基于间隔梯度和卷积神经网络的多式医疗图像融合
Xiaolong Gu1,2, Ying Xia3, Jie Zhang2
1College of Computer Science and Technology, Chongqing University of Posts and Telecommunications, Chongqing, China.
BMC medical imaging
|September 5, 2024
概括
这项研究引入了一种使用间隔梯度和卷积神经网络的新型多式医疗图像融合方法. 这种新方法可以提高诊断的准确性,因为它保留了传统的融合技术中丢失的详细信息.
科学领域:
- 医疗成像医学成像
- 图像处理 图像处理
- 人工智能的人工智能
背景情况:
- 多模式医学成像利用来自不同成像模式的互补信息.
- 现有的融合方法在转换过程中经常会丢失关键细节,导致图像模糊.
- 改进的融合技术对于提高诊断准确性至关重要.
研究的目的:
- 提出一种新的多式联络医疗图像融合方法.
- 为了克服传统的基于多尺度转换的融合中细节损失的局限性.
- 为了提高融合医疗图像的诊断效率.
主要方法:
- 使用间隔梯度来分离结构和纹理组件的图像分解.
- 深度神经网络用于提取感知特征.
- 结构,纹理和感知图像的融合,然后是颜色转换.
主要成果:
- 拟议的方法有效地保留了融合图像中的详细信息和边缘清晰度.
- 在多个客观评估指标中,在参考算法上表现出优异的性能.
- 在关键指标上取得了显著的改进,如,,,,和.
结论:
- 拟议的基于间隔梯度和卷积神经网络的融合方法增强了图像细节的保存.
- 这种方法比传统的多尺度转换方法有了显著的进步.
- 该方法显示出在医疗成像应用中提高诊断准确性的巨大潜力.
