| 图像增强下基于生成对抗网络和卷积神经网络的CT与MRI融合方法 |
| |
| 作者姓名： | 刘云鹏 李瑾 王宇 蔡文立 陈飞 刘文洁 毛显昊 干开丰 王仁芳 孙德超 邱虹 刘邦权 |
| |
| 作者单位： | 1.宁波工程学院国交学院315000;2.浙江万里学院315000;3.哈佛医学院放射学图像实验室;4.宁波大学附属李惠利医院315000;5.宁波财经学院数字技术与工程学院315000; |
| |
| 基金项目： | 国家自然科学基金(61906170)；浙江省基础公益研究计划项目(LGF21F020022,LQ21H060002)；浙江省哲学社会科学规划课题(21NDJC021Z)；宁波市科技计划项目重大专项(2021Z050)；宁波市公益性科技计划项目(2021S105,2022S002)；宁波市自然科学基金(202003N4072)。 |
| |
| 摘 要： | 针对多模态医学图像融合中的重要特征丢失、细节表现不突出和纹理不清晰等问题，提出一种图像增强下使用生成对抗网络（GAN）和卷积神经网络（CNN）进行电子计算机断层扫描（CT）图像与磁共振成像（MRI）图像融合的方法。生成器针对高频特征图像，双鉴别器针对逆变换后的融合图像；高频特征图像通过GAN模型进行特征融合，低频特征图像通过基于迁移学习的CNN预训练模型进行特征融合。实验结果表明，与当前先进融合算法相比，所提方法在主观表现上纹理细节特征更加丰富，轮廓边缘信息更加清晰突出；在客观指标评估中，融合质量评价指标（QAB/F）、信息熵（IE）、空间频率（SF）、结构相似性（SSIM）、互信息（MI）和融合视觉信息保真度（VIFF）等关键指标比其他最佳测试结果分别提高了2.0%、6.3%、7.0%、5.5%、9.0%和3.3%。融合后图像可以有效地应用于医学诊断，进一步提高诊断效率。
|
| 关 键 词： | 图像增强 图像融合 生成对抗网络 深度学习 医学图像 |
| 本文献已被 维普 等数据库收录！ |
