邻域激励自适应PCNN：提升医学图像融合性能的新方法

本文主要探讨了在医学图像融合领域的一项创新性研究，即利用邻域激励的自适应脉冲耦合神经网络(Adaptive Pulse Coupled Neural Network, PCNN)进行融合处理。这项工作旨在提高医学图像的融合质量，以便于临床医生获取更精确的诊断信息。研究者针对不同模态的医学图像，如MRI、CT或超声图像，提出了一个新的融合方法。 首先，研究者采用一种改进的拉普拉斯能量和（SML）清晰度指标，这是一个基于图像局部结构的特性，用来衡量每个像素的清晰度。这个指标被逐像素应用到PCNN的神经元上，作为神经元之间的链接强度，反映了它们之间的相互依赖关系。这种自适应链接强度考虑了局部像素的复杂性和一致性，使得神经网络能够更有效地处理图像信息。 其次，邻域空间频域（SF）特征信息被用来进一步增强神经元的响应。SF特征包含了空间位置和频率成分的双重信息，这有助于捕捉图像中的细节和纹理特征，对于区分不同模态图像中的关键信息至关重要。 在融合过程中，源图像被输入到PCNN中，产生点火映射图，其中每个神经元的活跃程度代表了其所在区域在原始图像中的重要性。通过计算这些神经元的点火频数，研究者可以识别出图像中清晰的部分，并进行选择和融合。这种方法相比于经典的金字塔融合方法和小波变换方法，以及传统的PCNN方法，具有更高的融合性能，因为它能够更精细地处理图像的空间和频域信息。 实验结果显示，这种自适应PCNN方法在保持图像细节的同时，能够有效地融合不同模态的医学图像，减少了噪声干扰，提高了融合后的图像质量。这对于临床医生来说，意味着更准确的病灶检测和诊断决策。研究还得到了国家自然科学基金和江苏省自然科学基金的资助，证明了其在学术界的认可和实际应用价值。 这篇论文提出了一种新颖的医学图像融合技术，它利用了神经网络的优势，结合邻域空间频域信息，实现了对医学图像的高效、精确融合，为医疗诊断提供了有力的支持。