硕士论文网/国内首批论文服务机构

当前位置:硕士论文网首页 > 医学论文 > 基于稀疏表示的多模医学图像融合方法研究

基于稀疏表示的多模医学图像融合方法研究

时间:2020-10-18 15:48 | 栏目:医学论文 | 浏览:

硕士论文网第2020-10-18期,本期硕士论文写作指导老师为大家分享一篇医学论文文章《基于稀疏表示的多模医学图像融合方法研究》,供大家在写论文时进行参考。
  本篇论文是一篇医学硕士论文,针对基于稀疏表示的多模态医学图像融合方法存在的细节保存能力不足的问题以及单字典不能准确地反映输入图像的复杂结构,导致重建图像质量不佳的问题,本章提出了基于卷积稀疏表示双重字典学习与自适应 PCNN 的多模态医学图像融合方法(CSRDD-APCNN)。该方法将源图像分为稀疏与低秩两部分,构建了基于卷积稀疏表示的双重字典。为了充分保留源图像的细节信息,分别将卷积稀疏分量的改进的空间频率(NMSF)与卷积低秩分量的改进的拉普拉斯能量和(NSML)作为自适应脉冲耦合神经网络的输入激励,通过输出的点火次数将各分量融合。最后通过组合卷积稀疏与卷积低秩分量来得到融合图像,进一步提高了融合图像的质量。

  第一章  绪论

  1.1 选题依据、研究背景及意义
  本课题来源于山西省自然科学基金“纹理和边缘信息在癌症、脑肿瘤医学影像融合中的探索研究”(No. 201901D111152)。随着现代传感器和计算机科学技术的快速发展,医学影像已经逐渐成为医疗诊断、治疗规划和手术导航等临床实际应用中不可替代的关键组成部分。然而,由于成像机制的多样性,不同模式的医学图像所提供的信息各有其局限性,如下图 1-1 所示。磁共振图像(MRI)可以用高空间分辨率反映软组织的信息,但是不能提供功能信息;计算机断层扫描图像(CT)可以捕获密集结构的组织信息,如骨骼和植入物等,但是不能提供软组织信息以及功能信息等;除了这些解剖成像技术外,还有功能成像技术如正电子发射断层扫描(PET)图像可以用来定量和动态检测人体新陈代谢,但是不能提供精确定位所需要的解刨学信息;单光子发射计算机断层扫描图像(SPECT)可以提供显示代谢的临床显著变化信息,但同样不能提供结构信息,同时其空间分辨率较低。这些图像所提供的信息对疾病的诊断和肿瘤的检测具有重要意义,然而没有一种单独的成像方式可以提供医学诊断所需要的完整而准确的信息。为了获得充足的患者信息进行诊断,医生通常需要对不同模态的影像进行顺序分析,但这种分离的方式在许多情况下仍会带来不便,从而影响诊断结果。 综上,不同的成像机制都有其自身的优势和局限性,为了获得准确的临床诊断结果,有必要将不同模态的医学图像进行融合,将不同模态的医学图像中的互补信息进行融合,以获得关于病灶部位或病变器官的更准确、更全面的信息,提高医学图像引导诊断和医学问题评估的有效性。同时,多模态医学图像的融合还可以减少生成单模态图像时带来的随机性和冗余性,并进一步降低了患者信息的存储成本。
脑部多模态医学图像
  1.2 存在的问题
   随着国内外学者在医学图像融合领域的不断研究与深入,多模态图像融合技术获得了前所未有的蓬勃发展,但在该领域仍存在诸多待解决的问题。本文将从稀疏表示、多尺度几何分析以及脉冲耦合神经网络等三个方面对所面临的问题进行阐述以及实现对应的策略。(1)广泛使用的基于稀疏表示的融合方法大多采用基于局部图像块的策略,在将源图像利用滑动窗口分块后,对每个块的矢量进行独立处理,而没有考虑重叠像素的一致性约束。同时在求取每个重叠像素值时的聚合或平均操作会导致图像的细节模糊,因此提高融合图像的细节保存能力是有待解决的关键问题之一。(2)在传统的基于多尺度的融合方法中存在能量损失严重,对比度降低的问题。如何选择合适的融合策略以进一步提高融合图像的对比度是该领域需要考虑的问题。(3)基于稀疏表示的融合策略中,单个字典不能准确地反映输入图像的复杂结构,不能充分地包含图像的细节和纹理等信息,易对融合结果产生影响。如何克服该问题是进一步提升其融合效果的关键所在。同时,在对稀疏系数进行融合时,最为广泛使用的融合规则是根据 L1 范数最大选择融合系数,但这种做法会导致多模态图像的空间不一致性。(4)在传统的基于脉冲耦合神经网络的融合过程中,有一系列关键参数如链接强度、外部刺激等通常根据经验手动设置,并且所有的神经元设置为相同的参数,而根据文献,这些参数在不同的神经元中不应该完全相同,其与相应像素强度的特征有关,因此自适应参数是进一步提升融合图像质量的有效手段。在本文中主要研究的内容及问题:现有的基于稀疏表示的融合方法采用局部图像块的策略实现时容易造成图像细节保存能力不足的问题,以及单字典不能准确地反映输入图像的复杂结构,导致重建图像质量不佳的问题;在传统的基于多尺度的融合方法中存在对比度降低的问题,单字典表达能力不足,以及根据 L1 范数最大融合规则导致多模态图像的空间不一致性的问题。
信号稀疏表示模型

  第二章  稀疏表示、PCNN 与多模态医学图像融合基础理论 

  2.1 稀疏表示基础理论
  本章主要阐述的基础理论知识包括:(1)主要应用在多模态图像融合领域的稀疏表示(SR)基础模型的相关理论以及其扩展模型卷积稀疏表示(CSR);(2)用于图像融合的脉冲耦合神经网络的基础模型以及其改进模型介绍;(3)多尺度几何工具非下采样剪切波变换(NSST)和非下采样轮廓波变换(NSCT)的理论介绍;(4)多模态图像融合的主客观评价标准。上述理论知识将为之后的章节提供理论技术支持。由于稀疏表示在计算机视觉和图像处理领域的成功应用,其在多模态图像融合领域引起了广泛的关注。与传统多尺度变换(MST)的基函数不同,稀疏表示从一组训练图像中学习一个过完备字典进行图像融合,实现了对源图像更稳定和更有意义的表示。自传统的稀疏表示模型首次应用于多模态图像融合以来,其许多扩展模型也被应用于图像融合,在本节中,将对传统稀疏表示模型的理论概念进行介绍,并将其扩展到较复杂的卷积稀疏表示模型。
  2.2 PCNN 基础理论
   神经网络的研究发展在近年来获得了非常迅速的发展,许多学者对其进行了充分的研究,并取得了一定的成果。PCNN 作为第三代人工神经网络,以其独特的生物学特性在图像处理中得到了广泛的应用。这是通过对 Eckhorn 等人在 1990 年提出的基于猫大脑皮层脉冲分布同步现象的模型进行改进而实现的。在本节中将对 PCNN 标准模型及其自适应简化模型进行介绍。任何神经网络都是由许多神经元组成的。这些神经元一起工作来执行特定的功能。即神经元是网络的基本功能单元。PCNN 模型神经元与真实神经元相似,是脉冲耦合神经元横向连接的 2 维网络,每个神经元对应一个特定的像素,其受到周围神经元的影响。它的组成包括三部分:接受域、调制域和脉冲发生器。接受域由反馈输入和链接输入组成,反馈输入域使用突触权重 M 与周围的神经元连接,链接输入域使用突触权重W 与周围的神经元连接,通过指数衰减的迭代计算得到 M 和W 。在简化模型中,参数的部分简化使得模型的通用性得到了很好的保证。但是,视觉系统对图像中不同特征区域的响应存在很大差异。在 PCNN 模型中,这种差异主要体现在参数的设置上,参数的灵活变化仍然会影响最终的融合结果。在 PCNN 融合算法中链接强度 在融合过程中起关键作用。在传统的基于 PCNN 的融合过程中,通常根据经验手动设置,并且所有神经元设置相同的链接强度。而根据文献的值在不同的神经元中不应该完全相同,其与相应像素的特征有关。所以根据图像特征自适应确定,有助于提升融合效果。关于自适应 的确定方法,有空间频率、拉普拉斯能量、区域平均梯度和梯度能量等。其中,区域平均梯度能很好的反映图像的清晰程度,图像越清晰,区域平均梯度越大。

  第三章  双重字典学习与自适应 PCNN 相结合的图像融合方法 

  3.1  双重字典学习与自适应 PCNN 相结合的医学图像融合
  3.2  多模态医学图像融合过程
  3.3  本章小结

  第四章  基于多尺度字典与卷积稀疏表示的医学图像融合方法 

  4.1  基于多尺度字典与卷积稀疏表示的医学图像融合方法
  4.2  多模态医学图像融合过程
  4.3  本章小结

  第五章  仿真实验 

  5.1 CSRDD-APCNN 的实验环境与参数
  5.2 CSRDD-APCNN 的实验结果与分析
  5.3 NSST-CSR 的实验环境与参数
  5.4 NSST-CSR 的实验结果与分析
  5.5  本章小结

  第六章  总结与展望

  由于多模态医学图像成像机制的差异性,其反映的组织信息也各有不同,且单一模态的医学图像无法提供全面、准确的信息。因此,将不同模态的医学图像信息整合到一张图像中,以实现信息互补,方便医生进行医疗诊断,提高医疗诊断的精度,具有非常重要的意义。本文结合在第三章与第四章引言中提到医学图像融合所面临的问题及难点为立足点,查阅国内外文献,在各个前辈学者的基础上进行研究,基于多尺度与卷积稀疏表示做出改进创新,提出了两种多模态医学图像融合方法,其总结如下:(1)提出了双重字典学习与自适应 PCNN 相结合的医学图像融合方法。针对基于稀疏表示的医学图像融合方法存在细节保存能力有限的问题,以及单字典表达能力不足的问题,提出了基于卷积稀疏表示双重字典学习与自适应 PCNN 的多模态医学图像融合方法(CSRDD-APCNN)。该方法将源图像分为稀疏与低秩两部分,构建了基于卷积稀疏表示的双重字典。其中,稀疏成分包含大量细节纹理,低秩成分包含轮廓亮度以及微小细节等基本信息。为了增强双重字典的区分性,分别对低秩成分与稀疏成分添加低秩与稀疏约束改进字典学习模型,并通过交替迭代求解,得到双重字典。然后,将总变分(TV)正则化(regularization)纳入图像分解模型,并通过基于傅里叶域的 ADMM 算法求解,将源图像分解为卷积稀疏与卷积低秩分量。同时为了充分保留源图像的细节信息,分别将卷积稀疏分量的改进的空间频率(NMSF)与卷积低秩分量的改进的拉普拉斯能量和(NSML)作为自适应脉冲耦合神经网络的输入激励,通过输出的点火次数将各分量融合。最后通过组合卷积稀疏与卷积低秩分量来得到融合图像,进一步提高了融合图像的质量,并通过进行 CT/MR、MR/PET、MR/SPECT 融合对比实验,结果表明所提方法较其他对比方法具有较好的先进性,有良好的实用价值。(2)提出了基于非下采样剪切波变换与卷积稀疏表示的医学图像融合方法。针对传统的基于多尺度的医学图像融合方法存在的能量损失严重、融合图像对比度低的问题以及基于稀疏表示的融合方法中采用 L1 范数最大融合规则时,导致的多模态图像融合时的空间不一致性问题,提出了基于多尺度分解与卷积稀疏表示的多模态医学图像融合方法。该方法首先对源图像应用 NSST 分解,得到源图像的低频图像与一系列高频图像。为了构造多个子字典以适应图像的不同结构,分别以低频图像对以及各个尺度上的高频图像对为训练图像,构造基于卷积稀疏表示的低频子字典与各个不同尺度上对应的高频子字典,使得字典能包含更丰富的图像信息。通过组合各个尺度上的高频子字典构造高频字典,然后分别对源图像的低频子图像与一系列高频子图像进行卷积稀疏编码,并以总变分正则化改进卷积稀疏模型,通过交替方向乘子法(ADMM)求解得到低频稀疏系数与一系列的高频稀疏系数。其次在融合低频子带稀疏系数时采用了区域能量与1l 范数相结合的规则,在融合高频子带稀疏系数时采用了改进的空间频率与1l 范数结合的规则,然后分别与对应的字典进行卷积操作来得到低频子带系数与高频子带系数。最后,执行逆 NSST 来得到融合后的图像,进一步更好的保存图像的细节与轮廓信息,提高了融合图像的质量,并通过实验验证表明所提方法的有效性与先进性。
  本文针对基于稀疏表示与基于多尺度的图像融合方法所存在的问题进行研究,取得了一定的成效,但所提出的两种方法仍存在一定的问题:(1)在第三章所提出的方法中,存在字典学习模型及分解模型上需预设参数的问题,若参数设置不合适,会很大地影响学习的字典效率以及影响图像融合质量。探索如何有效的自适应确定参数的问题,是我们下一步研究的重点。(2)在第四章所提的方法中,虽然取得了较好的效果,但由于在图像融合时需要先对融合图像进行多尺度分解,再由子图像组训练多个子字典,会导致算法的时间效率低下,在实际生活中的扩展应用受到限制,如何有效的提高算法的时间效率,减少算法的计算复杂度将是我们下一步研究的重点。


以上论文内容是由硕士论文网为您提供的关于《基于稀疏表示的多模医学图像融合方法研究》的内容,如需查看更多硕士毕业论文范文,查找硕士论文、博士论文、研究生论文参考资料,欢迎访问硕士论文网医学论文栏目。