论文部分内容阅读
随着现代计算机技术的迅猛发展,人们对于医学图像的研究已经进入计算机辅助检测和诊断阶段,这些先进的医疗设备和技术已经成为脑肿瘤、阿尔茨海默病、帕金森病及其它精神疾病检测的重要工具。医生通过结合影像学技术和图像处理等技术对脑部图像进行识别与分析,能够提高脑部疾病诊断的准确率和可靠性,在临床应用中具有十分重要的参考价值。大多数图像一般都具有天然的张量结构,或者可以被组织成张量结构,医学图像也不例外。张量结构具有很强的计算特性和表达能力,可以用来表示标量、向量和其它张量之间的线性关系,将图像转化成张量的形式,能够很好的维持高维空间数据的本征结构信息,为高维数据的分析提供依据。本文结合张量本身的结构特征,利用可以用张量构成图像序列的特性,结合张量分解算法和医学图像处理方法,提出了基于傅里叶—高阶奇异值分解和基于小波—高阶奇异值分解的脑部图像病变识别算法,分别将这两种算法用于识别脑肿瘤图像,并对仿真实验结果进行了验证与分析。主要工作如下:(1)首先概述了现代医学图像处理技术的研究现状,通过分析比较发现,现代医学图像处理方法针对脑部图像的实验结果并不理想。本文结合脑部图像本身特点以及张量分解算法的理论研究,将张量分解算法应用于脑部图像处理,具有十分重要的研究价值。(2)提出了基于傅里叶—高阶奇异值分解的脑部图像病变识别算法。该算法将傅里叶变换与高阶奇异值分解算法相结合,在计算奇异值之前,先进行傅里叶变换,与传统的高阶奇异值分解相比,在处理平稳信号时,具有良好的特性。而且该算法在计算时不需要重复选择最小开方运算,由于该算法由数据驱动,不需要选择参数或者设定阈值就能够将脑肿瘤图像多维数据组中的特征提取出来,实现了多站点提取脑肿瘤图像特征,能够快速、准确的识别出健康和病变的脑部图像。(3)提出了基于小波—高阶奇异值分解的脑部图像病变识别算法。该算法将小波变换与高阶奇异值分解算法相结合,在计算奇异值之前,先进行小波变换,与基于傅里叶—高阶奇异值分解的脑部图像病变识别算法相比,该算法能够处理非平稳信号,解决了很多傅里叶—高阶奇异值分解算法无法解决的难题。本文提出了两种基于张量分解的脑部图像病变识别算法,仿真实验结果表明这两种算法都适用于处理组织结构比较复杂的脑部图像,能够快速、准确的识别出健康和病变的脑部图像,具有很高的研究价值。