论文部分内容阅读
在医学上为了对病情做出准确全面的诊断及治疗,往往需要对来自不同医学成像设备的图像信息进行研究分析。但在临床诊断中,单一模态的图像往往不能为医生提供所需的足够信息。因此,通过医学图像融合获得包含细节更丰富、信息更全面的融合图像,为准确地诊断和有效地治疗提供可靠的保障具有重要意义。医学图像融合技术,作为一种有机结合各种医学影像信息的有效图像处理手段,在图像引导手术、图像引导放射治疗、非侵入性诊断和治疗计划制定等临床应用中起到重要作用。目前,国内外已有多种医学图像融合算法被提出,但这些算法均仅适用于某些特定类型的医学图像,缺乏良好的适用性和鲁棒性。为解决上述问题,本文提出了基于脉冲发放皮层模型(Spiking Cortical Model,SCM)的两类医学图像融合方法。第一类方法利用SCM自身点火特性实现图像融合,该方法将待融合图像作为SCM网络的输入,激励神经元同步发放脉冲并达到点火状态,通过计算神经元的点火次数,依据点火次数取大和加权求和的融合规则,达到医学图像融合目的;第二类方法将SCM和非下采样Contourlet变换(theNonsubsampled Contourlet Transform, NSCT)相结合,以待融合图像经NSCT分解后的系数作为SCM网络的输入,有机结合SCM网络和NSCT变换的优势,在融合图像中获得更为丰富的细节信息。本论文在四组不同模态的医学图像上对上述方法进行了融合实验,通过互信息、边缘保持度、局部结构相似性和全局图像质量指数指标对融合图像进行客观评价,并与传统的空间域和变换域的医学图像融合算法进行了比对。实验结果表明,无论从主观定性评价还是从客观定量分析,本文提出的算法均优于传统的医学图像融合算法,具有很好的适用性和鲁棒性。