使用改进的双通道PCNN进行多模式医疗图像融合
Adarsh Sinha1, Rahul Agarwal1, Vinay Kumar1
1Computer Science and Engineering, Thapar Institute of Engineering & Technology, Patiala, 147004, Punjab, India.
Medical & biological engineering & computing
|April 24, 2024
概括
这项研究引入了一种新的医学图像融合技术,使用非亚样本的Shearlet转换 (NSST) 和改进的双通道脉冲合神经网络 (IDPCNN). 该方法有效地融合了灰度和伪色医学图像,增强了诊断信息.
科学领域:
- 医疗成像医学成像
- 图像处理 图像处理
- 计算神经科学是一种神经科学.
背景情况:
- 医学图像融合旨在将来自多个来源的互补信息结合起来,以提高图像质量和诊断准确性.
- 现有的融合方法经常在不同模式的灰度和伪色图像合并时,难以保存细节和减少文物.
研究的目的:
- 提出一种新的医学图像融合方法,有效地结合灰度和伪色医学图像.
- 为了提高融合医疗图像的细节保存和诊断实用性.
主要方法:
- 拟议的方法使用非亚样本的Shearlet转换 (NSST) 来进行图像分解.
- 一个新的改进的双通道脉冲合神经网络 (IDPCNN) 用于融合高通子图像.
- 与最大区域能量 (MRE) 结合的Prewitt操作器用于融合低通子图像.
主要成果:
- 与28种不同的医疗图像对的11种现有融合方法相比,拟的方法显示出具有竞争力和优越的性能.
- 定性和定量分析证实了融合技术在保存细节和提高图像质量的有效性.
- 该方法成功地结合了灰度和伪色医学图像的信息.
结论:
- 开发的医学图像融合方法,利用NSST和IDPCNN,在合并灰度和伪色医学图像方面取得了重大进展.
- 该方法提供了一种强大而有效的解决方案,用于增强医疗图像分析和诊断能力.
- 这种技术有望改善从各种成像方式中解释医疗图像的可能性.
