论文部分内容阅读
当今的生物医学成像技术已经能够在器官、组织、细胞、分子和基因等不同尺度水平上呈现生物体的形态结构或功能代谢信息。然而,不同的成像模态具有不同的适用范围和优缺点。将不同成像模态和尺度水平上的生物医学影像信息进行融合是生物医学影像领域的重要研究方向。深入开展生物医学影像融合技术研究对临床影像学诊断、病变的精确定位、放疗计划的设计、外科手术方案的制定和疗效评估等具有重要的学术意义和临床价值。
本论文对多模态生物医学影像融合方法进行了深入的研究,重点围绕以下四个方面的工作展开。
(1)针对CT与MR影像的融合,提出了采用非下采样剪切波变换(Nonsubsampled Shearlet Transform,NSST)和稀疏表示(Sparse Representation,SR)相结合的融合方法。首先利用NSST对CT和MR影像进行分解。然后利用绝对值取大(Absolute Value Maximum,AVM)规则对高频子带进行融合,并且利用基于SR的融合办法对低频子带进行融合。最后对融合得到的高频和低频子带进行NSST逆变换,获得融合影像。该方法率先利用动态群稀疏恢复(Dynamic Group Sparsity Recovery.DGSR)算法对低频子带进行稀疏编码。对比实验的结果表明,该方法在主观评价上具有更佳的效果,在9项客观评价指标度量中有6项为最优、1项为次优、2项为良好。
(2)针对PET/SPECT与MR影像的融合,提出了基于NSST的融合方法。首先利用NSST对PET/SPECT和MR影像进行分解。然后采用AVM规则对高频子带进行融合,并且采用本论文提出的基于Haar小波的能量(Haar Wavelet based Energy,HWE)规则对低频子带进行融合。最后对融合得到的高频和低频子带进行NSST逆变换,获得融合影像。比较性实验的结果表明,该方法在人眼视觉评价中具有更佳的效果,在5项客观评价指标度量中有4项为最优、另1项为次优。
(3)针对GFP与相衬影像的融合,提出了基于基于卷积稀疏表示(Convolutional Sparse Representation,CSR)的融合方法。首先利用CSR对GFP与相衬影像进行分解。然后利用改进的拉普拉斯之和(Sum of Modified Laplacian,SML)规则对细节层进行融合,并且利用本论文提出的自适应区域能量(Adaptive Region Energy,ARE)规则对基础层进行融合。其中,使用基于讨论机制的头脑风暴优化(Discussion Mechanism based Brain Storm Optimization,DMBSO)算法来计算自适应区域的最佳尺寸。最后对融合得到的细节层和基础层进行CSR逆变换,获得融合影像。实验结果表明,该方法在人眼视觉评价中效果显著,在6项客观评价指标度量中有4项为最优、1项为次优、1项为中等。同时,该方法可以有效应对GFP与相衬影像配准不佳的状况,表现出良好的鲁棒性。
(4)针对PET与CT影像的融合,提出了CSR与NSST相结合的融合方法。首先对PET和CT影像进行CSR分解,得到相应的细节层和基础层。然后对基础层执行NSST变换,得到相应的高频子带和低频子带。接着,采用本论文提出的局部互相关性取大(Local Cross Correlation Maximum,LCCM)规则对于细节层和高频子带进行融合,并且采用区域能量取大(Region Energy Maximum,REM)规则对低频子带进行进行融合。最后对融合得到的高频和低频子带进行NSST逆变换,并对融合得到的基础层和细节层进行CSR逆变换,获得融合影像。实验结果表明,该方法在主观评价上效果显著,在6项客观评价指标度量中有5项为最优、另l项为次优。同时,该方法可以有效应对PET和CT影像配准不佳的情形,表现出良好的鲁棒性。
本论文聚焦于四类多模态生物医学影像的融合方法研究,针对不同的待融合影像特点分别提出了四种不同的融合方法,并且专门设计了三种不同的融合规则。实验结果表明,上述融合方法在主观评价分析和客观评价指标度量上都取得了优异的融合效果。
本论文对多模态生物医学影像融合方法进行了深入的研究,重点围绕以下四个方面的工作展开。
(1)针对CT与MR影像的融合,提出了采用非下采样剪切波变换(Nonsubsampled Shearlet Transform,NSST)和稀疏表示(Sparse Representation,SR)相结合的融合方法。首先利用NSST对CT和MR影像进行分解。然后利用绝对值取大(Absolute Value Maximum,AVM)规则对高频子带进行融合,并且利用基于SR的融合办法对低频子带进行融合。最后对融合得到的高频和低频子带进行NSST逆变换,获得融合影像。该方法率先利用动态群稀疏恢复(Dynamic Group Sparsity Recovery.DGSR)算法对低频子带进行稀疏编码。对比实验的结果表明,该方法在主观评价上具有更佳的效果,在9项客观评价指标度量中有6项为最优、1项为次优、2项为良好。
(2)针对PET/SPECT与MR影像的融合,提出了基于NSST的融合方法。首先利用NSST对PET/SPECT和MR影像进行分解。然后采用AVM规则对高频子带进行融合,并且采用本论文提出的基于Haar小波的能量(Haar Wavelet based Energy,HWE)规则对低频子带进行融合。最后对融合得到的高频和低频子带进行NSST逆变换,获得融合影像。比较性实验的结果表明,该方法在人眼视觉评价中具有更佳的效果,在5项客观评价指标度量中有4项为最优、另1项为次优。
(3)针对GFP与相衬影像的融合,提出了基于基于卷积稀疏表示(Convolutional Sparse Representation,CSR)的融合方法。首先利用CSR对GFP与相衬影像进行分解。然后利用改进的拉普拉斯之和(Sum of Modified Laplacian,SML)规则对细节层进行融合,并且利用本论文提出的自适应区域能量(Adaptive Region Energy,ARE)规则对基础层进行融合。其中,使用基于讨论机制的头脑风暴优化(Discussion Mechanism based Brain Storm Optimization,DMBSO)算法来计算自适应区域的最佳尺寸。最后对融合得到的细节层和基础层进行CSR逆变换,获得融合影像。实验结果表明,该方法在人眼视觉评价中效果显著,在6项客观评价指标度量中有4项为最优、1项为次优、1项为中等。同时,该方法可以有效应对GFP与相衬影像配准不佳的状况,表现出良好的鲁棒性。
(4)针对PET与CT影像的融合,提出了CSR与NSST相结合的融合方法。首先对PET和CT影像进行CSR分解,得到相应的细节层和基础层。然后对基础层执行NSST变换,得到相应的高频子带和低频子带。接着,采用本论文提出的局部互相关性取大(Local Cross Correlation Maximum,LCCM)规则对于细节层和高频子带进行融合,并且采用区域能量取大(Region Energy Maximum,REM)规则对低频子带进行进行融合。最后对融合得到的高频和低频子带进行NSST逆变换,并对融合得到的基础层和细节层进行CSR逆变换,获得融合影像。实验结果表明,该方法在主观评价上效果显著,在6项客观评价指标度量中有5项为最优、另l项为次优。同时,该方法可以有效应对PET和CT影像配准不佳的情形,表现出良好的鲁棒性。
本论文聚焦于四类多模态生物医学影像的融合方法研究,针对不同的待融合影像特点分别提出了四种不同的融合方法,并且专门设计了三种不同的融合规则。实验结果表明,上述融合方法在主观评价分析和客观评价指标度量上都取得了优异的融合效果。