适应性卷积稀疏性与子频段相关性在NSCT领域的MRI图像融合

科学领域:

• 医疗成像医学成像
• 图像处理 图像处理
• 计算科学 计算科学

背景情况:

• 多模式医学图像融合 (MMIF) 通过整合来自不同成像模式的信息来提高诊断准确性.
• 卷积稀疏表示 (CSR) 由于全球优化和单值属性,在MMIF中比标准稀疏表示 (SR) 有优势.
• 现有的方法面临的挑战是词典冗余和错误注册的敏感性.

研究的目的:

• 为MMIF提出一个适应性的卷积稀疏性方案,以解决字典冗余和错误注册的问题.
• 为了提高合医疗图像中的结构和纹理细节的保存.
• 提高MMIF的诊断效率和准确性.

主要方法:

• 拟议的方案将图像分解为基层和细节层,使用提霍诺夫规则化优化问题.
• 细节层通过预先训练的字典过器进行稀疏分解,并使用非亚样本轮变换 (NSCT) 域中的子频段相关性精制的融合系数图.
• 基层通过平均值被合并,双尺度重建产生最终的合并图像.

主要成果:

• 实验结果表明该方案在消除错误注册干扰方面的有效性.
• 拟议的方法在保存结构和纹理细节方面优于最先进的融合技术,由主观和客观评估证实.
• 临床图像集验证了融合方案的卓越性能.

结论:

• 开发的核聚变方案具有竞争力,提供低冗余字典,对错误注册的稳定性和卓越的核聚变性能.
• 使用最小样本的自适应字典训练和基于NSCT的子频段相关性保持CSR属性,以增强细节保存.
• 为反向稀疏表示而优化的NSCT排序进一步提高了子频段相关性,促进了结构和纹理细节的保存.