基于稀疏表示和脉冲耦合神经网络的医学影像融合算法

为满足医学图像辅助诊断的需要,提出一种基于稀疏表示和脉冲耦合神经网络（PCNN）的CT和MR影像融合算法。首先,原始图像通过滑动窗方法构成联合矩阵,通过K-SVD算法得到该联合矩阵的冗余字典,采用正交匹配追踪算法得到该联合矩阵的稀疏系数;然后,根据稀疏系数的特点,采用脉冲耦合神经网络来融合稀疏系数;最后,由融合后的稀疏系数和冗余字典得到融合矩阵,反变换得到融合图像。实验图像为10组配准的脑部CT和MR图像,采用5种性能指标来评价融合图像的质量,同2种流行的医学影像融合算法进行比较,结果显示算法除Q^AB/F指数外,其他4项指标均为最优,Piella指数、Q^AB/F指数和BSSIM指数的均值分别为0.760 4、0.877 1和0.537 3,融合图像的纹理和边缘清晰,对比度高。主观和客观分析显示,算法的融合性能比较优越。     

基于在线字典学习的医学图像特征提取与融合

提出一种基于在线字典学习(ODL)的医学图像特征提取与融合的新算法。首先,采用大小为8像素×8像素的滑动窗处理源图像,得到联合矩阵;通过ODL算法得到该联合矩阵的冗余字典,并利用最小角回归算法(LARS)计算该联合矩阵的稀疏编码;将稀疏编码列向量的1范数作为稀疏编码的活动级测量准则,然后根据活动级最大准则融合稀疏编码;最后根据融合后的稀疏编码和冗余字典重构融合图像。实验图像为20位患者的已配准脑部CT和MR图像,采用5种性能指标评价融合图像的质量,同两种流行的融合算法比较。结果显示,所提出算法的各项客观指标均值最优,Piella指数、QAB/F指数、MIAB/F指数、BSSIM指数和空间频率的均值分别为0.800 4、0.552 4、3.630 2、0.726 9和31.941 3,融合图像对比度、清晰度高,病灶的边缘清晰,运行速度较快,可以辅助医生诊断和临床治疗。     

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Contourlet变换和PCNN的CT图像椎体解剖轮廓特征提取方法的研究

提出一种新的基于Contourlet变换和脉冲耦合神经网络(PCNN)的医学图像解剖轮廓特征提取算法。首先对原始椎体CT图像进行Contourlet变换,得到能稀疏表示图像边缘以及方向信息的子带和低频子带;然后结合PCNN对低频子带进行边缘轮廓细节提取,最后利用处理后的所有子带系数,通过Contourlet逆变换,提取出图像的边缘轮廓。实验将本算法提取的结果与Canny算子、区域生长法以及结合小波变换和PCNN的算法提取的图像边缘轮廓进行比较,结果表明新算法能够有效的实现医学图像解剖结构轮廓特征的提取。     

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。     

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。     

基于双层字典学习的低剂量CT图像重建算法

目的低剂量投影条件下的CT图像重建。方法采用双层K-奇异值分解(K-singular value decomposition,K-SVD)字典训练的学习方法进行图像的超分辨率重建。字典学习方法中采用KSVD算法,稀疏编码采用正交匹配追踪(orthogonal matching pursuit,OMP)算法。该算法首先利用训练库进行第一层字典训练,然后利用第一层训练的字典对低分辨率图像进行重建。进而将重建图像作为第二层待重建图像的输入,这样使得第二层输入图像含有较多的高频细节信息,因此能在重构的过程中恢复更多的细节信息,让高分辨率重构图像达到较好的效果。结果双层字典重建效果明显优于KSVD算法,重建图像更接近于原始高分辨率CT图像。结论本研究对双层字典训练学习的框架进行反迭代投影的全局优化改进,改善了图像的重建质量。     

一种基于全局字典学习的小动物低剂量计算机断层扫描降噪方法

在小动物计算机断层扫描(CT)实验中,因需考虑小动物存活率以及实验的连续性等问题,一般较少采用高剂量的X射线进行实验;而低剂量的X射线会导致重建图像被噪声污染,影响图像质量,不利于后续实验分析。为解决此问题,本文介绍了一种基于全局字典学习的降噪方法,并将其应用于提升低剂量小动物CT重建图像质量的研究中。针对真实的小动物CT重建数据,选择高剂量的小动物CT重建图像作为训练样本,利用逐列更新的字典学习算法(K-SVD),构建包含图像信息的全局字典;利用正交匹配追踪算法(OMP)将低剂量重建图像利用全局字典进行稀疏分解,分离噪声,最后将重建图像复原,达到降噪、提升图像质量、降低小动物CT实验的拍摄剂量、提高小动物存活率的目的。实验结果表明,本文提出的方法能够有效减少低剂量动物CT图像的噪声,并能够较好地保留图像细节。     

基于非下采样轮廓波变换的多模态医学图像融合

由于基于小波变换的图像融合方法仅在水平、垂直、对角线三个方向对图像的高频信息进行分解,易造成图像轮廓的不连续性,而基于非下采样轮廓波变换(NSCT)的融合方法能够对图像中的高频信息进行多方向分解。本文基于NSCT对多模态医学图像进行融合,以区域能量平均加权法作为NSCT变换后低频子带的融合规则,区域能量中心加权作为高频内层带通子带的系数融合规则,外层带通子带则采用区域能量最大的系数融合规则。通过对精确配准的头部PET、CT、MR图像的融合实验,借助清晰度、信息熵、联合熵等指标进行客观评价,‘prewitt’算子提取融合图像的边缘信息进行主观评价,验证该算法在视觉效果、信息含量、实时性和长轮廓表达上的优势。相较于其他文献中提出的算法,本文算法得到的融合结果信息丰富程度提升约7%、清晰度提升约31.7%、程序运行时间缩短一半,应用前景可观。     

基于对抗训练的U-Net神经网络在稀疏投影CT图像增强的应用

目的:针对稀疏投影的CT重建图像附带噪声和伪影的特性,使用神经网络模型对稀疏投影得到的低质量CT重建 图像进行图像增强。方法:在残差编码-解码卷积神经网络基础上提出一种基于对抗训练的U-Net神经网络模型,并使用 公开数据集TCGA-CESC癌症CT影像进行模型训练和测试。评价模型处理效果的指标包括峰值信噪比（PSNR）、结构相 似性（SSIM）和均方根误差（RMSE）。结果:在对180 次探测的CT重建图像的测试中,模型处理后的图像相比未处理图 像,PSNR、SSIM和RMSE指标平均值分别提升15.10%、37.89%和38.20%。在PSNR和SSIM指标平均值意义下,模型处 理后的图像优于1 800次探测的未处理CT重建图像。结论:本研究提出的神经网络模型能够减少伪影和噪点,对稀疏投 影CT图像增强有一定效果。     

Medical Image Fusion Based on Sparse Representation with KSVD

Medical image fusion is a process by which two different models of images are combined into a single image, in order to provide doctors with accurate diagnoses, and take right action. This paper proposes an image fusion method based on sparse representation with KSVD. Firstly, all source images are combined into a joint-matrix, which can be represented with sparse coefficients using an overcompletedictionary trained by KSVD algorithm. Secondly, the coefficients which are considered as image features are combined with the choose-max fusion rule. Finally, the fused image is reconstructed from the concatenated coefficients and the overcomplete dictionary. Compared with three state-of-the-art algorithms, the proposed method has better fusion performance.     

MP-PCNN超声多普勒血流信号声谱图降噪去斑方法

为有效抑制超声多普勒血流信号声谱图中的背景噪声和多普勒斑点,提出了Matching Pursuit(MP)及单向衰减阈值脉冲耦合神经网络(MP-PCNN)模型。首先将分段的多普勒超声信号进行MP循环分解,分离噪声与信号,然后用单向衰减阈值PCNN模型计算声谱图在各个灰度等级上的点火时刻图并定位斑点,用中值滤波器抑制斑点。通过对各种信噪比的仿真超声多普勒血流信号处理,实验结果表明,MP-PCNN方法可有效地滤除声谱图中的噪声与斑点,并较好地保持边缘与细节信息,在主观及客观性能比较上优于同类降噪去斑方法。     

Fair-view image reconstruction with dual dictionaries

In this paper, we formulate the problem of computed tomography (CT)under sparsity and few-view constraints, and propose a novel algorithm for image reconstruction from few-view data utilizing the simultaneous algebraic reconstruction technique (SART) coupled with dictionary learning, sparse representation and total variation (TV) minimization on two interconnected levels. The main feature of our algorithm is the use of two dictionaries: a transitional dictionary for atom matching and a global dictionary for image updating. The atoms in the global and transitional dictionaries represent the image patches from high-quality and low-quality CT images, respectively.Experiments with simulated and real projections were performed to evaluate and validate the proposed algorithm. The results reconstructed using the proposed approach are significantly better than those using either SART or SART–TV.     

结合二维灰度直方图与PCNN的医学图像多类分割

针对医学图像中对组织器官多类分割的要求,提出一种结合二维灰度直方图的脉冲耦合神经网络（pulse coupled neural networks,PCNN）图像多类分割算法.首先根据PCNN模型的局部连接作用和阈值衰减特性对图像进行多类分割,然后利用基于类内最小离散度的二维直方图算法计算出PCNN网络迭代时的最佳门限值,从而实现医学图像的多类分割.通过对仿真的正常颅脑和非正常的颅脑核磁共振图像进行测试,结果显示本PCNN图像多类分割算法能够有效地分割出核磁共振颅脑图像中不同脑组织.因此,本文算法具有应用于医学图像的多类分割的可行性,并提高计算机辅助分割医学图像的准确性.     

Highly undersampled MR image reconstruction using an improved dual-dictionary learning method with self-adaptive dictionaries

Dual-dictionary learning (Dual-DL) method utilizes both a low-resolution dictionary and a high-resolution dictionary, which are co-trained for sparse coding and image updating, respectively. It can effectively exploit a priori knowledge regarding the typical structures, specific features, and local details of training sets images. The prior knowledge helps to improve the reconstruction quality greatly. This method has been successfully applied in magnetic resonance (MR) image reconstruction. However, it relies heavily on the training sets, and dictionaries are fixed and nonadaptive. In this research, we improve Dual-DL by using self-adaptive dictionaries. The low- and high-resolution dictionaries are updated correspondingly along with the image updating stage to ensure their self-adaptivity. The updated dictionaries incorporate both the prior information of the training sets and the test image directly. Both dictionaries feature improved adaptability. Experimental results demonstrate that the proposed method can efficiently and significantly improve the quality and robustness of MR image reconstruction.