多模态医学图像论文-李晓峰,李东

多模态医学图像论文-李晓峰,李东

导读:本文包含了多模态医学图像论文开题报告文献综述及选题提纲参考文献,主要关键词:SOM聚类,多模态图像,大数据挖掘,初始权值

多模态医学图像论文文献综述

李晓峰,李东[1](2019)在《基于SOM聚类的多模态医学图像大数据挖掘算法》一文中研究指出针对现有医学图像大数据挖掘算法不能较好解决帧率重迭行为,影响医学图像成像质量,从而引发图像数据冗余度攀升现象的问题,提出一种基于SOM聚类的多模态医学图像大数据挖掘算法。在SOM拓扑结构中,设定聚类变量的初始权值条件,完成基于SOM聚类的多变量分析。再通过预处理原始医学图像的方式,判断多模态图像的集成正负性相关属性,建立唯一的图像聚类融合标准,完成多模态医学图像的集成聚类融合处理。在此基础上,构建完整的大数据决策树结构,通过判定医学图像多模态种类的方式,达到并行化改进图像挖掘节点的目的,实现基于SOM聚类的多模态医学图像大数据挖掘算法。在标准化的大数据挖掘平台中,连接图像属性监测设备,分析多次运行数据结果可知,在SOM聚类策略影响下,医学图像成像质量提升明显,图像数据自身冗余度不再无限攀升,帧率重迭行为得到有效控制。(本文来源于《西安工程大学学报》期刊2019年04期)

张淑丽,李靖宇,穆传斌,刘雅楠,孟欣[2](2019)在《多模态医学图像的自由变形法融合策略》一文中研究指出为了解决传统模态医学图像缺陷,医学融合技术能够使医学影像中信息的效能得以大幅度的提高,在临床诊断方面的应用价值是非常重要的。主要以医学影像中自由变形法(FFD)的应用为研究对象,应用自由变形法的特点,让自动识别脑部CT-MRI图像产生变形并进行配准,同时提出了关于多模态医学图像的小波融合策略,使融合图像能够具有较好的视觉效果。实验结果表明,融合后的图像效果良好,信息量增大,图像熵提高了1.28-2.30比特/像素。(本文来源于《电脑编程技巧与维护》期刊2019年08期)

王丽芳,史超宇,蔺素珍,秦品乐,高媛[3](2019)在《基于联合图像块聚类自适应字典学习的多模态医学图像融合》一文中研究指出针对多模态医学图像融合中过完备自适应字典存在的大量冗余信息会导致图像重建质量不佳的问题,文中提出了基于联合图像块聚类自适应字典学习的多模态医学图像融合方法(JCPD)。该方法首先计算图像块的欧氏距离,通过比较设定的阈值和图像块的最小距离来剔除冗余图像块,减少冗余图像块的数量。然后,使用局部调制核回归(SKR)提取图像块的局部梯度信息作为聚类中心,将具有相同局部梯度信息的两种模态的图像块进行联合图像块聚类。在联合图像块聚类的基础上使用改进的K-SVD算法对图像块聚类形成的类簇进行训练得到子字典,并将子字典合并成自适应字典。最后,在自适应字典的作用下用正交匹配追踪算法(OMP)计算得到稀疏表示系数,再使用"2范数最大"的规则融合稀疏系数,之后通过重建得到融合图像。实验表明,与2种基于多尺度变换的方法和6种基于稀疏表示的方法相比,所提方法在保证字典信息的完整性和字典的紧凑性基础上使得融合的图像清晰度更高、对比度更强,便于临床诊断和辅助治疗。(本文来源于《计算机科学》期刊2019年07期)

宋方奔,缪正飞,张子齐[4](2019)在《基于MSVD和MPCNN模型的多模态医学图像融合算法研究》一文中研究指出目的:提出一种联合脉冲耦合神经网络改进模型(modified pulse coupled neural network,MPCNN)和多分辨奇异值分解(multi-resolution singular value decomposition,MSVD)的多模态医学图像融合算法。方法:第一步,采用MSVD将已配准的MRI和CT图像分解成高频和低频子图像;第二步,采用基于自适应连接因子的MPCNN方法融合低频系数,高频系数采用绝对值取大进行融合,最大限度保存图像细节信息;第叁步,采用MSVD逆变换重建融合图像。结果:8组CT和MRI图像融合实验表明,基于提出算法获得的融合图像对比度、清晰度和边缘强度均最佳,且定量评价指标标准差、熵、互信息和边缘强度均高于其他融合算法。结论:提出的MPCNN算法能有效克服传统PCNN算法的局限性,与MSVD结合后融合性能优越,具有较高普适性和实用性,是一种可行的CT和MRI图像融合算法。(本文来源于《中国数字医学》期刊2019年07期)

吴一凡[5](2019)在《基于最优质量传输理论的多模态医学图像融合算法研究》一文中研究指出多模态医学图像融合通过融合来源于不同成像设备的医学图像,用于结合更多有用的信息并删除源图像中的冗余信息。由于现实中不可能从一种成像模式中捕获所有的细节信息,因此通过融合多种模态的医学图像可以提高成像质量,同时增强医学图像在医疗问题诊断和评估中的临床适用性,以进行更加可靠和准确的评估。目前已经存在相当多的多模态医学图像融合方法,并在临床上得到了很好的应用,但是仍然存在噪声过多、融合图像颜色失真以及算法复杂度过高等不足,不能够做到实时获得融合结果。本文通过详细介绍多模态医学图像融合的研究意义及其背景,并对目前存在的融合算法和相关理论进行总结和分析,针对所存在的问题,本文首次提出了一种基于最优质量传输理论的多模态医学图像融合方法。具体内容如下:1.提出一种基于最优质量传输理论的多模态医学图像融合方法。通过全局的角度来解决图像融合问题,该算法将图像融合问题表示为概率测度空间内的位移插值测地线。为了避免医学图像黑色背景对融合结果的影响,首先通过图像预处理方法将两幅待融合的源图像表示为概率测度空间中的两个点。然后结合最优质量传输理论计算两点之间的最优传输质心,并为了提高计算效率,使用宽松的最优质量传输距离代替原始的距离。最后使用图像预处理的逆过程对质心进行重构以得到最终的融合图像。2.本文最后通过详尽的实验,对本文算法的组成部分进行了实验,同时将本文所提出的方法与一些经典以及较新的基于像素级融合方法从不同的方面(主观、客观和综合得分)进行比较。最终实验证明了本文提出的多模态医学图像融合算法的有效性、鲁棒性,以及较少的运行时间,算法具有较好的性能,获得的融合图像表现出较好的质量,有着较少的噪声。(本文来源于《重庆邮电大学》期刊2019-06-02)

贾玲慧[6](2019)在《基于边缘保持滤波器和显着性的多模态医学图像融合方法研究》一文中研究指出多模态医学图像融合指通过某种途径将多幅包含不同特征信息的医学图像融合成一张图像的过程。与单一模态图像相比,融合图像能更全面地反映组织器官的信息描述,可为临床提供更丰富的辅助诊疗信息。现有的多模态医学融合研究包含两种模式:灰度图像与灰度图像的融合(比如MRI-CT)和灰度图像与伪彩色图像的融合(比如MRI-PET和MRI-SPECT)。MRI-CT融合能得到包含器官轮廓信息和软组织信息的图像,适用于肿瘤的诊治。MRI-PET融合和MRI-SPECT融合能得到包含清晰的软组织信息和丰富的色彩信息的图像,适用于癌症的诊治。本文以MRI和CT、PET、SPECT的融合为研究对象,针对现有融合方法中存在的成分丢失(结构、颜色)和融合图像模糊的问题,提出了两种有效的融合方法。针对现有MRI-PET、MRI-CT融合中存在的主成分(结构、颜色)丢失问题,本文提出一种基于导向滤波和图论显着性的多模态医学图像融合方法。首先,利用导向滤波算法将源图像分解为多个尺度的粗糙和细节子带图像。然后,分别利用信息熵和图论显着性检测算法来指导粗糙和细节子带图像的融合。最后,通过求和算法对融合子带图像进行重构生成最终的融合图像。实验对比分析表明,本方法存在结构信息保留较完整与色彩丢失较少的优点。针对现有MRI-PET、MRI-SPECT融合中存在的融合图像模糊问题,本文提出一种基于梯度导向滤波和多显着性的多模态医学图像融合方法。首先,利用梯度导向滤波算法将源图像进行分解,得到多个尺度的子带图像。然后分别利用空间残余谱显着性检测算法和图论显着性检测算法对不同类型的子带图像构造融合规则,并利用广义亮度-色调-饱和度方法对融合系数进行组合。最后,通过对融合后的子带图像进行相加重构得到最终的融合图像。实验表明,与多种经典且有效的融合方法相比,本方法融合结果在纹理和边缘信息的展示上更加清晰。(本文来源于《重庆邮电大学》期刊2019-06-02)

万楚瑜[7](2019)在《基于部分容积效应独立改善与深度多模态医学图像推衍前沿技术的失智症病情智能诊断研究》一文中研究指出由于传统的基于区域的部分容积效应改善方法在对失智症患者的动脉自旋标记图像改善过程中引入了像素点最近邻域内其他的像素点信息,可能会导致改善结果过度模糊,且严重缺失大脑组织结构细节的问题。本文提出了一种基于单像素点信息的部分容积效应改善方法,不额外引入其他像素点信息,只基于单像素点本身信息进行部分容积效应改善,避免了传统的基于区域的改善方法的缺陷。利用深度学习模型实现由结构性磁共振成像推衍得到动脉自旋标记磁共振图像,由于动脉自旋标记图像是一种功能性磁共振图像,所以此推衍过程是由结构性磁共振图像到功能性磁共振图像的异构推衍。利用新提出的基于单像素点的改善方法对推衍所得的动脉自旋标记图像进行部分容积效应改善。再将结构性磁共振成像与推衍所得的动脉自旋标记图像相结合,运用多种诊断工具对失智症患者病情进行智能诊断研究。(本文来源于《南昌大学》期刊2019-05-26)

史超宇[8](2019)在《聚类和稀疏表示的多模态医学图像融合方法》一文中研究指出医学图像融合是医学成像和放射医学领域的热门研究之一,得到了医学和工程领域广泛认可,将具有互补信息的两种或两种以上的医学图像信息融合成了研究的热门方向。本文针对基于聚类与SR的多模态医学图像融合做出的改进以及主要研究内容如下:针对多模态医学图像融合中过完备自适应字典存在的大量冗余信息会导致图像重建质量不佳的问题,提出了基于联合图像块聚类自适应字典学习的多模态医学图像融合方法(JCPD)。通过预处理减少冗余图像块的数量。然后提取图像块的局部梯度信息作为聚类中心,进行联合图像块聚类。在联合图像块聚类的基础上进行训练得到子字典,并将子字典合并成自适应字典。最后在自适应字典的作用下得到稀疏表示系数,将稀疏系数融合,重建得到融合图像。实验表明所提方法在保证字典信息的完整性和字典的紧凑性基础上使得融合的图像清晰度更高、对比度更强。针对基于稀疏表示的多模态医学图像融合中细节保留能力不足的问题,本文提出了基于密度峰值聚类与卷积稀疏表示的多模态医学图像融合方法(CSR-DPC)。将医学图像分层得到基础层图像和细节层图像。将细节层图像使用卷积稀疏表示融合得到融合的细节层图像,将基础层图像使用聚类得到若干类簇,训练得到自适应字典,融合得到基础层稀疏系数,重构得到基础层融合图像;最后将融合的细节层图像与融合的基础层图像融合重构得到最后的融合图像。实验表明所提方法使图像细节更清晰,视觉质量更好,客观评价指标更优。针对本文提出的两种改进方法,基于Python开发了多模态医学图像融合系统。该系统的主要分为登录界面、注册界面以及系统主界面。系统主界面中实现的功能有:输入源图像、选择融合方法、输出融合结果。融合方法模块通过对比不同方法,表明本文提出的两种方法融合效果更好。(本文来源于《中北大学》期刊2019-05-21)

王雁丽[9](2019)在《基于模态转换的非刚性多模态医学图像配准》一文中研究指出随着医学技术的发展,出现了各种不同的医学成像模式。不同的成像模式可以提供不同的医学图像,临床医生可使用医学图像来进行疾病诊断。医学图像配准是图像处理和计算机视觉领域重要的组成部分,同时也是图像精确融合的关键前提步骤。多模态医学图像配准有利于将不同模态图像之间的信息互补,信息互补的图像可提供病变组织或器官的多种信息,为医生做出准确的诊断提供有力的理论依据。本文主要是针对非刚性多模态脑部图像进行探索研究,希望能够有效推动医学图像配准的理论研究及其应用。本文重点工作如下:(1)针对脑部图像中存在噪声和强度失真时,现有的基于结构表示的方法不能同时准确提取图像强度信息和边缘、纹理特征,并且连续优化计算复杂度相对较高的问题,根据图像的结构信息,提出了基于改进的Zernike距的局部描述符(IZMLD)和图割(GC)离散优化的非刚性多模态脑部图像配准方法。首先,将图像配准问题看成是马尔可夫随机场(MRF)的离散标签问题,并且构造能量函数,两个能量项分别由位移矢量场的像素相似性和平滑性组成。其次,采用变形矢量场的一阶导数作为平滑项,用来惩罚相邻像素间分配标签的差异性;用基于IZMLD计算的相似性测度作为数据项,用来表示像素相似性。然后,在局部邻域中用图像块的Zernike矩来分别计算参考图像和浮动图像的自相似性并构造有效的局部描述符,把描述符之间的绝对误差和(SAD)作为相似性测度。最后,将整个能量函数离散化,并使用GC的扩展优化算法求最小值。仿真实验效果表明,所提算法实现了在图像存在噪声和强度失真时的高效精确配准。(2)针对基于结构表示方法在模态转换过程中可能会丢失解剖细节信息,并且单向图像合成因忽略另一模态的解剖细节而引起配准偏差的问题,提出了基于CT/MR双向图像合成的非刚性医学图像配准方法。首先,对参考CT图像和浮动MR图像进行简单的预配准。然后,分别采用改进的随机森林和上下文优化模型对CT和MR图像进行双向图像合成。具体而言,采用多目标回归森林算法来合成CT(S-CT);采用学习能力更强的多层多目标回归森林来合成MR(S-MR)。最后,本文提出双路径融合框架:1)从S-CT到CT图像的一条形变路径;2)从MR图像到S-MR的另一条形变路径。迭代融合两条形变路径可有效估计CT和MR图像之间的形变路径。双路径融合框架可同时有效结合两种模态的互补信息。仿真实验效果表明,将双向图像合成用于图像配准最终提高了非刚性多模态医学图像配准的精度。(3)针对本文提出的两种基于模态转换的改进方法,使用基于MATLAB编程平台开发了非刚性多模态脑部图像配准系统。系统主要包括基于结构表示方法和基于图像合成方法进行配准两大模块。将传统方法与本文所提方法进行配准效果对比,体现了本文算法的先进性,同时展示了该系统的稳定性和实用性,可用于实际的临床诊断中。(本文来源于《中北大学》期刊2019-05-21)

席新星,罗晓清,张战成[10](2019)在《基于3-D剪切波和广义高斯模型的多模态医学序列图像融合》一文中研究指出鉴于大多数传统的多模态医学图像融合算法面临无法处理医学序列图像的局限性,提出了一种基于3-D剪切波(3DST)和广义高斯模型的多模态医学序列图像融合方法。首先,通过3-D剪切波变换获得序列图像的低频部分和高频部分;其次,低频部分采用一种新的基于局部能量的融合方法;然后,高频部分采用基于广义高斯模型(Gene-ralized Gaussian Model,GGD)和模糊逻辑的融合方法;最后,通过3-D剪切波的逆变换获得融合的医学序列图像。通过实验对融合图像的主客观性能进行比较,结果表明所提算法获得了更好的融合效果。(本文来源于《计算机科学》期刊2019年05期)

多模态医学图像论文开题报告

(1)论文研究背景及目的

此处内容要求:

首先简单简介论文所研究问题的基本概念和背景,再而简单明了地指出论文所要研究解决的具体问题,并提出你的论文准备的观点或解决方法。

写法范例:

为了解决传统模态医学图像缺陷,医学融合技术能够使医学影像中信息的效能得以大幅度的提高,在临床诊断方面的应用价值是非常重要的。主要以医学影像中自由变形法(FFD)的应用为研究对象,应用自由变形法的特点,让自动识别脑部CT-MRI图像产生变形并进行配准,同时提出了关于多模态医学图像的小波融合策略,使融合图像能够具有较好的视觉效果。实验结果表明,融合后的图像效果良好,信息量增大,图像熵提高了1.28-2.30比特/像素。

(2)本文研究方法

调查法:该方法是有目的、有系统的搜集有关研究对象的具体信息。

观察法:用自己的感官和辅助工具直接观察研究对象从而得到有关信息。

实验法:通过主支变革、控制研究对象来发现与确认事物间的因果关系。

文献研究法:通过调查文献来获得资料,从而全面的、正确的了解掌握研究方法。

实证研究法:依据现有的科学理论和实践的需要提出设计。

定性分析法:对研究对象进行“质”的方面的研究,这个方法需要计算的数据较少。

定量分析法:通过具体的数字,使人们对研究对象的认识进一步精确化。

跨学科研究法:运用多学科的理论、方法和成果从整体上对某一课题进行研究。

功能分析法:这是社会科学用来分析社会现象的一种方法,从某一功能出发研究多个方面的影响。

模拟法:通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。

多模态医学图像论文参考文献

[1].李晓峰,李东.基于SOM聚类的多模态医学图像大数据挖掘算法[J].西安工程大学学报.2019

[2].张淑丽,李靖宇,穆传斌,刘雅楠,孟欣.多模态医学图像的自由变形法融合策略[J].电脑编程技巧与维护.2019

[3].王丽芳,史超宇,蔺素珍,秦品乐,高媛.基于联合图像块聚类自适应字典学习的多模态医学图像融合[J].计算机科学.2019

[4].宋方奔,缪正飞,张子齐.基于MSVD和MPCNN模型的多模态医学图像融合算法研究[J].中国数字医学.2019

[5].吴一凡.基于最优质量传输理论的多模态医学图像融合算法研究[D].重庆邮电大学.2019

[6].贾玲慧.基于边缘保持滤波器和显着性的多模态医学图像融合方法研究[D].重庆邮电大学.2019

[7].万楚瑜.基于部分容积效应独立改善与深度多模态医学图像推衍前沿技术的失智症病情智能诊断研究[D].南昌大学.2019

[8].史超宇.聚类和稀疏表示的多模态医学图像融合方法[D].中北大学.2019

[9].王雁丽.基于模态转换的非刚性多模态医学图像配准[D].中北大学.2019

[10].席新星,罗晓清,张战成.基于3-D剪切波和广义高斯模型的多模态医学序列图像融合[J].计算机科学.2019

标签:;  ;  ;  ;  

多模态医学图像论文-李晓峰,李东
下载Doc文档

猜你喜欢