基于频域约束和交叉融合特征网络的磁共振图像超分辨率重建算法

磁共振（MR）图像常用于临床医学诊断，获得高分辨率MR图像有利于进行医学分析。目前主流的基于参考的图像超分辨率重建算法重建的图像，其视觉效果取得了明显的提升，但仍存在明显的伪影问题。针对该问题，提出频域约束和交叉融合特征网络（FCCF）模型，即引入频域损失函数作为约束条件，并构建一种多分辨率特征融合机制，通过交叉融合不同分辨率的图像特征来提高生成图像的质量，使重建结果具有更清晰的细节，没有明显的伪影。在合成和真实的MR图像数据集上分别用PSNR和SSIM指标进行评估，实验结果明显优于现有的超分辨率重建方法。     

基于小波变换和一致性检验的多模态医学图像融合算法

目的选择已配准后的多聚焦医学图像以及MRI/CT灰度图像为实验素材,以探究不同的融合策略对图像融合效果的影响。方法在对多模态医学图像融合时,低频融合分别采取了加权平均、取极大值法、区域能量以及区域方差的对比实验。高频融合分别采取了区域能量、区域方差以及滤波后基于邻域窗口的一致性检验的对比实验。结果通过对融合图像主观(融合效果)与客观(灰度直方图、边缘提取、性能评价)对比分析,找到了多模态医学图像融合的最优融合策略。结论当低频选择局部区域方差融合,融合后的图像轮廓清晰、边缘较完整;而高频选择滤波后基于邻域窗口的一致性检验,融合后的图像更好地保留和加强了源图像的细节信息。     

卷积神经网络在医学图像分割中的研究进展

卷积神经网络（CNN）是目前计算机视觉和模式识别中效果最为突出的算法。CNN拥有强大的空间识别能力,可以从图像中提取高阶的空间特征,同时通过共用卷积核的方式大幅减少参数量,从而在提升网络性能的同时保持总参数量在一个合理的、可运算的范畴。部分采用无监督学习的CNN算法可以在没有先验知识的条件下实现一定程度的图像语义分割,大幅减少人工读图的负担。本研究就CNN在医学图像分割中的研究进展和使用CNN时的具体技巧及其效果进行综述。以使用CNN为核心的深度学习工具解决医学图像分割的课题为中心,展示了CNN在有监督学习、半监督学习及无监督学习中的巨大潜力,分析比较了现有方案的优点与不足,探讨了未来CNN在医学图像领域的前进方向。     

基于小波变换的多模态医学图像的融合及性能评价

为了研究小波变换分解的尺度和融合策略对图像融合效果的影响。我们选择已配准后的多聚焦医学图像以及MRI/CT灰度图像,在提取图像的低频和高频小波系数时,分别进行单尺度和多尺度分解,融合时采取了基于独立像素点和基于邻域窗口的多种融合策略,深入对比分析各种融合规则对医学图像融合性能的影响。实验结果和性能评价表明:使用局部滤波的操作可以明显改善图像融合的效果,使图像的细节信息更加丰富,而多尺度融合能明显提高融合图像的亮度。     

基于多小波变换的医学图像融合算法研究

目的:研究一种基于多小波变换的医学影像融合的算法。方法:对已配准的PET图像和CT图像进行预滤波后进行多小波分解,对分解后的图像低频分量采用平均梯度法及高频分量采用自适应加权法的融合规则进行图像融合,经过多小波重构及后滤波得到融合图像。结果:融合图像通过结合源图像的信息,增加了更多的细节和纹理信息,从而得到了良好的融合效果。结论:实验证明,基于该算法,可以得到图像的最佳融合结果。     

基于PET/CT图像纹理参数的肺结节诊断模型

目的基于PET/CT融合图像纹理参数建立肺结节良恶性诊断模型,提高肺癌的识别率。方法选取宣武医院核医学科经PET/CT检查的52例肺结节患者,收集其PET/CT影像图像及人口学、影像学信息。以Contourlet变换和灰度共生矩阵相结合的方式,对PET/CT图像的感兴趣区域提取纹理参数。基于所提取的纹理参数建立支持向量机模型,得到每个肺结节良恶性判别结果。为了提高模型的诊断效果,将结节边缘、最大摄取值、有晕征等影像学信息也纳入模型,重新建立支持向量机模型。通过灵敏度、特异度、正确率等指标对模型诊断效果进行评价。结果纹理参数肺结节诊断模型的灵敏度、特异度分别为90.7%、93.5%,纹理参数结合影像学信息的肺结节诊断模型的灵敏度、特异度分别为95.7%、100.0%。结论基于PET/CT图像纹理参数建立的支持向量机模型对良恶性肺结节具有较好的鉴别诊断效果。     

基于孤立点分析的医学图像处理

背景：在进行临床诊断的时候,医学影像中许多微小的纹理变化细节和形态特征不容易被发现,会影响对病情的早期判断。 目的：为数字医学图像中病变的计算机诊断提供一种新的思路和方法,帮助医生及早发现和诊断恶性病变、提高诊断效率和准确性。 方法：运用孤立点数据挖掘技术,分析提取医学图像数据集中隐藏、不为人所注意、易被抛弃的但非常有用的信息,找出其中的医学诊断规则和模式,从而辅助医生进行疾病诊断。 结果与结论：实验证明基于医学图像象素聚类的孤立点分析算法对于发现脑部病变是切实可行的。     

基于NSST变换和PCNN的医学图像融合方法

目的:融合PET/CT/MRI医学图像,使结果图像尽可能包含更多边缘和纹理特征等信息,以更好地区分病变、肿瘤与正常组织器官,为疾病诊断提供更多的有用信息。方法:提出一种基于非下采样剪切波变换(NSST)和脉冲耦合神经网络(PCNN)模型的融合方法。首先,根据图像局部区域能量和,对图像NSST低频系数进行加权融合;然后,根据PCNN神经元的点火次数,选择图像NSST高频方向系数;最后,通过逆NSST变换,得到融合后的图像。结果:分别对7组MRI/PET和CT/PET图像进行融合实验,其结果图像具有很好的视觉效果,且在互信息、边缘相似性、梯度相似性及空间频率4个指标综合评价中较其它算法更优。结论:本方法可以自适应捕获边缘和纹理信息,具有良好的融合效果。     

小波变换在医学图像增强的应用

利用小波变换对MRI医学图像进行增强处理，使原图像中较模糊、对比度差的细节得到增强，其纹理清晰，处理结果优于传统的直方图均衡和Laplace锐化等图像增强方法。     

联合稀疏表示的医学图像融合及同步去噪

将多模态医学图像的互补信息有机地融合在一起,可为临床诊断和辅助治疗提供丰富信息和有效帮助。基于联合稀疏模型,提出一种联合稀疏表示的医学图像融合算法,当图像被噪声污染时,该算法在融合的同时兼有去噪功能。首先,将配准的源图像编纂成列向量并组成联合矩阵,通过在线字典学习算法(ODL)得到该矩阵的超完备字典;其次,利用该字典得到联合稀疏模型下的联合字典,之后利用最小角回归算法(LARS)计算基于联合字典的公共稀疏系数和各图像的独特稀疏系数,并根据“选择最大化”融合规则得到融合图像的稀疏系数;最后,根据融合系数和超完备字典重构融合图像。将该算法与3种经典算法比较,结果显示其主观上亮度失真和对比度失真较小,边缘纹理清晰,客观参数指标MI、Q^AB/F在无噪声干扰和有噪声干扰时的统计均值分别为：3.992 3、2.896 4、2.505 5和0.658、0.552 4、0.439 6,可以为临床诊断和辅助治疗提供有效帮助。     

基于双稀疏字典的医学图像融合算法及在脑血管疾病诊断中的应用

目的通过图像融合方法结合解剖和功能医学图像以提供更多有用的信息并辅助医生诊断。方法利用稀疏表示能很好地反映图像特征的优势。首先,选取医院脑梗死和脑出血的CT和MRI的临床图像,采用双稀疏字典算法得到稀疏字典,再通过结合空间域信息的最大选择法作为融合规则对其进行融合,并与基于主成分分析(principal component analysis,PCA)和离散小波变换(discrete wavelet transform,DWT)方法的图像融合结果在主观方面以及客观方面的QAB/F和Piella指标上进行比较。结果本文提出的方法所获得的融合图像主观评价优于另外两种方法。QAB/F和Piella的均值分别为0.9139和0.7213,客观评价指标也优于另外两种方法。结论基于双稀疏字典的图像融合算法得到的融合图像更清晰,对比度更高,并且特征保留效果更好,有助于医生的诊断。     

小波变换在医学图像融合中的应用

图像融合是医学图像处理中的关键技术。文中探讨了基于小波变换的医学图像融合方法。首先对源图像进行小波多尺度分解,然后采用基于窗口的融合规则进行小波系数融合,最后通过小波逆变换重构融合图像。实验结果表明,该方法能在保留原图像信息的情况下增强融合图像的细节信息。     

基于全卷积神经网络的低剂量CT去噪算法

针对低剂量医学CT图像因减少辐射剂量而引入大量噪声，导致图像质量显著下降的问题，提出一种基于残差注意力机制和自适应特征融合的低剂量CT图像去噪算法，该算法使用全卷积神经网络来完成低剂量CT图像去噪。在网络框架中引入残差注意力机制和选择性内核特征融合模块，以过滤噪声信息，提取有效特征并自适应地融合图像特征，避免重建过程中的细节损失，提高图像质量，使去噪后的图像在感知上更接近原始图像。定性和定量实验表明，与现有的算法相比，在真实的临床数据集上，所提出的算法能够有效地抑制噪声，并恢复低剂量CT图像中更详细的纹理。与低剂量CT图像相比，所提出的算法将峰值信噪比提高14.94%，结构相似度提高4.68%，均方根误差降低40.11%，可以满足医学成像的诊断要求。     

基于深度特征融合的肺炎影像识别研究

在新型冠状病毒肺炎(COVID-19)疫情背景下,肺炎影像快速准确诊断显得尤为重要.针对肺炎影像纹理及细粒度特征受噪声影响大、常规手段识别率低等问题,本研究构建了一种新的基于跨层连接机制的多主干网络特征融合卷积模型.依托并行特征挖掘思路,利用多尺度感受野挖掘融合来捕获医学图像的局部细节,实现对COVID-19医学影像的...     

基于特征融合神经网络的运动想象脑电分类算法

运动想象-脑机接口（MI-BCI）技术为运动障碍患者提供了一种新的与外界交流的能力。应用卷积神经网络（CNN）处理运动想象（MI）脑电分类问题时,多提取最后卷积层的特征,忽视了中间层大量可用信息,导致MI-BCI的分类性能较差。针对这一问题,提出模型内层融合（WMFF）和模型间层融合（CMFF）两种特征融合策略。WMFF策略提取CNN每一层特征进行融合;CMFF策略融合CNN和长短时记忆网络并提取每一层特征。本研究用BCI竞赛IV Datasets 2a数据集对所提方法进行验证,WMFF和CMFF MI脑电信号四分类平均正确率分别达到76.19%和80.46%。结果表明,所提方法可有效提高MI脑电信号分类正确率,为MI脑电信号分类提供了新的思路。     

阿尔茨海默病患者扣带部位磁共振图像纹理特征及性别特点

目的 分析阿尔茨海默（Alzheimer＇s disease,AD）、轻度认知障碍（mild cognitive impairment,MCI）和正常对照者（normal controls,NC）MR图像扣带纹理特征,并按性别进行分组分析,探索纹理特征在疾病早期诊断上的应用.方法 利用灰度共生矩阵和游程长矩阵对52例MR图像（AD14例、MCI20例、NC18例）进行纹理分析,测试组间参数是否显著不同,并用支持向量机方法对在组间具有显著性差异的纹理特征进行分类识别.结果 与NC组相比,AD和MCI组的能量、游程长不均匀度等纹理特征在前扣带和后扣带均存在显著性差异.按性别分组的实验结果显示,除AD组和NC组间存在显著不同外,男性后扣带在MCI与NC及MCI与AD间均存在显著性差异（P〈0.05）,女性前扣带在MCI和NC组间存在显著性差异（P〈0.05）.分类识别结果显示,男性后扣带分类正确率最高,为90%.结论 MR图像纹理特征可以反映扣带病理变化,不同性别MR图像表现不同,有可能为AD的早期诊断提供帮助.     

基于小波变换的多分辨率医学图像融合

多模医学图像融合在医学图像分析和诊断上具有极为重要的应用价值。本文采用了基于小波变换的多分辨率分析对人脑MRI PET图像进行了融合。结果表明此方法能够充分有效地将解剖信息与功能信息集成在一起 ,并保留原始图像的边缘和纹理特征 ,具有广阔的应用前景     

基于多模态特征融合的脑瘤图像分割方法

针对目前大多数医学图像分割方法难以对多模态图像进行特征融合进而完成精确分割任务的问题,提出一种基于编码器-解码器总体架构的多模态脑瘤图像特征融合策略。首先,编码阶段利用孪生网络对不同模态数据进行特征提取,孪生网络结构参数和权值共享的特性可有效减少网络参数量;其次,在进行特征提取的编码阶段加入级间融合,保留不同模态的共性特征的同时强调其互补特征;然后,在解码阶段引入密集跳跃连接思想,最大程度结合不同尺度特征图的低级细节和高级语义信息;最后,设计混合损失函数,在网络生成的预测图受真值图监督的同时让最高级特征融合图也受同倍下采样真值图的监督。所提方法在公开数据集BraTS2019上进行实验,并用图像分割常用的5种指标进行评估。在脑瘤及水肿区域分割任务中得到平均Dice系数为0.884,阳性预测率为0.870,灵敏度为0.898,豪斯多夫距离为3.917,平均交并比达到79.1%,与较先进的算法U-Net和PA-Net相比多项指标均有提升。实验结果说明,级间融合和层间跳跃连接的加入对多模态医学图像的分割效果有所提升,在医学上对脑肿瘤磁共振图像进行病变区域分割具有重要的应用价值和理论意义。     

基于特征融合视觉显著性的医学图像分割

医学图像分割结果的准确性对医生诊断病情并制定相应的治疗策略具有重要价值。针对现有的医学图像进行分割时由于没有考虑人类视觉显著性机制因素导致分割精度不高的问题,提出一种基于特征融合视觉显著性的医学图像分割方法。首先基于频率调谐生成待分割医学图像的显著图,得到图像的显著区域并突出医学图像的边缘轮廓,然后分别提取其颜色特征和纹理特征将其作为反向传播神经网络的输入向量,在此基础上用神经网络分类器模型对图像进行分割。通过实验进行验证,结果表明该方法获得了较好的分割精度和分割效率,本文所提方法为医学图像的准确分割提供了一种新途径。     

医学图像信息融合技术的发展

医学图像信息融合是医学图像处理、放射医学及医学影像学领域近几年兴起的一种新技术。应用医学图像信息融合技术 ,可以把不同模态的医学图像有机地结合起来 ,为临床诊断和治疗提供更完善的图像信息 ,从而使医学图像能更好地为现代医学服务。本文对医学图像信息融合技术及其研究现状作了详细的介绍和综述 ,并对其研究前景作了预测。