型的數(shù)值求