一、多模态医学图像融合技术概述（论文文献综述）
卢艺[1]（2021）在《脑部医学图像配准与融合算法研究》文中研究指明近年来现代医学成像设备随着科技的进步得到了迅猛的发展。不同的医学成像设备能够产生不同模态的医学图像,而不同模态的医学图像能够反映出人体不同组织结构的具体信息,通过对不同的多模态图像进行信息集成,医生可以在同一张图像上观察到更多的有用信息,从而能够更好地进行疾病的检测和诊断,因此,医学图像配准与融合技术应运而生。本文对医学图像配准和融合技术进行算法研究,主要研究内容如下:（1）针对现有医学图像配准算法存在配准精度不高、图像匹配度低以及图像配准后存在偏移等问题,本文提出了一种基于共同感兴趣子区域（Region of Interest,简称ROI）的医学图像自动配准算法。在该算法中,对两幅图像（目标图像和浮动图像）中感兴趣的公共子区域（一般是脑部病变或者肿瘤）进行自动检测和配准,然后从子区域配准中获得转换参数,最后将转换参数应用于图像的整体配准中,实现源图像的最终配准。实验结果分析表明,本文提出的图像配准算法具有较好的性能,配准后的图像精度高、偏移量小,更好地匹配了目标图像和浮动图像并且配准的时间明显优于其他图像配准算法。（2）针对现有医学图像融合算法融合过程中出现细节特征丢失从而导致融合效果差的问题,本文提出了一种基于参数自适应脉冲耦合神经网络（Parameter-Adaptive Pulse-Coupled Neural Network,简称PAPCNN）和卷积稀疏表示（CSR,简称Convolutional Sparse Representation）的多模态医学图像融合方法。首先待融合的医学源图像通过非下采样剪切波变换（Non-subsampled Shearlet Transform,简称NSST）分解成高低频分量,随后使用改进的PAPCNN对源图像分解出来的高频分量进行融合;然后再使用CSR对源图像的低频分量进行融合;最后使用NSST反变换将融合后的高低频分量重建为融合图像。多组实验结果表明,本文提出的医学图像融合算法相比于其他的对比算法能够更好的融合源图像中的细节特征和边缘纹理信息,并且在客观评价指标方面也有较为优越的表现。
尹璐[2]（2021）在《基于卷积神经网络的医学图像融合算法研究》文中指出近年来,许多医学图像技术被广泛应用,以不同的方式显示不同的信息,以识别人体中存在的不同疾病。不同模态的医学图像可以显示人体的互补信息,医学图像融合的主要目的就是将两幅或多幅不同模态的医学图像融合为一幅包含综合信息的医学图像。医学图像融合在临床诊断和疾病治疗中发挥着不可或缺的作用,医生可以通过融合后的医学图像更加全面和准确地做出病情判断和进行临床治疗。此外,图像融合需要保证任何输入中的所有重要信息都应保留,且融合图像中不应产生伪影,融合后的图像应具有更强的鲁棒性。多模态医学图像融合主要包含三个层次:像素级融合、特征级融合和决策级融合。像素级融合可以保留源图像更多的信息且易于实现,因此,本文重点研究像素级融合。像素级图像融合可以分为变换域融合算法和空域融合算法。传统的变换域算法往往存在图像扭曲和结构信息丢失等问题。空域算法计算简单,操作复杂度低,能够保留更多的源图像信息,但是往往会存在较为严重的块效应。随着深度学习的发展,目前,卷积神经网络（Convolutional Neural Network,CNN）被广泛应用于图像融合中。为了解决上述算法存在的问题,本文提出了两种基于卷积神经网络的医学图像融合算法,取得了较好的图像融合效果。本文的主要研究内容如下:（1）基于CNN和核范数最小化与滚动向导滤波结合的多模态医学图像融合为了抑制融合结果中的块效应和伪影,本文提出了一种基于CNN特征映射和核范数最小化（Nuclear Norm Minimization,NNM）与滚动向导滤波（Rolling Guidance Filter,RGF）结合的多模态医学图像融合算法。首先利用RGF将医学图像分解为基础层分量和细节层分量。其次,对基础层分量采用预先训练好的CNN模型进行融合获得基础层融合图像。然后,对细节层分量利用NNM方法进行融合获得细节层融合图像。最后将融合的基础层图像和细节层图像合并获得最终的融合图像。实验结果表明,与目前先进的医学图像融合算法相比,本文算法在视觉评价和客观评价方面都取得了较好的效果。（2）基于结构保持的双尺度多模态医学图像融合由于结构保持滤波器和深度学习在图像处理中的优点,本文提出了一种基于结构保持的双尺度多模态医学图像融合算法。该算法首先利用双尺度分解将源图像分解为基础层分量和细节层分量。其次,利用迭代联合双边滤波（Iterative Joint Bilateral Filter,IJBF）对基础层分量进行融合。再次,利用CNN和图像的局部相似性对细节层分量进行融合。最后利用双尺度图像重建获得最终的融合图像。实验结果表明,本文所提出的算法与目前最先进的医学图像融合算法相比,具有更好的图像融合效果。
曹四华[3]（2021）在《基于双尺度分解的多模态医学图像融合算法研究》文中研究指明多模态医学图像融合是图像融合的重要分支,是指通过某种方法将两张或多张来自不同成像模式/模态的医学图像融合成一张图像的过程。生成的融合图像与单一模态的医学图像相比,包含的信息更加丰富,纹理结构更加清晰,病灶更加明显,从而能提高医生在临床诊断与治疗中的准确度与效率。目前多模态医学图像融合主要聚焦于解剖图像融合（CT/MRI,MRI-T1/MRA等）以及解剖图像与功能图像的融合（MRI/PET,MRI/SPECT等）,本文也将在这两类医学图像上进行融合研究。针对目前主流的多模态医学图像融合方法效率较低或者融合质量较差等问题,本文提出了两种有效的多模态医学图像融合新方法。论文的主要创新工作如下:1)为了在计算效率和融合质量之间达到最佳平衡,本文提出了一种基于加权局部能量匹配度和改进空间频率（Spatial Frequency,SF）的多模态医学图像融合方法。首先,利用潜在低秩表示理论学习一个分解矩阵,使用预训练的分解矩阵将源图像分解为基础部分和显着部分。然后,为了自适应地为基础部分设计融合策略,本文提出了一种基于加权局部能量匹配度的融合规则,该规则通过计算基础部分对应像素之间的匹配度来构造。同时,结合主对角线SF和次对角线SF的特点,本文设计了一种基于改进SF和L2范数的融合策略来融合显着部分。最后,将融合后的基础部分和显着部分结合得到最终的融合图像。在多组医学图像上的实验结果表明,与现有的主流融合方法相比,提出的方法在主观视觉和客观评价指标方面都具有优越的表现。2)在解决上述问题的基础上,结合目前医学图像需要在更高的分辨率下进行观察,本文提出了一种基于边缘检测和视觉显着性映射的多模态医学图像超分辨融合方法。首先,该方法通过基于梯度算子的双尺度分解方法将源图像分解为基础层和细节层。然后,利用加权局部能量对基础层进行融合,以尽可能地保留融合图像中源图像的能量信息。在细节层,为了尽可能地提取高频图像中的细节信息,并且充分保留图像的显着特征信息,本文设计了一种基于边缘检测和视觉显着性映射的细节层融合规则。最后,将融合后的基础层和细节层结合,得到融合后的图像。此外,本文首次将医学图像超分辨率引入到多模态医学图像融合领域。在多组医学图像上的实验结果表明,提出的方法在主观视觉效果和客观评价指标上均优于现有的多模态医学图像融合方法。其次,提出的医学图像超分辨率能有效地提高多模态医学图像融合结果的融合质量。特别地,提出的方法还适用于不同分辨率的多模态医学图像融合任务。
郑德重[4]（2021）在《基于多模态数据融合的肺部肿瘤智能分析技术研究》文中研究表明癌症在全球范围内威胁着人类的健康,全球癌症患者当中,肺癌作为发病率第二（男性当中仅次于前列腺癌,女性当中仅次于乳腺癌）,死亡率最高的一种癌症,对其早期诊断具有重要意义。临床上,影像学诊断信息对于肺癌的早期诊断和治疗预后都有很高的临床价值,而目前绝大多数关于肺部肿瘤的计算机辅助研究都是借助影像学信息开展的。随着医学技术的快速发展,医疗数据的种类和数量都在不断丰富和增加。由于肺部肿瘤诊断的复杂性,借助计算机辅助技术来帮助医生更加全面准确地把握这些描述患者不同体征和检查的信息,在临床诊断和治疗方面显得尤为重要。综合使用多种不同类型数据（又称多模态数据）的方法已成为智能医疗系统的重要驱动力,其应用研究范围已覆盖到从筛查发现、疾病诊断、治疗预后评估的方方面面。在本文研究中,利用人工智能技术结合多模态医疗数据以肺部肿瘤诊断为切入点做了以下几个方面的研究工作:（1）基于高斯混合的距离度量学习在数据理解及模型构建泛化性方面研究临床医疗数据不同于其他普通数据,相较而言,大多以小样本的形式散乱分布在不同医院和机构之中。利用基于大数据的人工智能技术研究临床问题时,由于存在样本规模的限制,小样本情况下训练得到的模型预测性能不稳定、容易出现偏差,同时适用范围存在质疑的问题。本文从数据理解的角度出发,提出了一种基于高斯混合的距离度量学习（DML-GMM）方法,它能帮助我们有效的了解数据的分布情况。在理解数据分布的条件下优化人工智能模型训练的流程,减小模型的偏差和方差。同时,该方法还能帮助在实践中发现奇异样本,帮助模型进行迭代更新、了解模型的适用范围及泛化性能。（2）深度学习模型可靠性研究:基于距离的置信度分数深度学习技术像“黑盒”一样,虽然在一些应用场合效果显着但缺乏一定的可解释性,而在医疗领域的应用中通常对其可靠性和可解释性有一定要求。在这样的背景和需求下,对模型的置信度进行了研究,提出了一种基于距离的置信度分数来衡量分类模型的置信度,用这种置信度分数来解释其预测结果的可靠程度。该置信度分数在分析多模态融合分类模型时,可以用来量化评估不同模态信息对于模型综合判断时对置信度的影响,从置信度的角度解释了不同类型数据对于模型作用及影响。（3）基于多模态数据的肺腺癌病理亚型鉴别技术研究肺癌的病理无创鉴别是临床诊断上一个极具挑战问题。本研究采集了1946例经临床证实的肺腺癌患者数据,使用深度学习技术结合诊断过程中常用到的多种检查信息:患者一般临床信息、血清肿瘤标志物和CT影像检查,提出了一种基于注意力机制的多模态融合肺腺癌病理分类模型用来鉴别肺腺癌的浸润性和非浸润性,该方法在测试数据上取得了88.4%的准确率和0.958的AUC,优于现有相关研究。（4）基于深度学习和影像组学融合的肺肿瘤射频消融术后疗效预测这项临床术后评估的应用研究（肺肿瘤射频消融术后疗效预测）,提出了一种基于深度学习和影像组学融合的肺肿瘤射频消融术后疗效预测模型用来预后疗效评估。该模型融合了肺部肿瘤射频消融术前术后的多模态影像信息。在样本较小的情况下取得了较好的预测性能。
谢小洋[5]（2021）在《基于MRI手工特征和深度特征的眼眶淋巴瘤与炎性假瘤鉴别诊断研究》文中指出眼眶淋巴瘤（Orbital Adnexal Lymphoma,OAL）和炎性假瘤（Idiopathic Orbital Inflammation,IOI）是眼眶最常见的两种淋巴组织增生性疾病。OAL是一种恶性眼眶肿瘤,发生率高达55%,其最佳治疗方法是局部放疗。IOI是一种特发性良性病变,约占眼眶疾病的10%,糖皮质激素治疗是目前公认首选的治疗方法。这两种疾病治疗方法的巨大不同使得区分二者极为迫切,但是二者在临床和影像学表现上极为相似,经常有重叠,临床上活检是鉴别二者的金标准,但它是一种具有已知并发症的侵袭性诊断,取决于准确的病变定位,尤其是眼眶前和视神经周围的病变,稍有不慎就会造成视力损伤甚至失明。因此建立一种无创的诊断方法对于鉴别OAL和IOI是非常迫切的,具有重要的临床意义。本文使用了基于影像组学的两种不同模型完成OAL和IOI的鉴别诊断,研究工作主要包括以下几点:（1）基于手工词袋特征鉴别OAL和IOI。针对现有方法具有一定的侵袭性和不能充分利用已有信息的情况,本研究在MRI图像上使用传统机器学习方法鉴别OAL和IOI。首先评估MRI图像的质量,丢弃不符合纳入标准的图像;然后医生手工标注感兴趣区域,并对训练样本数据进行数据扩增;随后将感兴趣区域划分成大小相同的像素块,对所有像素块均提取160个纹理特征,即手工特征;创建词袋（bag-of-features,BOF）模型,对全部的训练集像素块使用k-means++完成聚类,得到词袋特征;最后训练支持向量机（support vector machines,SVM）分类器并且对测试集数据进行鉴别。本研究在鉴别OAL和IOI性能上测试集AUC达到0.803（95%CI:0.725-0.880）,结果证明基于手工词袋特征的模型在区分OAL和IOI患者中具有一定的有效性和可行性,相比于活检和传统方法,本方法不具有侵袭性且充分利用已有图像信息,有较高的临床辅助诊断潜力。（2）基于深度多模态鉴别OAL和IOI。针对多模态数据越来越丰富且可能会提供各个模态互补信息的情况,本研究基于深度学习方法,融合多模态MRI数据鉴别OAL和IOI。首先评估所有患者的图像,丢弃缺失必要信息的患者所对应的全部图像;其次将T1对比加权（T1-weighted contrast image,T1WI+C）数据上分割得到的感兴趣区域直接映射到T1加权像（T1-weighted image,T1WI）和T2加权像（T2-weighted image,T2WI）上,减少手动分割的误差;然后预训练各个模态的卷积神经网络得到初始化参数;随后利用初始化参数和标签提取深度特征,并加入互表达模块融合不同模态特征,对融合后的特征做谱聚类得到最终的分类特征;最后使用逻辑回归分类器完成分类。本研究在鉴别OAL和IOI上测试集AUC达到0.835（95%CI:0.812-0.853）,结果证明基于深度学习的多模态数据融合可以提供互补信息和一致信息,为鉴别OAL和IOI提供了新思路。
裴春阳[6]（2021）在《基于滤波分解和稀疏表示的多模态图像融合算法研究》文中认为随着医学成像技术的高速发展,医学图像在医疗诊断中得到了广泛的应用,原因在于医学图像能够清晰地反映被检测部位的局部特征,因此,利用医学图像对病灶进行定位和分析逐渐成为医学诊断中的一种行之有效的手段。多模态图像融合技术能够利用图像处理的方法结合不同输入图像的特征,生成一种具备高分辨率且更符合人类视觉系统的复合图像,在临床诊断的过程中医生无需单独观察单个医学图像,极大地增加了诊断的准确率,因此研究多模态图像融合方法有较高的应用价值。同时,多模态图像融合在遥感、视频监控、摄影等方面也有广泛的应用。近年来,多模态图像融合方法层出不穷,但是发展至今仍然有一些问题没有被很好地解决,本文的研究工作主要以医学图像作为测试图像展开。具体的研究内容可进一步总结为以下几个部分:（1）针对传统稀疏表示算法在多模态医学图像融合中容易产生伪影且存在细节缺失的问题,设计一种利用多尺度边缘保留分解和稀疏表示的多模态医学图像融合方法。该方法包含以下步骤:首先利用边缘保留滤波器对源图像进行多尺度分解,得到源图像的平滑层和细节层;然后,将改进的稀疏表示算法运用于融合平滑层,在此基础上采用一种基于图像块筛选的策略来构建过完备字典的训练数据集,利用字典学习算法训练出一种联合字典,并引入一种多范数的活跃度度量方法选择稀疏系数;细节层的融合则采用自适应加权局部区域能量的融合规则,最后将融合的平滑层和细节层进行多尺度重构得到融合图像。针对三类不同成像模态的医学图像进行对比实验,实验结果表明,该算法相比较典型的多尺度变换和稀疏表示算法能够保留更多显着的边缘特征,对比度也有明显提升,在视觉效果和客观评价上都具有一定优势。（2）针对多尺度变换的融合算法不能准确识别源图像中有意义的显着特征的问题,设计一种基于稀疏表示和引导滤波的二尺度医学图像融合算法。在此框架中,首先使用引导过滤器将源图像分解为基础层和细节层以粗略分离源图像的两种不同特征,即结构信息和纹理细节;为了有效地保留大多数结构信息,使用拉普拉斯金字塔和稀疏表示的融合规则融合基础层;随后,使用基于引导滤波的方法合并细节层,这种方法通过噪声去除的方式尽可能提高融合图像的对比度,最终重建融合的基础层和细节层以生成融合图像。通过从视觉效果和客观评估两个方面比较实验结果,证明该方法有效地保留了锐利的边缘特征和能量,而且没有从源图像中提取异常的细节,因此具有更好的融合性能。（3）针对多尺度变换的融合方法难以同时提取功能信息和结构信息的问题,本文设计了一种基于区间梯度和鲁棒Retinex模型的多模态医学图像融合算法。该算法首先利用区间梯度模型将源图像进行纹理滤波,实现源图像的二尺度结构-纹理分解,得到结构子图像和纹理子图像;在结构子图像的融合阶段,采用改进稀疏表示的融合方法融合结构子图像,该方法在字典学习阶段利用公开的多模态医学图像和部分自然图像作为数据集,训练出一种具备泛用性的模糊字典用于稀疏编码;在纹理子图像的融合中,利用鲁棒Retinex模型对纹理子图像作对比度增强来突出其中的纹理细节,最后将融合的结构子图像和纹理子图像合并得到融合图像。实验结果表明,该方法对于两种伪彩色医学图像融合问题有良好的表现。
苏润[7]（2021）在《基于U-Net框架的医学图像分割若干关键问题研究》文中认为医学图像可以使医生对病情有更直观的了解,为疾病的诊断、治疗及预后提供充分的依据。医学图像分割是根据医学图像中某种相似性特征将医学图像划分为若干个互不相交的区域,进而得到分割结果。医学图像分割在医学图像可视化、病灶区域定位与识别和制订手术计划等方面具有重要的作用。近年来,众多研究者的实践证明,基于深度学习的分割方法在医学图像分割领域具有很强的应用潜力。其中,U-Net是目前医学图像分割领域中应用最广泛的框架。然而,受医学图像中类别不平衡和噪声问题的影响,获得准确的分割结果仍然十分困难。此外,如何提高多模态医学图像间信息的利用率也是一个值得探讨的问题。因此,本文围绕医学图像分割领域中的一些关键问题并结合U-Net框架进行了深入研究。首先,为解决医学图像中因类别不平衡而导致的分割困难问题,提出了基于多尺度模块的双编码解码网络。该网络结合不同尺度的特征提取单元来充分的利用医学图像中具有潜在价值的信息,并通过双编码解码结构对提取到的特征信息进行集成和共享,使网络能够更好对样本中像素的类别进行归类,进而提升分割结果的准确性。该方法在多个数据集上与现有的高水平方法进行了对比,并获得了最佳的分割效果。实验结果表明该网络能够有效克服类别不平衡带来的分割困难问题。其次,针对医学图像中噪声干扰的问题,提出了基于空间与通道注意力残差模块的全卷积神经网络模型。一方面,在特征提取阶段施加注意力以增强网络特征信息的判别能力,增强特征的类内一致性,降低噪音对分割任务的干扰。另一方面,在跳跃连接阶段利用高层次特征指导低层次特征来进一步抑制无关区域的表达。此外,多尺度模块和双编码解码结构的引入使网络对图像中像素类别的归类能力得到了增强。在多个数据集上的实验结果表明该方法能够有效的克服医学图像中的噪音干扰,提升了模型的鲁棒性。最后,为了提升多模态医学图像中的信息利用率,提出了基于图像融合网络的多模态医学图像分割网络。首先,利用融合网络将多模态医学图像映射到同一语义空间内进行融合,来实现多模态医学图像信息的有效整合。然后,多种信息被集成到分割网络中以提高网络的分割性能,获得更精细的分割结果。此外,在分割网络中引入了空间与通道注意力残差模块使网络能够实现像素类别的正确归类并克服噪音干扰。在多模态脑胶质瘤数据集上的实验结果表明该方法能够很好的完成多模态医学图像的分割任务。
王蕊芳[8]（2021）在《基于卷积神经网络的多模态医学图像融合方法研究》文中认为由于不同模态的医学图像有不同的成像原理,因此呈现出不同的信息。例如,CT能很好地显示骨骼信息,MR图像能充分显示软组织信息,PET图像可以用于定量和动态检测人体内的代谢物质或药物,为临床提供丰富的人体代谢信息。这些不同模态的图像有其自身的优点和局限性,很难从任何单一模态的图像中获得关于特定器官或组织的完整和准确的信息,因此,把不同模态的医学图像信息结合起来,取长补短,形成多模态融合图像,使得多模态融合图像既保留了原始图像的特征,又弥补了单模态医学图像的缺陷,展示了更加丰富的细节信息,为临床诊断治疗和图像引导手术提供了有力支撑。本文通过深入研究多模态医学图像融合理论及卷积神经网络结构,分析了其存在的问题并进行了改进,主要内容如下:针对现有的残差网络和密集网络的图像融合方法只对网络最后一层提取出的特征进行融合,从而丢失部分中间层提取出的有用信息,影响融合图像细节和清晰度的问题,提出基于双残差超密集网络（Dual Residual Hyper-Densely Networks,DRHDNs）的多模态医学图像融合方法。DRHDNs包括特征提取和特征融合两部分。特征提取部分通过结合残差学习和超密集连接构造了一个双残差超密集块用以提取两幅源图像的深层特征,残差学习通过跳连接的方式简化学习目标和难度,实现目标完整性,超密集连接是将密集连接扩展到不同路径的层之间,从而减少中间层有用信息的丢失,完成初步的信息融合,残差学习和超密集连接都鼓励特征重用,使特征提取更充分,细节信息更丰富。特征融合部分先将两个特征图在通道进行拼接,然后经过降维和卷积,最后得到细节更多且更清晰的融合图像。针对双残差超密集网络（DRHDNs）存在的网络结构复杂,处理时间长的问题,提出一种基于Gabor滤波器和模糊逻辑的CNN（Convolutional Neural Network）多模态医学图像融合方法（Gabor-Fuzzy-CNN,G-F-CNN）。G-F-CNN分为特征提取和特征融合两部分。特征提取部分是由Gabor滤波器部分代替CNN的卷积核构成,使用Gabor滤波器作为固定权重核,提取固有特征,并具有规则的可训练权重核,以此对两个源图像进行处理,完成源图像特征的提取。特征融合部分对特征提取部分提取出的特征进行模糊化、模糊推理和去模糊化操作,然后使用基于模糊逻辑的融合规则完成特征融合,得到对比度高且清晰的融合图像。针对上述提出的两种改进方法,使用MATLAB平台与Python分别进行了相关的仿真实验,并与最近文献中的相关融合方法进行实验对比,从客观指标和主观视觉两方面对融合效果进行分析,本文方法都有着较好的表现,表明所提方法的有效性。
郭淑娟[9]（2021）在《基于多尺度分解与PCNN相结合的医学图像融合算法研究》文中研究指明医学影像是辅助医生日常诊断的重要工具,通过不同模态的医学图像监测人体类如骨骼、软组织或人体代谢状况等不同的信息。在实际的临床诊断中,医生往往需要结合人体的各类信息确定病灶,而单一模态的医学图像往往只能描述某一方面的人体信息,这对医学诊断的效率和准确率造成了影响。为了克服这一缺陷,多模态图像融合技术被应用于医学图像融合领域,将不同模态的医学图像进行融合,能够将不同模态图像中重要的信息集中在一幅图像中,使得医学诊断更加精确和方便。本文通过对现有图像融合技术进行研究,将多尺度分解技术与模拟哺乳动物视觉原理而提出的脉冲耦合神经网络（Pulse Coupled Neural Network,PCNN）相结合,提出了两种基于多尺度分解与PCNN相结合的图像融合算法,所做主要工作如下:（1）针对PCNN模型在融合过程中由于复杂的参数设置而影响融合结果的问题,为了进一步提高融合图像的质量,提出一种基于NSST与QPSO优化PCNN的医学图像融合算法。首先,源图像经过NSST分解可以得到一个低频子带和一系列高频子带,然后,计算低频子带的区域能量以保留图像的轮廓信息,使用QPSO算法优化的PCNN模型融合高频子带以保留图像的细节信息,最后,通过NSST逆变换得到最终的融合图像。实验结果表明,该方法在主观视觉上能有效保留图像细节信息,在客观指标上具有明显提升。（2）针对传统的多尺度分解技术由于在分解过程中无法保护图像边缘而导致融合图像在边缘处出现模糊和伪影的问题,提出一种基于多尺度边缘保持分解与PCNN的医学图像融合算法。对于图像的多尺度分解部分,提出了以加权最小二乘滤波器为基础,结合高斯滤波器和非下采样方向滤波器组的分解方法,将源图像分解为一个低频层和一系列高频层,选取具有生物学背景的PCNN作为融合规则,并针对高频层和低频层所具有的不同信息,分别计算改进的空间频率和区域能量作为PCNN的外部激励。实验结果表明,该方法有效的保留了图像边缘结构信息并丰富了图像细节。（3）设计了多模态医学图像融合系统,将该课题研究应用于实践中。该系统采用Matlab图形用户界面实现,并根据不同的医学图像融合类型设置了不同的融合模块,在图像融合模块中选取不同的融合方法对源图像进行融合,并使用客观评价指标对各融合方法得到的融合图像进行客观评价,以选取更高质量的融合图像。
盖迪[10]（2021）在《基于多尺度变换与神经网络的多源图像融合算法研究》文中研究指明随着成像传感器不断地发展,图像所含有的信息量越来越丰富。不同类型传感器所呈现的图像差异较大,同一类型传感器在不同参数或者不同条件下生成的图像也是有差别的。多源图像融合技术将不同类型传感器或同一类型传感器在不同参数设置下获取的图像进行综合,从而使图像的信息变得更加全面与丰富,弥补了单一类型图像的局限,还可以保留源图像的特征信息。多源图像融合技术在多个领域都具有很高的应用价值,如AI医疗,数码成像,视频监控等。多源图像融合技术将不同类型传感器或同一类型传感器在不同参数设置下获取的图像进行综合,使图像的信息变得更加全面与丰富,弥补了单一类型图像的局限,还可以保留源图像的特征信息。多源图像融合技术在多个领域都具有很高的应用价值,如AI医疗,数码成像,视频监控等。因此,多源图像融合技术在国家安全和民生发展方面均发挥着巨大的作用。本文从两个方面出发分别对多模态医学图像融合和多聚焦图像融合进行了深入的研究。一方面,采用基于频域变换的方法将图像进行多尺度分解;另一方面,使用基于神经网络的方法对图像进行特征提取。具体内容如下:1.基于启发式搜索PCNN的医学图像融合算法脉冲耦合神经网络（Pulse Coupled Neural Network,PCNN）符合人眼捕获图像的生理特征,所以常作为图像融合领域的融合策略。但是,该技术的难点在于参数的设置。并且融合算法在处理低频子带时容易忽略细节信息等问题。基于此,本文提出了一种基于改进的量子行为粒子群优化（Improved Quantum-behaved Particle Swarm Optimization,IQPSO）的PCNN,命名为IQPSO-PCNN。并结合非下采样剪切波变换（Nonsubsampled Shearlet Transform,NSST）的医学图像融合算法。首先,使用剪切波技术来分解多源医学图像,从而获得不同频率的子图。然后,针对低频子图,提出了两种不同功能的融合规则,同时解决了能量存储（Energy Preservation,EP）和细节处理（Detail Extraction,DE）这两个关键性问题。对于高频子图,与传统的基于PCNN的方法不同,参数是根据经验手动设置的,分解后的高频子带共享一组参数。IQPSO-PCNN模型可以根据自身的信息自适应地获得每个高频子图的最佳参数。最后,通过对融合后的不同子图实施剪吉林大学博士学位论文切波逆变换来生成结果图像。实验结果表明,该算法不仅在融合边界上消除了伪影现象,而且更能清晰地显示出脑部组织中的重要区域。2.基于边缘保留PCNN与改进稀疏表示的医学图像融合算法针对稀疏表示方法处理低频子带时存在冗余的细节信息,并且PCNN处理高频子带时忽略不同模态的边界信息等问题。本文提出了一种基于灰色医学图像和彩色医学图像的融合方法。首先,利用NSST具有多尺度、多方向分解图像的特点,将多源医学图像分解成低频子图和若干个高频子图。引入改进的稀疏表示来融合低频子带,该算法可以通过sobel算子和引导滤波器消除细节特征,从而有效地提高算法保存能量的能力。同时,高频子带采用基于边缘保留PCNN的方法进行融合。该方法充分考虑了不同医学模态的成像特性,可以很好地捕捉边缘信息,从而更好地处理图像细节。最后,采用剪切波逆变换将低频与高频融合算法得到的子图生成融合图像。实验结果表明,基于边缘保留的融合方法不仅提高了图像边缘的融合效率,而且融合的顺序不影响融合效果。3.基于两阶段卷积神经网络的多聚焦图像融合算法卷积神经网络（Convolutional Neural Network,CNN）技术可以提取更丰富的纹理特征。但采用该方法进行融合时难以获取精准的决策图并且融合边界存在伪影。基于此,本文提出了一种基于两阶段CNN的多聚焦融合方法。在第一阶段,训练一种改进的密集网络对输入的图像块是聚焦还是散焦进行分类,然后利用相应的融合规则获取理想的决策图。另外,设计了多版本模糊训练集来提高网络的性能。在第二阶段,引入边缘去模糊生成对抗网络（Edge-deblurring Generative Adversarial Network,EDGAN）来处理边界。此外,应用了五种不同的损失函数来生成有效的边界去模糊图像。同时,从COCO数据集中选择自然图像进行特殊处理来模拟边界模糊情况,从而创建第二阶段的训练集。实验结果表明,该算法提出的第一阶段框架可以获得准确的决策图,并且第二阶段框架可以消除融合边界的伪影。
二、多模态医学图像融合技术概述（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、多模态医学图像融合技术概述（论文提纲范文）
（1）脑部医学图像配准与融合算法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 研究历史及发展现状 |
| 1.2.1 图像配准国内外研究历史和现状 |
| 1.2.2 图像融合国内外研究历史及现状 |
| 1.3 论文主要工作和章节安排 |
| 1.3.1 论文主要工作 |
| 1.3.2 论文章节安排 |
| 第二章 图像配准与融合算法理论分析 |
| 2.1 各类医学图像成像特性区别分析 |
| 2.1.1 CT和MR图像成像区别 |
| 2.1.2 MR和PET图像成像区别 |
| 2.1.3 MR和SPECT图像成像区别 |
| 2.2 医学图像配准理论和算法理论 |
| 2.2.1 图像配准原理 |
| 2.2.2 图像配准对象分类 |
| 2.2.3 图像配准变换模型 |
| 2.2.4 图像配准基本流程 |
| 2.3 医学图像融合理论分析 |
| 2.4 论文总体设计 |
| 2.5 本章小结 |
| 第三章 基于共同ROI的医学图像自动配准方法 |
| 3.1 引言 |
| 3.2 基于共同感兴趣子区域的医学图像自动配准算法(共同ROI算法) |
| 3.2.1 预处理 |
| 3.2.2 常见子区域的检测和分割 |
| 3.2.3 公共子区域配准和参数估计 |
| 3.2.4 整个图像配准 |
| 3.3 实验与分析 |
| 3.3.1 源图像来源 |
| 3.3.2 对比算法 |
| 3.3.3 客观评价指标 |
| 3.3.4 与其他配准算法进行比较 |
| 3.4 本章小结 |
| 第四章 基于参数自适应脉冲耦合神经网络和卷积稀疏表示的多模态医学图像融合 |
| 4.1 引言 |
| 4.2 相关算法理论 |
| 4.2.1 参数自适应脉冲耦合神经网络(PAPCNN)和参数β的改进 |
| 4.2.2 卷积稀疏表示(CSR) |
| 4.3 NSST-PAPCNN-CSR多模态医学图像融合算法 |
| 4.4 实验过程和结果分析 |
| 4.4.1 实验设置 |
| 4.4.2 与其他图像融合方法进行比较 |
| 4.5 结论 |
| 第五章 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 致谢 |
| 参考文献 |
| 作者简介 |
（2）基于卷积神经网络的医学图像融合算法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 基于变换域的图像融合算法 |
| 1.2.2 基于空域的图像融合算法 |
| 1.3 本文主要研究内容 |
| 第二章 医学图像融合算法概述 |
| 2.1 基于变换域的医学图像融合算法 |
| 2.1.1 基于小波变换的图像融合算法 |
| 2.1.2 基于多尺度几何变换的图像融合算法 |
| 2.2 基于空域的医学图像融合算法 |
| 2.2.1 基于主成分分析的图像融合算法 |
| 2.2.2 基于向导滤波的图像融合算法 |
| 2.2.3 基于改进拉普拉斯能量和的图像融合算法 |
| 2.3 融合图像评价方法 |
| 2.3.1 主观评价标准 |
| 2.3.2 客观评价标准 |
| 2.4 本章小结 |
| 第三章 基于CNN和核范数最小化与滚动向导滤波结合的多模态医学图像融合 |
| 3.1 滚动向导滤波 |
| 3.2 核范数最小化 |
| 3.3 CNN网络结构 |
| 3.4 医学图像融合算法 |
| 3.4.1 基础层分量融合 |
| 3.4.2 细节层分量融合 |
| 3.5 实验结果与分析 |
| 3.6 本章小结 |
| 第四章 基于结构保持的双尺度多模态医学图像融合 |
| 4.1 双尺度图像分解 |
| 4.2 联合双边滤波 |
| 4.3 医学图像融合算法 |
| 4.3.1 基于联合双边滤波的基础层分量融合 |
| 4.3.2 基于CNN的细节层分量融合 |
| 4.4 实验结果与分析 |
| 4.5 本章小结 |
| 第五章 总结与展望 |
| 5.1 工作总结 |
| 5.2 工作展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间取得的科研成果 |
（3）基于双尺度分解的多模态医学图像融合算法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 选题背景及研究意义 |
| 1.2 国内外研究现状 |
| 1.3 本文研究内容与结构安排 |
| 第2章 基于加权局部能量匹配度和改进SF的多模态医学图像融合 |
| 2.1 引言 |
| 2.2 相关理论介绍 |
| 2.2.1 潜在低秩表示 |
| 2.2.2 空间频率 |
| 2.3 提出的图像融合方法 |
| 2.3.1 训练分解矩阵L |
| 2.3.2 分解源图像 |
| 2.3.3 基础部分融合 |
| 2.3.4 显着部分融合 |
| 2.3.5 最终融合步骤 |
| 2.3.6 彩色医学图像融合 |
| 2.4 实验结果及性能分析 |
| 2.4.1 对比方法与评价指标 |
| 2.4.2 关键实验参数分析 |
| 2.4.3 灰度医学图像的实验分析 |
| 2.4.4 彩色医学图像的实验分析 |
| 2.4.5 剥离实验 |
| 2.4.6 计算效率分析 |
| 2.5 本章小结 |
| 第3章 基于边缘检测和视觉显着性映射的多模态医学图像超分辨融合 |
| 3.1 引言 |
| 3.2 提出的多模态医学图像超分辨融合方法 |
| 3.2.0 基于双三次插值的图像超分辨率 |
| 3.2.1 双尺度图像分解 |
| 3.2.2 基础层图像融合 |
| 3.2.3 细节层图像融合 |
| 3.2.4 图像重构 |
| 3.3 实验结果与分析 |
| 3.3.1 比较的算法和评价指标 |
| 3.3.2 剥离实验 |
| 3.3.3 灰度医学图像融合实验结果分析 |
| 3.3.4 彩色医学图像融合实验结果分析 |
| 3.3.5 医学图像超分辨融合实验结果分析 |
| 3.3.6 计算效率分析 |
| 3.4 本章小结 |
| 第4章 总结与展望 |
| 4.1 论文工作总结 |
| 4.2 研究展望 |
| 参考文献 |
| 攻读硕士研究生期间科研成果 |
| 致谢 |
（4）基于多模态数据融合的肺部肿瘤智能分析技术研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 研究的背景和意义 |
| 1.2 多模态数据融合在临床肺部辅助诊断和疗效评估中的研究现状 |
| 1.2.1 多模态数据融合的概念和临床诊断中的意义 |
| 1.2.2 多模态数据融合的方式 |
| 1.2.3 多模态数据融合在肺部肿瘤诊断与疗效评估中的相关技术与现状 |
| 1.2.4 目前研究存在的问题 |
| 1.3 本文的主要工作安排和创新点 |
| 第2章 肺部疾病诊断的计算机辅助技术概述 |
| 2.1 深度学习技术基础 |
| 2.1.1 医学影像领域深度学习技术概述 |
| 2.1.2 卷积神经网络的基本结构 |
| 2.1.3 神经网络的优化 |
| 2.1.4 注意力机制 |
| 2.2 影像组学技术基础 |
| 2.2.1 影像组学技术概述 |
| 2.2.2 影像组学研究步骤 |
| 2.3 本章小结 |
| 第3章 临床小样本数据理解关键问题研究 |
| 3.1 构建模型的一般步骤及临床有限数据构建模型时可能存在的问题 |
| 3.2 常见数据划分方法及存在的问题 |
| 3.2.1 简单随机采样 |
| 3.2.2 Trial-and-error方法 |
| 3.2.3 系统抽样方法 |
| 3.2.4 DUPLEX |
| 3.2.5 分层抽样 |
| 3.3 基于高斯混合的距离度量学习方法研究 |
| 3.3.1 距离度量学习网络 |
| 3.3.2 估计网络——基于高斯混合模型的分布估计 |
| 3.4 基于高斯混合的距离度量学习方法与其他方法的对比实验 |
| 3.4.1 实验数据 |
| 3.4.2 评价指标 |
| 3.4.3 实验步骤 |
| 3.4.4 实验结果 |
| 3.4.5 实验分析及讨论 |
| 3.5 基于高斯混合的距离度量学习的奇异点发现及模型泛化性能研究 |
| 3.6 本章小节 |
| 第4章 深度学习模型可靠性研究:基于距离的置信度分数 |
| 4.1 模型可靠性研究背景及相关工作 |
| 4.1.1 模型可靠性相关研究背景 |
| 4.1.2 模型可靠性相关研究工作 |
| 4.2 基于距离的置信度分数度量方法 |
| 4.2.1 常见输出端置信度分数 |
| 4.2.2 嵌入空间中基于距离置信度分数 |
| 4.3 模型置信度分数研究相关实验及分析 |
| 4.3.1 实验数据 |
| 4.3.2 实验设置 |
| 4.3.3 评价指标 |
| 4.3.4 实验步骤 |
| 4.3.5 实验结果 |
| 4.3.6 实验分析和讨论 |
| 4.4 本章小结 |
| 第5章 基于多模态数据的肺腺癌病理亚型鉴别技术研究 |
| 5.1 肺腺癌病理鉴别研究背景及相关工作 |
| 5.2 基于多模态数据的肺腺癌病理预测模型构建方法 |
| 5.2.1 数据采集 |
| 5.2.2 数据预处理及数据划分 |
| 5.2.3 距离置信度分数在多模态融合分类网络中的构建方法 |
| 5.2.4 基于距离置信度的多模态数据融合肺腺癌病理分类模型 |
| 5.3 基于距离置信度分数的多模态数据融合肺腺癌病理分类模型实验及分析 |
| 5.3.1 基于距离的置信度分数对比实验 |
| 5.3.2 多模态数据融合肺腺癌病理分类模型与同类研究的对比实验 |
| 5.4 临床对比 |
| 5.5 讨论 |
| 5.6 本章小结 |
| 第6章 基于深度学习和影像组学融合的肺肿瘤射频消融术后疗效评估 |
| 6.1 研究背景及相关研究 |
| 6.2 数据收集 |
| 6.3 分类器设计和训练 |
| 6.3.1 数据预处理 |
| 6.3.2 目标分割 |
| 6.3.3 特征选择和数据划分 |
| 6.3.4 分类模型构建 |
| 6.4 实验结果和分析 |
| 6.5 总结和讨论 |
| 6.6 本章小结 |
| 第7章 总结与展望 |
| 7.1 本文工作总结 |
| 7.2 今后工作展望 |
| 参考文献 |
| 附录 |
| 致谢 |
| 在读期间发表的学术论文与研究成果 |
（5）基于MRI手工特征和深度特征的眼眶淋巴瘤与炎性假瘤鉴别诊断研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 研究现状及面临挑战 |
| 1.2.1 临床特征研究现状 |
| 1.2.2 半定量参数研究现状 |
| 1.2.3 影像组学方法研究现状 |
| 1.2.4 面临的挑战 |
| 1.3 论文研究内容 |
| 1.4 论文结构安排 |
| 第二章 相关技术概述 |
| 2.1 引言 |
| 2.2 传统机器学习方法概述 |
| 2.2.1 基本理论 |
| 2.2.2 工作流程 |
| 2.2.3 支持向量机 |
| 2.2.4 逻辑回归 |
| 2.3 深度卷积神经网络概述 |
| 2.3.1 基本理论 |
| 2.3.2 卷积 |
| 2.3.3 池化 |
| 2.3.4 全连接 |
| 2.4 聚类算法 |
| 2.4.1 k-means聚类 |
| 2.4.2 谱聚类 |
| 2.5 本章小结 |
| 第三章 基于手工词袋特征鉴别眼眶淋巴瘤和炎性假瘤 |
| 3.1 引言 |
| 3.2 手工词袋特征提取与支持向量机模型构建 |
| 3.2.1 研究病人及数据的获取 |
| 3.2.2 感兴趣区域的分割和像素块提取 |
| 3.2.3 手工特征的提取 |
| 3.2.4 词袋模型的构建与特征编码 |
| 3.2.5 支持向量机模型的构建与测试 |
| 3.2.6 词袋特征数目的选择 |
| 3.3 实验结果比较与分析 |
| 3.3.1 临床特征统计分析 |
| 3.3.2 评价指标 |
| 3.3.3 最佳词袋特征数目的验证 |
| 3.3.4 不同分类模型的对比 |
| 3.3.5 利用对比增强前MRI图像进行成像分析 |
| 3.3.6 与医生诊断结果对比 |
| 3.4 本章小结 |
| 第四章 基于深度多模态鉴别眼眶淋巴瘤和炎性假瘤 |
| 4.1 引言 |
| 4.2 深度特征提取及逻辑回归模型构建 |
| 4.2.1 实验思路及流程 |
| 4.2.2 数据预处理及数据扩增 |
| 4.2.3 网络结构及多模态数据融合 |
| 4.2.4 损失函数设计 |
| 4.2.5 深度特征的提取 |
| 4.2.6 逻辑回归模型的构建与验证 |
| 4.3 实验结果比较与分析 |
| 4.3.1 实验环境及实验数据 |
| 4.3.2 实验训练与微调策略 |
| 4.3.3 评价指标及深度特征数目选择 |
| 4.3.4 不同多模态数据融合结果对比 |
| 4.3.5 数据扩增性能验证 |
| 4.4 本章小结 |
| 总结与展望 |
| 本文总结 |
| 工作展望 |
| 参考文献 |
| 致谢 |
| 攻读硕士学位期间取得的科研成果 |
（6）基于滤波分解和稀疏表示的多模态图像融合算法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 图像融合方法的发展现状 |
| 1.2.1 图像融合系统 |
| 1.2.2 基于图像分解的融合方法 |
| 1.2.3 基于稀疏表示的融合方法 |
| 1.2.4 基于深度学习的融合方法 |
| 1.2.5 图像融合方法的客观性能评价 |
| 1.3 存在问题 |
| 1.4 论文结构安排 |
| 1.5 本章小结 |
| 第二章 多模态图像融合相关理论与方法 |
| 2.1 多尺度变换理论 |
| 2.1.1 图像金字塔 |
| 2.1.2 小波变换 |
| 2.1.3 多尺度几何分析 |
| 2.1.4 基于多尺度变换的图像融合框架 |
| 2.2 稀疏表示和字典学习 |
| 2.2.1 稀疏表示和字典学习理论 |
| 2.2.2 基于稀疏表示的融合方法 |
| 2.3 边缘保留滤波器 |
| 2.3.1 加权最小二乘滤波器 |
| 2.3.2 引导滤波器 |
| 2.4 本章小结 |
| 第三章 基于边缘保留分解和改进稀疏表示的多模态医学图像融合 |
| 3.1 引言 |
| 3.2 基于边缘保留分解和稀疏表示的多模态医学图像融合 |
| 3.2.1 图像融合框架 |
| 3.2.2 多尺度边缘保留分解 |
| 3.2.3 联合模糊字典的构建 |
| 3.2.4 稀疏表示系数的融合 |
| 3.2.5 自适应加权的局部区域能量融合策略 |
| 3.3 医学图像融合实验 |
| 3.3.1 实验数据集 |
| 3.3.2 用于对比实验的参数设置 |
| 3.3.3 实验结果分析 |
| 3.4 本章小结 |
| 第四章 基于稀疏表示和引导滤波的二尺度医学图像融合 |
| 4.1 引言 |
| 4.2 基于稀疏表示和引导滤波的二尺度医学图像融合 |
| 4.2.1 图像融合框架 |
| 4.2.2 二尺度分解 |
| 4.2.3 基础层融合 |
| 4.2.4 细节层融合 |
| 4.2.5 两种不同的融合方案 |
| 4.3 医学图像融合实验 |
| 4.3.1 实验数据集 |
| 4.3.2 对比方法 |
| 4.3.3 客观评价指标 |
| 4.3.4 不同参数对算法性能的影响 |
| 4.3.5 实验结果分析 |
| 4.4 本章小结 |
| 第五章 基于区间梯度分解和鲁棒Retinex模型的医学图像融合 |
| 5.1 引言 |
| 5.2 区间梯度分解 |
| 5.3 基于区间梯度分解和鲁棒Retinex模型的医学图像融合 |
| 5.4 多模态医学图像融合实验 |
| 5.4.1 实验源图像 |
| 5.4.2 实验设置 |
| 5.4.3 实验结果分析 |
| 5.5 本章小结 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间的研究成果 |
（7）基于U-Net框架的医学图像分割若干关键问题研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外医学图像分割算法研究现状 |
| 1.2.1 基于阈值的分割算法 |
| 1.2.2 基于聚类技术的分割算法 |
| 1.2.3 基于可变形模型的分割算法 |
| 1.2.4 基于神经网络的分割算法 |
| 1.3 医学图像分割的关键问题 |
| 1.4 本文主要研究内容与工作安排 |
| 1.5 本文的主要成果及创新点 |
| 第2章 基于卷积神经网络的医学图像分割 |
| 2.1 卷积神经网络 |
| 2.1.1 卷积神经网络的基本组成 |
| 2.1.2 经典的卷积神经网络模型 |
| 2.2 医学图像分割任务中的神经网络模型 |
| 2.2.1 U-Net |
| 2.2.2 V-Net |
| 2.2.3 No-loca U-Net |
| 2.2.4 U-Net++ |
| 2.3 医学图像分割的评价指标与数据集 |
| 2.3.1 评价指标 |
| 2.3.2 数据集 |
| 2.4 本章小结 |
| 第3章 基于多尺度模块和多特征融合模块的医学图像分割 |
| 3.1 引言 |
| 3.2 基于多尺度模块和多特征融合模块的DMSU-Net |
| 3.2.1 基于多尺度模块的U-Net |
| 3.2.2 基于多特征融合模块的DU-Net |
| 3.2.3 DMSU-Net的网络架构 |
| 3.2.4 损失函数 |
| 3.3 模型的测试与分析 |
| 3.3.1 数据集与参数配置 |
| 3.3.2 MSU-Net的消融实验 |
| 3.3.3 DU-Net的消融实验 |
| 3.3.4 实验结果与分析 |
| 3.4 本章小结 |
| 第4章 基于空间与通道注意力残差模块的医学图像分割 |
| 4.1 引言 |
| 4.2 注意力机制 |
| 4.2.1 空间域注意力 |
| 4.2.2 通道域注意力 |
| 4.3 基于空间与通道注意力残差模块的RSCAU-Net |
| 4.3.1 空间与通道注意力残差模块 |
| 4.3.2 RSCAU-Net的网络架构 |
| 4.4 模型的测试与分析 |
| 4.4.1 数据集与参数配置 |
| 4.4.2 空间与通道注意力残差模块的消融实验 |
| 4.4.3 实验结果分析 |
| 4.5 本章小结 |
| 第5章 基于图像融合网络的多模态医学图像分割 |
| 5.1 引言 |
| 5.2 基于图像融合的分割网络 |
| 5.2.1 融合分割级联网络 |
| 5.2.2 损失函数的设计 |
| 5.3 数据集的建立 |
| 5.4 模型的测试与分析 |
| 5.4.1 数据集与参数设置 |
| 5.4.2 基于特征融合的跳跃连接消融实验 |
| 5.4.3 实验结果分析 |
| 5.5 本章小结 |
| 第6章 总结与展望 |
| 6.1 工作总结 |
| 6.2 工作展望 |
| 参考文献 |
| 致谢 |
| 在读期间发表的学术论文与取得的研究成果 |
（8）基于卷积神经网络的多模态医学图像融合方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 选题依据、研究背景及意义 |
| 1.1.1 选题依据 |
| 1.1.2 研究背景及意义 |
| 1.2 研究现状 |
| 1.2.1 图像融合现状 |
| 1.2.2 基于神经网络的图像融合现状 |
| 1.2.3 基于模糊逻辑的图像融合 |
| 1.3 存在的问题 |
| 1.4 本文主要研究内容及组织结构 |
| 1.4.1 本文主要研究内容 |
| 1.4.2 本文组织结构 |
| 1.5 本章小结 |
| 第二章 相关理论 |
| 2.1 卷积神经网络的相关理论和基础模型 |
| 2.1.1 卷积神经网络的相关理论, |
| 2.1.2 卷积神经网络的基础模型 |
| 2.2 基于卷积神经网络的改进模型 |
| 2.2.1 残差网络 |
| 2.2.2 密集网络 |
| 2.2.3 双残差密集网络 |
| 2.2.4 超密集网络 |
| 2.3 Gabor滤波器和模糊逻辑 |
| 2.3.1 Gabor滤波器 |
| 2.3.2 模糊逻辑 |
| 2.3.3 隶属度函数 |
| 2.4 多模态图像融合的主客观评价标准 |
| 2.4.1 主观评价 |
| 2.4.2 客观评价 |
| 2.5 本章小结 |
| 第三章 基于双残差超密集网络的多模态医学图像融合 |
| 3.1 特征提取 |
| 3.1.1 提取浅层特征 |
| 3.1.2 双残差超密集块 |
| 3.2 多模态医学图像融合过程 |
| 3.3 实验结果与分析 |
| 3.3.1 实验环境与参数 |
| 3.3.2 实验结果与分析 |
| 3.4 本章小结 |
| 第四章 基于G-F-CNN的多模态医学图像融合 |
| 4.1 特征提取 |
| 4.1.1 CNN设置 |
| 4.1.2 Gabor滤波器 |
| 4.2 特征融合 |
| 4.3 实验结果与分析 |
| 4.3.1 实验环境与参数 |
| 4.3.2 实验结果与分析 |
| 4.4 本章小结 |
| 第五章 总结与展望 |
| 5.1 全文总结 |
| 5.2 研究展望 |
| 参考文献 |
| 攻读硕士学位期间发表的论文及所取得的研究成果 |
| 致谢 |
（9）基于多尺度分解与PCNN相结合的医学图像融合算法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 图像融合的层次 |
| 1.2.2 图像多尺度分解研究现状 |
| 1.2.3 图像融合规则研究现状 |
| 1.3 本文的研究内容及组织结构 |
| 1.3.1 论文研究内容 |
| 1.3.2 论文组织结构 |
| 1.4 本章小结 |
| 第二章 医学图像融合相关基础理论 |
| 2.1 医学图像的成像原理及其特性 |
| 2.2 图像多尺度分解方法 |
| 2.2.1 拉普拉斯金字塔变换 |
| 2.2.2 小波变换 |
| 2.2.3 多尺度几何分析 |
| 2.2.4 基于边缘保持滤波器的多尺度分解方法 |
| 2.3 脉冲耦合神经网络的基本理论 |
| 2.3.1 脉冲耦合神经网络 |
| 2.3.2 脉冲耦合神经网络标准模型 |
| 2.3.3 脉冲耦合神经网络简化模型 |
| 2.4 图像融合评价标准 |
| 2.5 本章小结 |
| 第三章 基于NSST与 QPSO优化PCNN的医学图像融合算法 |
| 3.1 引言 |
| 3.2 相关理论 |
| 3.2.1 NSST变换 |
| 3.2.2 QPSO算法 |
| 3.3 融合规则 |
| 3.3.1 低频子带融合规则 |
| 3.3.2 高频子带融合规则 |
| 3.4 实验结果与分析 |
| 3.4.1 实验参数分析与设置 |
| 3.4.2 实验结果分析 |
| 3.5 本章小结 |
| 第四章 基于多尺度边缘保持分解与PCNN的医学图像融合算法 |
| 4.1 引言 |
| 4.2 多尺度边缘保持分解框架相关理论 |
| 4.2.1 边缘保持滤波器 |
| 4.2.2 高斯滤波器 |
| 4.2.3 非下采样方向滤波组 |
| 4.2.4 多尺度边缘保持分解框架 |
| 4.3 图像融合规则 |
| 4.3.1 低频层融合规则 |
| 4.3.2 高频层融合规则 |
| 4.4 图像重构 |
| 4.5 实验结果与分析 |
| 4.5.1 实验参数分析与设置 |
| 4.5.2 实验结果及分析 |
| 4.6 本章小结 |
| 第五章 多模态医学图像融合系统 |
| 5.1 引言 |
| 5.2 多模态医学图像融合系统总体设计 |
| 5.3 多模态医学图像融合系统模块功能实现 |
| 5.3.1 多模态医学图像融合系统主界面 |
| 5.3.2 CT/MR医学图像融合模块 |
| 5.3.3 MR/PET医学图像融合模块 |
| 5.3.4 MR/SPECT医学图像融合模块 |
| 5.4 本章小结 |
| 第六章 总结与展望 |
| 6.1 本文工作总结 |
| 6.2 未来工作展望 |
| 参考文献 |
| 攻读硕士学位期间发表的论文及所取得的研究成果 |
| 致谢 |
（10）基于多尺度变换与神经网络的多源图像融合算法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 多源图像融合研究现状 |
| 1.3 本文主要研究内容 |
| 1.4 本文组织结构 |
| 第2章 多源图像融合技术及评价指标概述 |
| 2.1 多源图像融合概念 |
| 2.2 传统多源图像融合方法概述 |
| 2.2.1 基于区域的多源图像融合方法 |
| 2.2.2 基于变换域的多源图像融合方法 |
| 2.2.3 基于稀疏表示的多源图像融合方法 |
| 2.3 基于深度学习的多源图像融合方法概述 |
| 2.3.1 基于分类模型的多源图像融合方法 |
| 2.3.2 基于回归模型的多源图像融合方法 |
| 2.4 多源图像融合评价方法 |
| 2.4.1 主观评价准则 |
| 2.4.2 客观评价指标 |
| 2.5 本章小结 |
| 第3章 基于启发式搜索PCNN的医学图像融合算法研究 |
| 3.1 引言 |
| 3.2 算法的基本流程与描述 |
| 3.2.1 基于灰度图像融合的框架 |
| 3.2.2 基于NSST的多尺度分解 |
| 3.2.3 基于能量存储与细节提取的低频子带融合规则 |
| 3.2.4 基于IQPSO-PCNN的高频子带融合规则 |
| 3.2.5 基于彩色图像的融合框架 |
| 3.3 实验结果与分析 |
| 3.3.1 实验设置 |
| 3.3.2 灰度图像融合结果分析 |
| 3.3.3 灰度图像与彩色图像融合结果分析 |
| 3.3.4 三种模态图像融合实验结果分析 |
| 3.4 本章小结 |
| 第4章 基于边缘保留PCNN与改进稀疏表示的医学图像融合算法研究 |
| 4.1 引言 |
| 4.2 算法的基本流程与描述 |
| 4.2.1 融合方案 |
| 4.2.2 基于ISR的低频子带融合规则 |
| 4.2.3 基于EP-PCNN的高频子带融合规则 |
| 4.3 实验结果与分析 |
| 4.3.1 实验设置 |
| 4.3.2 灰度图像融合结果分析 |
| 4.3.3 灰度图像与彩色图像融合结果分析 |
| 4.3.4 三种模态图像融合实验结果分析 |
| 4.4 本章小结 |
| 第5章 基于两阶段卷积神经网络的多聚焦图像融合算法研究 |
| 5.1 引言 |
| 5.2 算法的基本流程与描述 |
| 5.2.1 融合算法的总体框架 |
| 5.2.2 图像融合阶段 |
| 5.2.3 边缘修正阶段 |
| 5.3 实验设置与结果分析 |
| 5.3.1 实验设置 |
| 5.3.2 实验结果与分析 |
| 5.4 本章小结 |
| 第6章 总结与展望 |
| 6.1 本文工作总结 |
| 6.2 未来研究展望 |
| 参考文献 |
| 攻读博士期间获得的科研成果 |
| 致谢 |
四、多模态医学图像融合技术概述（论文参考文献）
- [1]脑部医学图像配准与融合算法研究[D]. 卢艺. 南京信息工程大学, 2021(01)
- [2]基于卷积神经网络的医学图像融合算法研究[D]. 尹璐. 河北大学, 2021(09)
- [3]基于双尺度分解的多模态医学图像融合算法研究[D]. 曹四华. 江西财经大学, 2021(09)
- [4]基于多模态数据融合的肺部肿瘤智能分析技术研究[D]. 郑德重. 中国科学院大学(中国科学院上海技术物理研究所), 2021(01)
- [5]基于MRI手工特征和深度特征的眼眶淋巴瘤与炎性假瘤鉴别诊断研究[D]. 谢小洋. 西北大学, 2021(12)
- [6]基于滤波分解和稀疏表示的多模态图像融合算法研究[D]. 裴春阳. 江西理工大学, 2021(01)
- [7]基于U-Net框架的医学图像分割若干关键问题研究[D]. 苏润. 中国科学技术大学, 2021(09)
- [8]基于卷积神经网络的多模态医学图像融合方法研究[D]. 王蕊芳. 中北大学, 2021(09)
- [9]基于多尺度分解与PCNN相结合的医学图像融合算法研究[D]. 郭淑娟. 中北大学, 2021(09)
- [10]基于多尺度变换与神经网络的多源图像融合算法研究[D]. 盖迪. 吉林大学, 2021(01)