基于模糊逻辑与神经网络的医学图像融合算法研究

本篇硕士学位论文深入探讨了人工智能在医学图像融合中的应用，主要聚焦于基于模糊逻辑和RBF模糊神经网络的方法。作者白永强，专业为电路与系统，由导师那彦指导，于2010年提交。论文的核心内容分为三个部分： 1. T-S模糊推理系统融合算法：作者提出了一种新颖的医学图像融合策略，利用T-S模糊推理系统与RBF模糊神经网络之间的等价性。通过误差反向传播和一阶梯度修正算法，训练RBF神经网络，进而构建出等效的T-S模糊推理系统。这种方法将CT和MRI图像作为输入，输出则是融合后的图像。 2. RBF模糊神经网络融合方法：论文进一步提出了简化了网络结构和训练算法的融合技术，这不仅降低了复杂性，而且提升了融合性能。这种方法在保持高精度的同时，减少了计算负担。 3. 区域方差引入的改进：作者将图像的区域方差这一特性融入模糊神经网络融合算法，显著改善了软组织部分的融合效果。这种结合考虑了图像局部特征的融合方法，提高了融合图像的质量。 论文通过对比传统融合方法，强调了所提出的两种方法在信息综合方面的优势，尤其是在处理噪声污染图像时，展示了良好的适应性。通过主观评估和客观评价指标，证明了新方法在融合效果上的优越性。 关键词：医学图像融合、模糊逻辑、模糊神经网络。这篇论文对人工智能在医学图像融合领域的研究做出了重要贡献，为医疗影像分析提供了有效的技术手段，对于提高医学诊断的精确性和效率具有实际价值。