一、小波变换在医学影像技术中应用（论文文献综述）
牟希农[1]（2021）在《离散小波变换在医学影像图像局部压缩中的实现研究》文中研究表明首先对离散小波变换算法的数学模型进行了分析,并详实地讨论了离散小波变换算法的医学影像图像压缩实现研究。接着,对原始磁共振图像进行离散小波局部一次压缩和二次压缩的仿真实验研究。实验结果表明理论分析是合理的,设计是正确的。
赵程伟[2]（2020）在《基于红外热像图的脚踝病变区分析研究》文中研究表明近年来,红外热像仪在医学领域的应用越来越广泛,如炎症、血液等疾病检测、早期癌变细胞筛选等。而借助红外热像仪对脚踝疾病的检测并没有被广泛的研究。本文借助红外热像仪拍摄脚踝部位获得脚踝红外热像图,依据脚踝异常部位的热特征,运用模式识别及统计分析技术对脚踝红外热像图进行处理和分类,最终达到了依据红外热像图可视化的特征数据对脚踝疾病进行筛选与诊断的目的。本论文主要研究工作如下:1)脚踝红外热像图的采集实验设计。首先对本实验被测对象的选取、实验环境的设置、红外热像仪的参数选取及性能校准的要求进行了介绍。然后通过对实验对象进行多次图像采集,最后获得最佳的外侧脚踝红外热像图。2)脚踝红外热像图的分析处理。以人体脚踝关节为研究对象,借助计算机处理技术对采集的红外热像图进行清晰化处理及目标区域截取。通过分析证明了红外热像图的温度值与灰度值线性相关,将分析脚踝病变对红外热像图温度变化产生的影响转变为分析脚踝病变对红外热像图的像素点灰度强度及空间位置分布变化产生的影响。为增大采集的病变脚踝和正常脚踝红外热像图类间差异性,获取了红外热像图的差图,用差图代替原图。并通过运用信噪比法证明了用差图内在特征对脚踝红外热像图进行判别分类的结果更加可靠。3)脚踝红外热像图纹理特征的分析研究。提出一种依据灰度共生矩阵算法提取的脚踝红外热像图纹理特征对脚踝病变进行分析研究的新方法。借助算法提取处理后的50张脚踝红外热像图纹理特征,并用计算得到的灰度共生矩阵的二阶统计量值表示该纹理特征,得到每个纹理特征的各50个特征值。通过分析图像的纹理特征值,找到了病变脚踝和正常脚踝的红外热像图纹理特征值间的规律。为证明两组样本特征值数据差异具有统计学意义,对病变脚踝和正常脚踝的红外热像图纹理特征值进行了差异显着性分析。4)脚踝红外热像图的诊断检测。以处理后的50张脚踝红外热像图纹理特征值数据为依据,运用贝叶斯判别分析法构造判别函数,得到分类准确度为90%的判别分类模型,使用该分类模型对待测样本进行预测分类。最后运用GUI界面系统设计功能,将对脚踝红外热像图的一系列分析研究设计成一种病变诊断系统,为脚踝病变的临床诊断提供了一种以可视化参考数据为依据的人体脚踝检测软件系统,可以更直观的对脚踝病变情况进行诊断研究。
施俊,汪琳琳,王珊珊,陈艳霞,王乾,魏冬铭,梁淑君,彭佳林,易佳锦,刘盛锋,倪东,王明亮,张道强,沈定刚[3]（2020）在《深度学习在医学影像中的应用综述》文中研究表明深度学习能自动从大样本数据中学习获得优良的特征表达,有效提升各种机器学习任务的性能,已广泛应用于信号处理、计算机视觉和自然语言处理等诸多领域。基于深度学习的医学影像智能计算是目前智慧医疗领域的研究热点,其中深度学习方法已经应用于医学影像处理、分析的全流程。由于医学影像内在的特殊性、复杂性,特别是考虑到医学影像领域普遍存在的小样本问题,相关学习任务和应用场景对深度学习方法提出了新要求。本文以临床常用的X射线、超声、计算机断层扫描和磁共振等4种影像为例,对深度学习在医学影像中的应用现状进行综述,特别面向图像重建、病灶检测、图像分割、图像配准和计算机辅助诊断这5大任务的主要深度学习方法的进展进行介绍,并对发展趋势进行展望。
夏开建[4]（2020）在《基于深度特征的腹部CT影像肝脏占位性病变辅助诊断研究》文中提出在临床诊断中,活组织切片检查（活检）是肝脏占位性病变确诊的最有效的检查方法,然而活检作为一种侵入性检查,难免会给患者带来身体和身心上的伤害,同时易产生并发症。医学成像技术的快速发展为肝脏占位性病变的鉴别提供了新的手段,医生可以从影像中观察病变的征象,并进行分析和诊断。目前用于肝脏占位性病变检查的医学影像技术十分依赖操作者的经验与技术,而且往往还存在主观性强、重复性低、劳动强度大、效率低下等缺点,因此肝脏占位性病变自动辅助检测理论与技术在临床应用中有着极其重要的理论与现实意义。本文在总结国内外研究成果的基础上,以肝脏CT影像为主要研究对象,利用卷积神经网络对低质量腹部影像增强重建、肝脏区域检测、肝脏分割、病变区域检测与病变类型诊断等关键技术进行研究,阐明深度学习算法的多层网络机制和数学模型,揭示医学影像内部本质特征,最终提升肝脏占位性病变自动辅助诊断精度。本文的主要工作总结如下:（1）低质量的CT影像将严重影响目标检测、分割、特征提取、病灶识别等后续影像分析应用。CT扫描能够获取患者体内解剖结构,广泛地应用于临床检查与疾病诊断,但CT影像的重建质量与曝光时间或成像速度密切相关。如何改善CT数据的重建质量已经成为CT成像领域的主要课题。现有基于深度网络的图像增强算法直接学习退化图像与清晰图像之间的映射函数,忽略了观测模型保真项的约束。为此,本文提出了一种改进的深度残差网络CT影像增强算法。该算法将残差网络嵌入到图像增强任务中,通过多个残差增强模块和反投影模块交替优化,实现数据一致性,其中残差增强模块采用将低层次特征和高层次特征聚合连接形成新的特征,并采用联合损失函数来优化训练,提高深度模型的泛化能力。本文提出的CT影像增强算法不仅可以利用深度网络学习高层次特征,还可以利用观测模型的保真先验实现图像增强。在仿真测试数据与真实数据上的实验结果表明,本文提出的算法不仅达到了很好的增强效果,同时也较好地保留了低质量CT图像的细节信息,能够增强后续肝脏定位、分割、病灶识别与疾病诊断的精度。（2）由于腹部CT影像中存在大量的脏器,且灰度相似,直接分割可能会引入大量的虚警,增加后续处理的复杂度。如果从影像序列中直接检测肝脏区域,缩小感兴趣区域的范围,可以增强后续分割与识别的精度。然而,现有的目标检测算法很难适应对比度低、背景复杂以及多视角变化的腹部CT影像,因此准确地检测与定位出肝脏区域仍然是一个具有挑战性的问题。为了提升肝脏检测与定位的精度,本文提出了一种基于边缘感知的改进深度网络肝脏影像检测算法。该算法通过边缘感知融合模块有效地保留肝脏的清晰边界,并利用多尺度稠密金字塔监督模块捕获腹部影像丰富的全局上下文信息。大量定性定量的实验结果表明,本文提出的肝脏检测算法可以有效地提高现有肝脏检测与定位的精度,缩小感兴趣区域的范围,增强后续分割与识别的精度。（3）由于肝脏区域的医学影像边界不明显,内部纹理差异较大,无论是以图割、能量泛函等为代表的传统影像分割方法,还是以深度学习为代表的机器学习模型都不能实现肝脏区域的准确分割。这主要是由于基于人工特征的传统模型虽然可解释能力强,在简单场景下具有鲁棒的表征效果,但在复杂背景应用中存在普适性差的问题;而现有的深度学习方法虽然可以通过大数据学习提取目标的特征,但其可解释性差,无法对提取到的特征进行量化评估。因此,在深度网络肝脏检测算法的检测结果基础上,本文提出了一种基于多层次深度特征融合的两阶段肝脏区域分割算法。该算法首先采用改进的SCNN度量网络从标准腹部影像数据集中找出最相似的基准模板;然后采用SIFT-Flow变换进行密集匹配,获得待分割肝脏粗分割结果;最后在粗分割语义标签基础上利用多层次特征融合实现肝脏区域精分割。定性和定量的实验结果表明,本文提出的肝脏分割准确性大大提高,能够增强后续病变区域语义分割与诊断的精度。（4）大多数肿瘤位于肝脏内部,只有分割出病灶区域,才能实现肝脏疾病的诊断。现有的语义分割模型对弱小目标分割能力较差,且分割结果存在空间不一致现象。因此,为了实现占位性病灶的精确检测与分割,本文提出了一种基于互学习的有监督生成对抗语义的肝脏病变区域分割架构模型。首先,前向训练中将生成器的语义映射与语义分割分开进行训练,且在后向训练中利用语义结果边缘约束获得更加精确的病灶区域;然后,采用生成网络、分割网络与对抗网络的损失项构建加权损失函数,提升各子模块的耦合程度,增强模型的泛化能力与训练精度;最后,利用基于小波核空间的LSSVM向量机分类器实现占位性病变检测。大量定性定量实验结果表明,本文提出的分割架构模型可以稳定地提高语义分割模型的性能,提升肿瘤类型诊断的精度。本论文有图44幅,表13个,参考文献171篇。
李士宽[5]（2020）在《CBCT图像去噪算法的研究》文中提出智慧医疗成为当下热门的话题,众多的医疗产业都在向着智能化的方向迈进,同时推动了医学影像技术的快速发展,CBCT作为医学影像中的后起之秀而受到广泛关注。CBCT具有实时性强、灵敏度高等优点,同时在较少的辐射剂量下,就能获得比较令人满意的重建图像。CBCT图像在临床医学中的应用主要有两个方面,一是用于病变组织的诊断,利用所获得的三维图像可以更加精确的制定治疗方案;二是用于放射治疗的实时跟踪,实现精确治疗。CBCT与传统的CT相比拥有众多的优点,但是图像在软组织部分的对比度比较低,同时会携带伪影。由于CBCT与传统CT相比使用了较少的辐射剂量,使得CBCT图像特别容易被噪声污染,这些因素的存在严重降低了 CBCT图像的质量。增加X射线的剂量能够获得让人满意的图像,但患者就要吸收更多的辐射,损害健康的细胞结构。因此,在不增加辐射剂量的条件下,提高CBCT图像的质量具有很好的研究价值。首先对传统的医学图像及其存在的噪声进行了分析,然后重点对CBCT图像进行了研究,通过对CBCT成像原理的分析,了解到CBCT图像的去噪可以从投影域和重建域两个过程进行,针对两个域中的不同特点,分别采用了不同的去噪方法。本文的主要工作和创新点如下:1、重建域中的去噪。通过对偏微分方程去噪模型进行分析,提出了一种适合CBCT图像的偏微分方程去噪模型,该模型采用Log算子构建了一个新的边缘检测器,通过新的边缘检测器设计了自适应扩散函数,同时根据模糊系数提出了边缘能量保留指数,使偏微分方程在迭代去噪时能自适应终止。通过实验证明了此模型在CBCT图像中是有效的。2、投影域和重建域结合的去噪。对CBCT图像的投影域进行噪声去除时,针对投影域数据量大,去噪耗时长的问题,提出了一种投影域和重建域相结合的去噪算法。此算法依据小波变换来实现快速重建,首先对投影域中的图像进行小波分解,将得到的低频部分进行维纳滤波,高频部分进行阈值处理,处理后的高低频数据分别进行FDK重建,然后对重建后的高低频数据进行小波逆变换、插值,即可得到重建后的CBCT图像,由于所获得的CBCT图像会存在伪影,最后在重建域中还要进行偏微分方程的处理。本算法与传统的投影域去噪算法相比,时间节省了接近一半,并且获得的图像质量更好。
李明洋[6]（2020）在《基于机器学习的医学影像研究和辅助诊断平台》文中指出人工智能技术和传统医疗行业结合形成的智能医疗领域已逐渐成熟,但是如何在该领域中得到高精度、高稳定性的模型以及如何让更多的医学研究者更便携地使用人工智能技术进行基础研究依然是亟待解决的问题。本文针对以上问题开发了智能医学影像研究平台 RIAS（Radiomics Intelligent Analysis Software）,对构成RIAS的影像组学算法、深度学习分类和分割网络算法的理论部分进行讨论。本文重点对影像组学的图像预处理、感兴趣区间的勾画方式、特征提取、特征工程、特征可视化、模型建立及评价等方面进行了讨论。图像预处理中提出了图像重采样的两种方式,对图像特征的构成进行分析,通过分别对降维算法原理的阐述总结出特征工程的一般规律,以及探讨了借最优搜索算法获取模型最优参数的过程。除了影像特征外,还对其他特征如临床信息等实现特征多融合进行了分析。在深度学习中重点讨论了卷积神经网络的发展史,对图像分类网络、图像分割网络的构造进行分析,并讨论了网络的共通点和优缺点。最后,从理论层面对卷积神经网络如何有效地在医学图像中运用进行了阐述,从网络原理、网络应用等方面重点分析。接着以结直肠癌肝转移、肝脏分割的实际研究课题为例分别讨论了影像组学、迁移学习分类网络以及深度学习分割网络在RIAS中的应用。影像组学部分按照图像预处理、特征提取、特征工程和模型评价的流程进行研究,最终通过引入多特征融合算法以及对比多个模型结果得到了高效能的逻辑回归模型。该模型在测试集中的ROC（Receiver Operating Characteristic）曲线下面积为0.899,灵敏度为0.78,特异度为0.91,阳性预测值为0.88,阴性预测值为0.83。使用RIAS的迁移学习分类网络时,通过应用图像ROI的自动定位裁剪技术、图像增广手段、图像小波变换等方式,对不同训练轮次、不同裁剪图像大小等变量的研究后,最终得到在测试集图像中分类准确度为0.75的模型。最后使用RIAS的深度学习分割网络对肝脏进行分割,通过训练和测试最终得到分割精度为0.95的模型。同时本文进一步讨论了 RIAS平台在算法、工程等方面的优势和不足,介绍了平台软件线上和线下的开发版本、可视化一键操作、模块化程序编写、模块化模型调用和利用docker封装云端环境等技术应用。通过介绍RIAS平台在机器学习、深度学习领域中封装的优化算法以及应用的实际研究案例可以发现,RIAS平台通过可视化操作界面能使研究者便捷地处理数据、图像,方便地训练、调用优质模型。
王亚鸽[7]（2020）在《医学影像检索与压缩处理研究》文中进行了进一步梳理医学影像是辅助临床医师对疾病进行诊断、治疗和分析愈后情况的重要依据。随着数字化医院的快速建设以及越来越先进的医学成像设备与技术的出现,每天在医院都会有大量的医学影像产生,这大大增加了医学影像数据的存储空间,也使得医学影像诊断医师的工作量大大增加,再加上诊断医师对医学影像的诊断具有很大的主观性,从而容易导致误诊和漏诊情况的发生。对大量的医学影像数据进行检索与压缩处理,可以在一定程度上减少诊断医师的工作量、提升诊断医师的诊断效率与准确率和减缓医学影像数据对存储空间的需求。本文对医学影像检索与压缩的方法进行了研究,主要的研究内容和创新性如下:（1）结合密集卷积网络的医学影像哈希检索。图像特征提取和哈希编码是医学图像检索的两个关键性步骤,为了提取出能够充分表达图像内容的图像特征和减少哈希编码中的投影误差,提出了一种基于密集卷积网络（Dense Convolutional Network,Dense Net）和改进的监督核哈希方法。该方法先对Dense Net模型进行训练优化,并用训练好的Dense Net模型来提取图像的高层语义特征;然后,对提取到的图像特征进行核主成分分析投影,以充分挖掘图像特征中蕴含的非线性信息和减少投影误差,再对投影后的图像特征进行监督核哈希学习,把图像特征映射到汉明空间,以生成更紧凑的二值哈希码,并通过比较哈希码间的汉明距离来完成检索。实验结果表明,在LUNA16数据集和Paris6K数据集上,与其它六种常见哈希方法相比,本文方法在不同哈希码长下的平均检索精度均高于其它方法,且在哈希码长为64bits时,平均检索精度分别高达92.9%和89.2%,从而验证了本文方法的有效性和可拓展性;也将本文方法与基于卷积神经网络的哈希算法进行了时间复杂度的比较,结果表明本文方法的时间复杂度较低,说明了本文方法具有一定的高效性。（2）一种联合Canny边缘检测和SPIHT的医学影像压缩方法。鉴于医学影像的特殊性,图像中的纹理细节等高频信息对诊断医师进行判断至关重要,所以,本文以提升压缩后的重构图像对高频信息的保留量为出发点,并针对多级树集合分裂（Set Partitioning in Hierarchical Trees,SPIHT）算法的重构图像会损失高频信息的不足,提出了一种联合Canny边缘检测和SPIHT的医学影像压缩方法。该方法先对图像进行Canny边缘检测,以提取图像的高频信息,获得图像的边缘图像;然后,对图像进行SPIHT编码,并用哈夫曼（Huffman）算法对SPIHT编码后的码流进行优化,依次经Huffman解码和小波逆变换后得到一幅重构图像,将该重构图像与前面获得的边缘图像进行相加以恢复原图像。实验结果表明,在选取的10幅包含有医学和非医学的标准测试图像上,与SPIHT结合Huffman的算法相比,在不同比特率下的本文方法重构图像的信息熵较高,说明了本文方法重构图像的高频信息得到了有效保留,从而验证了本文方法的可行性和有效性。
邱天舒[8]（2020）在《微血管图像特征增强与分割算法研究》文中指出医学影像的数字化分析是计算机技术在医学诊断中的一项重要应用。由于微血管的形态结构与眼底类疾病、心血管类疾病密切相关:高血压、动脉硬化等疾病的早期症状均会导致微血管网络产生物理性质的变化。因此,利用医学影像处理技术对微血管网络的整体结构、直径、弯曲度等相关参数进行精确测量与定量分析,能够为疾病的早期排查、判断疾病的病变程度提供重要的依据,医学影像处理技术在现代医学诊断中具有重要的意义。本文以视网膜影像中的微血管网络结构为研究对象,从特征增强、微血管分割、动静脉夹角测量等方面进行研究,利用Curvelet理论、深度学习算法、Hessian矩阵等方法,分别实现微血管的增强、分割、测量工作。论文的主要研究内容如下:（1）研究了离散Curvelet系数在图像中的分布情况,提出一种基于Curvelet理论的微血管增强算法:首先提取图像的绿色通道,利用CLAHE算法均衡绿色通道中的像素值;其次对均衡化的图像进行Curvelet系数分解,提出一种兼备软阈值函数连续性和硬阈值函数渐进性的非线性阈值函数,根据噪声频域系数与特征频域系数在Curvelet变换域中的不同分布特征,实现阈值去噪和特征增强操作;最后采用基于2D高斯核的滤波算法对增强图像作滤波处理,遵循高、低尺度系数的融合规则,分别融合高、低尺度上的Curvelet系数,进而获得更加直观的微血管网络结构。（2）研究了深度学习算法在医学影像分割任务中的应用,提出一种改进的U-net分割模型:首先对输入样本进行对比度调节和非重叠随机裁剪,扩大样本的量级,提升U-net模型的泛化能力;其次引入特定步长卷积和残差模块,分别对池化层和卷积层的结构作出改进,获得更好的特征提取效果,并加快网络收敛速度;最后替换原始网络中的交叉损失函数,使得网络更适合微血管分割任务。实验表明,改进后的U-net网络在图像清晰度、预防血管粘连、毛细血管分割方面效果明显。（3）综合上述获得的增强图像与分割结果,提出一种基于高斯函数模型的微血管测量算法:首先根据微血管横截面像素值的分布特征寻找血管中心点,利用Hessian矩阵优异的跟踪特性生成横截面方向上的测量轴;其次定义测量轴像素曲线的拐点为血管边界,根据拐点的坐标算出微血管管径的单位距离;最后建立数学模型,确定动静脉分叉角与管径的联系并进行测量。
李亮亮[9]（2019）在《基于非下采样剪切波变换的图像增强算法研究》文中提出近年来,随着科学技术的快速发展,基于计算机辅助系统的图像处理算法也不断更新,其应用领域在人们的生活中逐渐增多,尤其是在医学图像、遥感图像和多聚焦图像处理方面。医学图像的获取可以提供患者疾病部位的有用信息,使得医生可以对患者的疾病进行快速有效的诊断和治疗,但是由于图像采集设备的限制和拍摄过程中受外界因素（如光照强度、温度等）的干扰,所获取的图像质量通常较低,这严重影响了对图像中重要信息的提取和图像的后续处理。遥感图像作为记录地貌特征的特殊图像,其广泛应用到军事、国防、民生等领域,例如对自然灾害的监控、城市规划与建设和土地利用动态监测等;但由于受大气环境和传感器设备等因素的影响,获取的遥感图像通常会出现清晰度低和亮度不均等缺点。因此对这些获取的低质量的医学图像和遥感图像进行有效的增强处理是非常有必要的,而且增强后的图像更能反映真实的信息。由于光学镜头的景深有限,使得人们在摄影时很难获取一幅全景清晰的图像,又因聚焦点不同,所以多聚焦图像中包含有不同的清晰区域和模糊区域,这将不利于对图像中信息的提取;图像融合技术作为图像增强的一个分支,将其应用到多聚焦图像的处理中,可以使得图像得到有效的增强。针对医学图像、遥感图像和多聚焦图像的特点,探索有效的图像增强算法,以获取视觉效果良好的图像,具有十分重要的意义。本论文主要针对医学图像、遥感图像以及多聚焦图像在获取中出现的模糊和对比度低等问题进行了深入的研究,提出了相应的解决方法,并给出了实验数据和讨论分析以验证所提出方法的有效性和可行性。本论文的主要研究内容和创新性如下:1.基于非下采样剪切波变换和引导滤波的医学图像增强方法。为了解决所获取的医学图像存在清晰度偏低的问题,提出了一种新的医学图像增强模型。首先,将原始图像进行非下采样剪切波变换分解,得到了一个低频子带和多个高频子带,由于图像的低频部分包含了图像的大量背景信息,这些信息将直接影响图像的对比度。引导滤波是一个快速且有效的对比度增强方法,采用该方法对低频部分进行处理,以提高图像的整体对比度;图像的高频部分包含了噪声和细节信息,采用自适应阈值的方法对高频部分进行处理,以降低噪声的干扰,同时使得图像的细节信息得到很好保持。最后利用非下采样剪切波变换的反变换对有效处理后的所有子带进行重构,得到最终的增强图像。实验结果表明,提出的算法在医学图像增强方面有明显的优势,在客观评价指标方面也取得了很好的效果。2.在非下采样剪切波变换域基于梯度引导滤波和模糊对比度的医学图像增强方法。大脑图像作为医学图像的一个重要分支,对于人体脑部组织的分析有非常重要的作用,为了提高大脑图像的清晰度和对比度,以及抑制噪声的干扰,一种基于非下采样剪切波变换的医学图像增强方法被提出。首先,将输入的大脑图像进行非下采样剪切波变换分解,得到低频子带和高频子带;梯度域引导滤波是一个有效的图像增强方法,且计算复杂度较低,将其用来对图像的低频部分进行处理,以改善图像的对比度;改进的模糊对比度方法用来对图像的高频部分进行有效的处理,以降低噪声的干扰。最后采用非下采样剪切波变换的反变换进行重构得到最终的增强图像。实验结果表明,该算法在大脑图像的细节保持和对比度增加方面具有很好的效果,且在客观评价指标数据方面具有一定的优势。3.基于非下采样剪切波变换和局部拉普拉斯滤波的遥感图像增强算法。由于获取的遥感图像存在视觉对比度和空间分辨率不能完全满足应用需求的缺点,对遥感图像进行分析和解译之前进行有效的增强处理是有必要的,因此提出了一种新的遥感图像增强方法。首先,将初始的低质量遥感图像进行NSST分解,分别得到低频部分和高频部分;然后将初始图像的低频部分进行局部拉普拉斯滤波算法处理,以提高图像的对比度并抑制低频中少量的噪声,将改进后的阈值算法应用到高频部分,以消除噪声的干扰;最后采用非下采样剪切波变换的逆变换对所有的子带进行重构,得到增强后的遥感图像。实验结果表明,与一些最新提出的图像增强算法相比较,该方法在遥感图像增强的主观和客观评价方面都具有明显的优势。4.基于非下采样剪切波变换和SF-PAPCNN的多聚焦图像融合与增强算法。针对图像融合方法中出现的模糊、伪影等问题,提出了一种基于非下采样剪切波变换的图像融合模型。首先将两个多源图像进行非下采样剪切波变换分解,分别得到相应的低频部分和高频部分;然后对于低频部分采用SF-PAPCNN模型进行融合,高频部分采用ISML模型进行融合;最后采用非下采样剪切波变换的逆变换对融合后的低频和高频部分进行重构,得到最终的融合图像。实验结果表明,相比于经典的和最新提出的融合方法,该算法在多聚焦图像融合中可以获得更清晰的融合图像和更多的图像细节信息。
邱陈辉[10]（2019）在《基于多尺度几何分析和稀疏表示理论的多模态生物医学影像融合技术研究》文中研究表明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着,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着,在6项客观评价指标度量中有5项为最优、另1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。
二、小波变换在医学影像技术中应用（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、小波变换在医学影像技术中应用（论文提纲范文）
（1）离散小波变换在医学影像图像局部压缩中的实现研究（论文提纲范文）
| 1 离散小波变换的医学影像图像局部压缩算法模型 |
| 2 离散小波变换在医学影像图像局部压缩中的仿真实现 |
| 3 结语 |
（2）基于红外热像图的脚踝病变区分析研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 国内外研究发展现状 |
| 1.3 本文主要研究内容 |
| 1.4 本文结构框架 |
| 第2章 医学红外热成像技术及红外图像特性概述 |
| 2.1 红外热成像技术基础理论概述 |
| 2.1.1 人体红外热成像基础原理 |
| 2.1.2 红外热成像技术诊断原理 |
| 2.2 红外热成像技术的医学应用价值 |
| 2.2.1 红外热成像技术在临床医学应用中的意义 |
| 2.2.2 红外热成像技术在脚踝病症研究中的应用价值 |
| 2.3 红外热像图的特性 |
| 2.3.1 人体红外热像图特点 |
| 2.3.2 红外热像图的噪声 |
| 2.4 红外热像图特征分析 |
| 2.5 本章小结 |
| 第3章 脚踝红外热像图的采集实验 |
| 3.1 红外热像图采集实验设计 |
| 3.2 实验对象选择与分组 |
| 3.3 实验仪器的选择 |
| 3.3.1 红外热像仪选取标准 |
| 3.3.2 红外热像仪性能参数介绍 |
| 3.4 红外热像图采集实验具体流程 |
| 3.4.1 实验环境设置 |
| 3.4.2 红外热像仪性能校准调试 |
| 3.4.3 脚踝红外热像图采集及结果 |
| 3.5 本章小结 |
| 第4章 脚踝红外热像图预处理与差图获取 |
| 4.1 红外热像图选取及目标区域截取 |
| 4.2 红外热像图的降噪处理 |
| 4.2.1 空间域图像降噪法 |
| 4.2.2 频域图像降噪法 |
| 4.2.3 降噪结果分析 |
| 4.3 红外热像图温度值与灰度值相关性分析 |
| 4.4 差图获取及特征差异性分析 |
| 4.4.1 红外热像图的差图获取 |
| 4.4.2 红外热像图的差图特异性分析 |
| 4.5 本章小结 |
| 第5章 脚踝红外热像图特征提取与病变分析 |
| 5.1 纹理特征分析方法介绍 |
| 5.2 灰度共生矩阵纹理特征提取算法研究 |
| 5.2.1 灰度共生矩阵算法及其二阶统计量 |
| 5.2.2 特征提取参数设置 |
| 5.2.3 红外热像图纹理特征提取流程 |
| 5.3 红外热像图特征提取及结果 |
| 5.3.1 特征提取基本思路 |
| 5.3.2 特征提取结果及差异显着性检验 |
| 5.4 红外热像图纹理特征的判别分析 |
| 5.4.1 判别分析法 |
| 5.4.2 贝叶斯判别结果分析 |
| 5.5 脚踝红外热像图病变分析系统 |
| 5.6 本章小结 |
| 结论 |
| 附录 |
| 附录 1 参加实验者和实验人关于实验所达成的协议 |
| 附录 2 红外热像图拍摄实验被试者登记表 |
| 参考文献 |
| 攻读硕士学位期间所发表的论文 |
| 致谢 |
（3）深度学习在医学影像中的应用综述（论文提纲范文）
| 0 引 言 |
| 1 图像重建 |
| 1.1 基于深度学习的MRI图像重建 |
| 1.1.1 基于端到端深度学习的MRI重建方法 |
| 1)基于级联CNN的MRI重建。 |
| 2)基于复数域CNN的MRI重建。 |
| 1.1.2 基于先验模型的深度学习MRI重建方法 |
| 1)基于交替方向乘子法的MRI重建(ADMM-Net)。 |
| 2)卷积去混叠网络用于并行MRI重建。 |
| 1.2 基于深度学习的低剂量CT成像方法 |
| 1.2.1 基于编解码CNN的方法 |
| 1.2.2 结合小波变换的CNN的方法 |
| 1.2.3 基于生成对抗网络的方法 |
| 1.2.4 基于正弦图域的深度学习方法 |
| 1.3 基于深度学习的超声成像方法 |
| 1.3.1 基于深度学习的传统B型超声成像方法 |
| 1.3.2 基于深度学习的平面波超声成像方法 |
| 1.3.3 基于深度学习的超声弹性成像方法 |
| 1.4 医学图像合成 |
| 1.4.1 跨模态MRI图像合成 |
| 1.4.2 MR图像合成CT图像 |
| 1.4.3 医学图像超分辨率 |
| 2 病灶检测 |
| 2.1 基于CT的肺部病灶深度学习检测模型 |
| 2.2 面向肿瘤病灶的深度学习检测模型 |
| 2.3 基于深度学习的通用病灶区域检测模型 |
| 3 医学图像分割 |
| 3.1 全监督分割模型 |
| 3.2 非完全监督分割模型 |
| 3.3 融合先验知识的深度分割模型 |
| 4 医学图像配准 |
| 4.1 全监督配准模型 |
| 4.2 无监督配准模型 |
| 4.3 弱监督配准模型 |
| 5 计算机辅助诊断 |
| 5.1 全监督深度学习模型 |
| 5.2 非完全监督模型 |
| 5.3 基于多模态影像的CAD |
| 6 结 语 |
（4）基于深度特征的腹部CT影像肝脏占位性病变辅助诊断研究（论文提纲范文）
| 摘要 |
| abstract |
| 变量注释表 |
| 1 绪论 |
| 1.1 课题背景 |
| 1.2 研究意义 |
| 1.3 研究现状 |
| 1.4 本文研究内容及思路 |
| 1.5 论文章节 |
| 2 基于改进深度残差网络的CT影像增强算法 |
| 2.1 本章概述 |
| 2.2 相关技术 |
| 2.3 基于残差网络的图像增强算法 |
| 2.4 实验结果及其性能分析 |
| 2.5 本章小结 |
| 3 基于边缘感知的深度网络肝脏检测算法 |
| 3.1 本章概述 |
| 3.2 相关技术 |
| 3.3 基于边缘感知的改进深度网络肝脏检测算法 |
| 3.4 实验结果及其性能分析 |
| 3.5 本章小结 |
| 4 基于多层次深度特征融合的两阶段肝脏区域分割模型 |
| 4.1 本章概述 |
| 4.2 相关技术 |
| 4.3 两阶段肝脏区域分割算法 |
| 4.4 实验结果及其性能分析 |
| 4.5 本章小结 |
| 5 基于深度语义特征的肝脏占位性病变区域分割及其诊断分类研究 |
| 5.1 本章概述 |
| 5.2 相关技术 |
| 5.3 基于深度语义特征的肝脏疾病诊断方法 |
| 5.4 实验结果及其性能分析 |
| 5.5 本章小结 |
| 6 结论与展望 |
| 6.1 论文总结 |
| 6.2 后续研究方向 |
| 参考文献 |
| 作者简历 |
| 学位论文数据集 |
（5）CBCT图像去噪算法的研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.3 本文研究内容和安排 |
| 第2章 医学图像的成像分析及噪声去除 |
| 2.1 引言 |
| 2.2 常用医学图像的分析及噪声去除 |
| 2.2.1 超声图像 |
| 2.2.2 磁共振图像 |
| 2.2.3 CT图像 |
| 2.3 CBCT图像分析 |
| 2.3.1 CBCT成像原理 |
| 2.3.2 CBCT重建算法 |
| 2.3.3 CBCT图像噪声分析及去噪过程 |
| 2.4 图像质量的评价 |
| 2.5 本章小结 |
| 第3章 基于偏微分方程的CBCT图像去噪 |
| 3.1 引言 |
| 3.2 偏微分方程去噪模型 |
| 3.2.1 二阶PDE去噪模型 |
| 3.2.2 四阶PDE去噪模型 |
| 3.3 偏微分方程的改进 |
| 3.4 实验结果与分析 |
| 3.4.1 测试图像去噪方法比较 |
| 3.4.2 临床图像去噪方法比较 |
| 3.5 本章小结 |
| 第4章 基于投影域与重建域结合的CBCT去噪 |
| 4.1 引言 |
| 4.2 基本理论 |
| 4.2.1 小波变换 |
| 4.2.2 小波去噪方法 |
| 4.2.3 维纳滤波 |
| 4.2.4 小波域维纳滤波 |
| 4.3 投影域和重建域结合去噪 |
| 4.3.1 投影域处理 |
| 4.3.2 重建域处理 |
| 4.3.3 算法的具体流程图 |
| 4.4 实验结果及分析 |
| 4.5 本章小结 |
| 第5章 总结与展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间的研究成果 |
| 学位论文评阅及答辩情况表 |
（6）基于机器学习的医学影像研究和辅助诊断平台（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 影像组学的研究进展 |
| 1.1.1 影像组学背景概述 |
| 1.1.2 影像组学研究现状 |
| 1.2 深度学习的研究进展 |
| 1.2.1 深度学习背景概述 |
| 1.2.2 深度学习分类网络 |
| 1.2.3 深度学习分割网络 |
| 1.3 基于人工智能技术的医疗辅助诊断 |
| 1.4 本章小结 |
| 第二章 影像组学基本理论 |
| 2.1 影像组学基本流程 |
| 2.2 图像处理 |
| 2.2.1 图像预处理 |
| 2.2.2 感兴趣区域的勾画 |
| 2.3 影像组学特征工程 |
| 2.3.1 特征提取 |
| 2.3.2 特征降维 |
| 2.3.3 特征可视化 |
| 2.4 模型构建及其评价 |
| 2.4.1 机器学习模型种类 |
| 2.4.2 模型效能评估方式 |
| 2.5 多特征融合 |
| 2.5.1 多影像组学特征融合 |
| 2.5.2 影像组学特征和临床特征融合 |
| 2.6 本章小结 |
| 第三章 深度学习基本理论 |
| 3.1 深度学习分类网络概述 |
| 3.2 深度学习分割网络概述 |
| 3.3 深度学习在医学影像中的图像预处理 |
| 3.4 本章小结 |
| 第四章 RIAS设计及相关实验研究 |
| 4.1 RIAS平台的框架内容 |
| 4.1.1 RIAS平台界面设计和功能简述 |
| 4.1.2 基于Matlab的图像预处理插件 |
| 4.1.3 RIAS图像预处理模块 |
| 4.1.4 RIAS影像组学分析模块 |
| 4.1.5 RIAS影像组学和临床信息特征融合模块 |
| 4.1.6 RIAS迁移学习训练和预测模块 |
| 4.1.7 RIAS分割网络训练和预测模块 |
| 4.2 基于RIAS平台的结直肠癌肝转移影像组学实验的研究 |
| 4.2.1 课题数据来源 |
| 4.2.2 图像预处理、特征工程及建模评估 |
| 4.2.3 影像组学特征和临床信息特征融合建模 |
| 4.3 基于RIAS平台的结直肠癌肝转移迁移学习实验的研究 |
| 4.3.1 迁移学习模型的选择 |
| 4.3.2 图像预处理及分组 |
| 4.3.3 原始图像的测试集结果 |
| 4.3.4 图像小波变换的测试集结果 |
| 4.4 基于RIAS平台Unet网络的肝脏分割实验的研究 |
| 4.4.1 数据来源及模型选定 |
| 4.4.2 分割结果 |
| 4.5 本章小结 |
| 第五章 RIAS平台的实例化及嵌入式应用 |
| 5.1 RIAS平台的多版本设计 |
| 5.2 RIAS平台的临床自动化预测实例 |
| 5.3 RIAS平台同嵌入式设备通信 |
| 5.4 RIAS平台的软件加密 |
| 5.5 本章小结 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 6.3 本章小结 |
| 参考文献 |
| 作者简介及攻读硕士期间发表学术论文 |
| 致谢 |
（7）医学影像检索与压缩处理研究（论文提纲范文）
| 中文摘要 |
| Abstract |
| 一、绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 医学图像检索技术 |
| 1.2.2 医学图像压缩技术 |
| 1.3 论文的主要研究内容 |
| 1.4 论文的章节安排 |
| 二、图像检索与压缩处理技术 |
| 2.1 基于内容的医学图像检索技术 |
| 2.1.1 图像的特征描述 |
| 2.1.2 用于相似性度量的距离 |
| 2.2 图像的哈希检索方法 |
| 2.2.1 数据独立哈希 |
| 2.2.2 数据依赖哈希 |
| 2.2.3 深度哈希 |
| 2.3 基于小波变换的医学图像压缩方法 |
| 2.4 本章小结 |
| 三、结合DenseNet的医学影像监督核哈希检索 |
| 3.1 方法描述 |
| 3.2 基于DenseNet的图像特征提取 |
| 3.2.1 DenseNet网络结构 |
| 3.2.2 网络模型的优化 |
| 3.3 改进的图像监督核哈希方法 |
| 3.3.1 KPCA投影 |
| 3.3.2 KSH编码 |
| 3.4 实验设置与分析 |
| 3.4.1 数据集及其预处理 |
| 3.4.2 实验环境与评价指标 |
| 3.4.3 实验结果的对比分析 |
| 3.5 本章小结 |
| 四、一种联合Canny边缘检测和SPIHT的医学影像压缩方法 |
| 4.1 方法描述 |
| 4.2 Canny边缘检测 |
| 4.3 SPIHT算法 |
| 4.4 实验 |
| 4.4.1 实验环境与评价指标 |
| 4.4.2 实验结果分析 |
| 4.5 本章小结 |
| 五、总结与展望 |
| 5.1 工作总结 |
| 5.2 未来展望 |
| 参考文献 |
| 综述 医学影像检索与压缩方法综述 |
| 参考文献 |
| 致谢 |
| 个人简历 |
（8）微血管图像特征增强与分割算法研究（论文提纲范文）
| 致谢 |
| 摘要 |
| abstract |
| 变量注释表 |
| 1 绪论 |
| 1.1 课题背景及研究意义 |
| 1.2 研究现状 |
| 1.3 研究内容与章节结构 |
| 2 图像增强与分割算法研究 |
| 2.1 图像增强算法 |
| 2.2 微血管分割方法 |
| 2.3 本章小结 |
| 3 基于Curvelet变换的图像增强 |
| 3.1 Curvelet数学框架与系数分析 |
| 3.2 基于改进非线性函数的图像增强 |
| 3.3 实验数据分析 |
| 3.4 基于多尺度2D高斯核的图像滤波 |
| 3.5 本章小结 |
| 4 基于全卷积神经网络的微血管分割 |
| 4.1 U-net模型整体结构设计 |
| 4.2 U-net模型实现细节 |
| 4.3 后处理 |
| 4.4 实验数据分析 |
| 4.5 本章小结 |
| 5 特征增强与分割在微血管测量中的应用 |
| 5.1 数字化测量的应用意义 |
| 5.2 管径测量 |
| 5.3 动静脉分叉角测量 |
| 5.4 本章小结 |
| 6 总结与展望 |
| 6.1 工作总结 |
| 6.2 展望 |
| 参考文献 |
| 作者简历 |
| 学位论文数据集 |
（9）基于非下采样剪切波变换的图像增强算法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 引言 |
| 1.2 国内外图像增强算法的研究现状 |
| 1.2.1 基于空间域的图像增强算法 |
| 1.2.2 基于变换域的图像增强算法 |
| 1.2.3 基于深度学习的图像增强算法 |
| 1.2.4 基于融合模型的图像增强算法 |
| 1.3 本文的研究背景 |
| 1.4 论文的结构以及研究内容 |
| 1.5 本章小结 |
| 第2章 非下采样变换的基本理论 |
| 2.1 轮廓波变换 |
| 2.1.1 LP变换 |
| 2.1.2 方向滤波器组 |
| 2.2 非下采样轮廓波变换 |
| 2.2.1 非下采样金字塔分解 |
| 2.2.2 非下采样方向滤波器组分解 |
| 2.3 剪切波变换 |
| 2.4 离散剪切波变换 |
| 2.4.1 频域实现 |
| 2.4.2 时域实现 |
| 2.5 非下采样剪切波变换 |
| 2.6 本章小结 |
| 第3章 在NSST域基于引导滤波的医学图像增强 |
| 3.1 引言 |
| 3.2 引导滤波 |
| 3.3 本章的NSST-GF模型 |
| 3.3.1 低频部分进行引导滤波 |
| 3.3.2 高频部分进行阈值去噪 |
| 3.3.3 算法的实施步骤 |
| 3.4 实验结果和分析 |
| 3.4.1 主观分析 |
| 3.4.2 客观分析 |
| 3.5 本章小结 |
| 第4章 在NSST域基于GDGF和模糊对比度的医学图像增强 |
| 4.1 引言 |
| 4.2 梯度域引导滤波 |
| 4.3 本章的NSST-GDGF算法 |
| 4.3.1 基于梯度引导滤波的低频部分处理 |
| 4.3.2 基于模糊对比度的高频部分处理 |
| 4.3.3 本章算法实施步骤 |
| 4.4 实验结果和分析 |
| 4.4.1 视觉效果比较 |
| 4.4.2 客观指标评价 |
| 4.5 本章小结 |
| 第5章 基于NSST和局部拉普拉斯滤波的遥感图像增强 |
| 5.1 引言 |
| 5.2 局部拉普拉斯滤波 |
| 5.3 本章NSST-FLLF算法 |
| 5.3.1 低频部分处理 |
| 5.3.2 高频部分处理 |
| 5.3.3 算法的实施步骤 |
| 5.4 实验结果和分析 |
| 5.5 本章小结 |
| 第6章 在NSST域基于SF-PAPCNN的多聚焦图像融合与增强 |
| 6.1 引言 |
| 6.2 参数自适应PCNN模型 |
| 6.3 本章提出的算法实施步骤 |
| 6.4 实验结果对比和分析 |
| 6.4.1 实验设置 |
| 6.4.2 对灰度多聚焦图像仿真实验 |
| 6.4.3 对彩色多聚焦图像仿真实验 |
| 6.5 本章小结 |
| 第7章 总结与展望 |
| 7.1 工作总结 |
| 7.2 工作展望 |
| 参考文献 |
| 作者简介及在学期间的科研成果和项目经历 |
| 致谢 |
（10）基于多尺度几何分析和稀疏表示理论的多模态生物医学影像融合技术研究（论文提纲范文）
| 致谢 |
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 生物医学多模态成像技术 |
| 1.1.1 CT |
| 1.1.2 MRI |
| 1.1.3 SPECT和PET |
| 1.1.4 GFP成像和相衬成像 |
| 1.2 生物医学图像融合技术与评价 |
| 1.2.1 图像融合 |
| 1.2.2 生物医学影像融合 |
| 1.2.3 生物医学影像融合技术研究现状 |
| 1.2.4 生物医学图像融合的评价方法 |
| 1.3 论文主要研究内容与章节安排 |
| 第2章 CT和MR影像融合 |
| 2.1 非下采样剪切波变换 |
| 2.2 稀疏表示 |
| 2.3 基于非下采样剪切波变换和稀疏表示的融合方法 |
| 2.3.1 NSST分解 |
| 2.3.2 高频子带融合 |
| 2.3.3 低频子带融合 |
| 2.3.4 NSST重构 |
| 2.4 实验与讨论 |
| 2.4.1 实验设计 |
| 2.4.2 实验结果与讨论分析 |
| 2.5 本章小结 |
| 第3章 PET/SPECT和MR影像融合 |
| 3.1 彩色空间模型IHS |
| 3.2 基于非下采样剪切波变换的融合方法 |
| 3.2.1 AVM规则 |
| 3.2.2 HWE规则 |
| 3.2.3 融合方法框架 |
| 3.3 实验与讨论 |
| 3.3.1 实验设计 |
| 3.3.2 实验结果与讨论分析 |
| 3.4 本章小结 |
| 第4章 GFP和相衬影像融合 |
| 4.1 卷积稀疏表示 |
| 4.2 基于讨论机制的头脑风暴优化算法 |
| 4.3 基于卷积稀疏表示的融合方法 |
| 4.3.1 ARE规则 |
| 4.3.2 SML规则 |
| 4.3.3 融合方法框架 |
| 4.4 实验与讨论 |
| 4.4.1 实验设计 |
| 4.4.2 实验结果与讨论 |
| 4.5 本章小结 |
| 第5章 PET和CT影像融合 |
| 5.1 基于卷积稀疏表示和非下采样剪切波变换的融合方法 |
| 5.1.1 LCCM规则 |
| 5.1.2 REM规则 |
| 5.1.3 融合方法框架 |
| 5.2 实验与讨论 |
| 5.2.1 影像配准预处理 |
| 5.2.2 实验设计 |
| 5.2.3 实验结果与讨论分析 |
| 5.3 本章小结 |
| 第6章 总结与展望 |
| 6.1 论文工作总结 |
| 6.2 未来工作展望 |
| 参考文献 |
| 附录 攻读博士学位期间所取得的研究成果 |
四、小波变换在医学影像技术中应用（论文参考文献）
- [1]离散小波变换在医学影像图像局部压缩中的实现研究[J]. 牟希农. 贵州大学学报(自然科学版), 2021(05)
- [2]基于红外热像图的脚踝病变区分析研究[D]. 赵程伟. 河北科技大学, 2020(07)
- [3]深度学习在医学影像中的应用综述[J]. 施俊,汪琳琳,王珊珊,陈艳霞,王乾,魏冬铭,梁淑君,彭佳林,易佳锦,刘盛锋,倪东,王明亮,张道强,沈定刚. 中国图象图形学报, 2020(10)
- [4]基于深度特征的腹部CT影像肝脏占位性病变辅助诊断研究[D]. 夏开建. 中国矿业大学, 2020(03)
- [5]CBCT图像去噪算法的研究[D]. 李士宽. 山东大学, 2020(02)
- [6]基于机器学习的医学影像研究和辅助诊断平台[D]. 李明洋. 吉林大学, 2020(11)
- [7]医学影像检索与压缩处理研究[D]. 王亚鸽. 天津医科大学, 2020(06)
- [8]微血管图像特征增强与分割算法研究[D]. 邱天舒. 中国矿业大学, 2020(01)
- [9]基于非下采样剪切波变换的图像增强算法研究[D]. 李亮亮. 吉林大学, 2019(02)
- [10]基于多尺度几何分析和稀疏表示理论的多模态生物医学影像融合技术研究[D]. 邱陈辉. 浙江大学, 2019(01)