空间信息融合的C-Means去噪算法提升切伦科夫荧光图像质量

本文主要探讨了基于空间信息改进的切伦科夫荧光图像去噪算法在光学分子影像领域中的应用。切伦科夫荧光成像是利用放射性核素探针进行的一种非侵入式成像技术，其在临床诊断中有广泛的应用前景。然而，由于放射性核素衰变过程产生的高能射线，会导致图像中充斥着大量的脉冲噪声，这对后续的定量分析和三维重建工作产生了显著影响。 针对这一问题，研究人员提出了一个创新的方法，即融合模糊局部信息C-均值聚类算法和整体变分模型。C-均值聚类算法是一种常用的无监督学习技术，通过模糊度量来划分数据集，而模糊局部信息则考虑到了邻域数据之间的相似性，有助于更好地识别噪声与信号的边界。整体变分模型则强调全局优化，通过最小化图像的总变异，能够有效地平滑图像并保留重要的细节。 算法的核心在于利用空间信息对噪声进行更精细的区分，避免过度平滑导致的重要结构信息丢失。通过数值仿真、物理模型模拟以及真实动物实验的验证，该算法与传统的中值滤波算法相比，显示出显著的优势。它不仅能够有效去除噪声，而且能够较好地保留切伦科夫荧光光源区域的形状细节，这对于图像的准确性和分析精度提升至关重要。 因此，这项研究对于提高切伦科夫荧光成像的质量，提升医学诊断的准确性，特别是在放射性核素成像领域具有实际价值。关键词包括图像处理、去噪方法、模糊C-均值聚类算法、切伦科夫荧光成像和放射性核素成像，这些都反映了文章的核心研究内容和技术路线。该成果不仅提升了图像处理技术在特定场景的应用水平，也为未来的医学成像研究提供了新的思路和工具。