论文部分内容阅读
随着医学影像学和计算机科学与技术的迅速发展,以计算机辅助诊疗为基础的多模态医学影像在现代医学的临床诊断中扮演着必不可少的角色。由于各类成像设备具备的自身特点促使不同成像设备获取的医学图像类型不尽相同并且图像内容存在互相补充的作用,所以将不同模态的医学图像融合并应用于临床医疗诊断和微创手术等方面成为亟待研究的课题。医学图像融合通过将单个或多个成像模态的多幅图像进行配准和整合以提高成像质量、降低随机性和冗余度的过程能够为疾病的准确诊断提供巨大帮助。本文深入研究脑部多模态图像融合理论及稀疏表示理论,希望能够推动医学图像融合技术的理论研究及其在临床医学的广泛应用,本文的主要研究内容及创新点如下:针对目前使用单字典表示脑部医学图像难以得到精确的稀疏表示进而导致图像融合效果欠佳,以及字典训练时间过长的问题,提出了一种改进耦合字典学习的脑部CT/MR图像融合方法。该方法首先将CT和MR图像对作为训练集,使用改进的K-SVD算法联合训练分别得到耦合的CT字典和MR字典,再将CT和MR字典中的原子作为训练图像的特征,并使用信息熵计算字典原子的特征指标;然后将特征指标相差较小的原子看作公共特征,其余为各自特征,并分别使用“平均”和“选择最大”的规则融合CT和MR字典的公共特征和各自特征得到融合字典;其次将配准的源图像编纂成列向量并去除均值,在融合字典的作用下由CoefROMP算法计算得到精确的稀疏表示系数,再分别使用“2范数最大”和“加权平均”的规则融合稀疏表示系数和均值向量;最后通过重建得到融合图像。实验结果表明所提方法能有效地提高脑部医学图像融合的质量和字典训练的时间效率。针对目前全局训练字典对于脑部医学图像的自适应性不强,以及使用稀疏表示系数的L1范数取极大的融合方式易造成图像的灰度不连续效应进而导致图像融合效果欠佳的问题,提出一种基于自适应联合字典学习的脑部多模态图像融合方法。该方法首先使用改进的K奇异值分解(K-SVD)算法自适应地从已配准的源图像中学习得到子字典并组合成自适应联合字典,在自适应联合字典的作用下由系数重用正交匹配追踪(CoefROMP)算法计算得到稀疏表示系数;然后将稀疏表示系数的“多范数”作为源图像块的活跃度测量,并提出“自适应加权平均”与“选择最大”相结合的无偏规则,根据稀疏表示系数的“多范数”的相似度选择融合规则,当“多范数”的相似度大于阈值时,使用“自适应加权平均”的规则,反之则使用“选择最大”的规则融合稀疏表示系数;最后根据融合系数与自适应联合字典重构融合图像。实验结果表明,所提方法的融合图像能够保留更多的图像细节信息,对比度和清晰度较好,病灶边缘清晰,客观评价指标较高,主客观评价结果一致。针对脑部多模态图像的特征,在像素级图像融合层次研究的基础上,基于Matlab平台开发一套多模态医学图像融合系统。该系统的主要功能包括:输入已配准的源图像、选择融合方法、输出融合结果、保存融合图像;实现的融合方法包括:离散小波变换、拉普拉斯金字塔变换、非下采样轮廓波变换、基于K-SVD算法的全局训练字典的方法、基于改进耦合字典学习的脑部CT/MR图像融合方法和基于自适应联合字典学习的脑部多模态图像融合方法。该系统具有良好的稳定性、可靠性和实时性,可以应用于临床诊断和辅助治疗。