基于毕达哥拉斯模糊集的增强多式医疗图像融合:一种创新的方法

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 图像处理 图像处理

背景情况:

• 医学图像融合结合了多模式图像,以增强诊断信息.
• 现有的核聚变方法可能会因为模糊性或关键细节的丢失而受到影响.
• 毕达哥拉斯模糊集为处理图像数据中的不确定性提供了一个新的框架.

研究的目的:

• 介绍一种基于毕达哥拉斯模糊集 (PFS) 的新型医疗图像融合技术.
• 为了提高融合医学图像的诊断准确性和视觉质量.
• 与最先进的融合技术对比,评估拟议的方法.

主要方法:

• 使用双尺度高斯过器将源图像分解为基层和细节层.
• 细节层的融合使用基于空间频率 (SF) 的规则来保存边缘细节.
• 将基层转换为毕达哥拉斯模糊图像 (PFI) 使用毕达哥拉斯模糊 (PFE) 和使用黑色和白色计数规则进行区块智能的融合.
• 通过defuzzification重建化PFI以获得最终增强的化图像.

主要成果:

• 提出的基于PFS的融合方法在各种指标上取得了卓越的性能,包括平均值 (M),标准偏差 (SD),平均梯度 (AG),SF,MSF,MI和FS.
• 在疾病诊断任务中,与现有最先进的方法相比,显著改进.
• 该方法有效地保留了面向边缘的细节,并减少了融合图像中的不确定性.

结论:

• 基于Pythagorean fuzzy集的医学图像融合技术为增强诊断能力提供了强大的和有效的方法.
• 这一进步为改善医疗保健和医学成像应用,包括诊断和治疗规划,具有重大潜力.
• 拟议的方法提供了一个有价值的工具,用于生成高质量的融合医学图像,具有卓越的信息内容.