TV-L1分解纹理自适应加权医学图像融合算法的研究:基于MRI和PET图像的质量和准确性的分析.
GFp;qð11 Þ候选解决方案,以满足最佳融合问题。该方法是独特的相比,在文献中的方法,其中一些融合规则是独立行使的高,低频率元素。所提出的方法的好处是:GFp;q否则:hIFp;q1-jhIp;q-hFp;qjð12 Þ(一)方法的重点是实现最优的基于融合图像的对比度和边缘细节,边缘强度和取向保持值由下式给出,在建立清晰度方面发挥重要作用的图像,QIFP;qCGð13 ÞG最终融合图像的质量(二)权重计算自动化,没有任何人为干预,这与一个1ejGGIFp;q-rG图像到另一个。(iii)适应度函数基于以下确定:QIFP;qChð14 Þ熵、标准差和边缘测度对h1ejhhIFp;q-rh获得用于测量图像质量的权重。融合问题被公式化以获取具有高分辨率的图像。参数的详细信息如[45]中所述选择。边缘保留值被定义为Q IFp; ql/Q IFp;qω Q IFp; q。对比度,这保留了MRI的纹理细节。通常,在图像处理应用中,图像的对比度通过标准偏差和熵参数来量化。此外,重建图像需要保留原始图像的边缘细节.值1指示边缘信息的从源图像I到融合图像F。在所提出的方法中,MRI和PET 对应于源图像,并且IF对应于到最终的融合图像。因此,总边缘信息由下式给出在所提出的方法中的边缘信息量化使用MN边缘关联函数[45],它量化了XXQIPETIFp;qGI宠物 p;qMRI p;q从源图像到融合图像的边板I边板p1q1ð15 Þ形象因此,适应度函数与pro-FM成比例N熵、标准差和边缘关联的管道[45],它平衡了图像的纹理细节和颜色信息。因此,选择下面提供的适应度函数,其满足总体目标。EIF ω STDIF ω EdgeIF 8其中,EI F代表的熵的融合图像即,GIPET脑磁共振成像p<$1q <$1然后,利用粒子群优化算法(PSO)计算参数w1、w2、w3和w4,得到最终的融合图像。粒子群算法初始化一组随机解,迭代修正以获得最优参数。适应度值不E IP255 plog1p 表示图像在每次迭代中都被求值,它取代了p-!bij粒子的联系我们i¼0i简体中文pi;i-我知道不像素STD I表示的融合图像的标准偏差尺寸M×N,即rPMPN。边(I)数量-当前位置,如果达到最佳值。同样,gb j 店任何粒子在任何迭代中获得的最佳适应值将边缘信息从源图像转移到融合图像其定义步骤如下对于图像I,应用sobel边缘算子来获得边缘强度和方向。即,描述了图像数据集1、2和3的PSO的收敛图图 六、3.4. 融合过程GIp;qr。ffiffiIffiffi2ffiffiffiþffiffiffiffiffiIffi2ffiffiffiΣffiffið9Þ如前一节所述,融合过程涉及各种图像的p q像素相加,例如MRI的纹理分量以及PET、差分图像和强度的卡通组件hI=p;qI= n-1。Iq10PET图像的组成部分。所有图像都对表示为IF的整体融合图像有贡献。生成贡献权重第1页q¼1F;F;F最后,粒子收敛到最佳位置。那个骗局不不C×¼¼¼¼¼¼K. Padmavathi等人 /工程科学与技术,国际期刊23(2020)225-239231见图6。 使用指定的适应度值的图像集1、2和3的PSO算法的收敛图。自动使用Meta启发式优化算法PSO。因此,对于计算的权重和各种分解,融合过程由下式给出,[31]、多模态图像融合框架(MMIF)[29]和稀疏表示的拉普拉斯金字塔(LPSR)[34]。为了定量测量融合技术,参考图像IF¼w1ωIMRI双稳态2ωIPETw3ωID宠物ð16Þ都是从网站上下载的为了比较的目的,IHS变换被应用到所有的方法之前的融合和逆IHS变换后的融合过程。3.5. 逆IHS转换在所提出的方法中,PET图像的强度分量的修改,通过融合它与MRI图像。最后,将新的IHS通道转换回RGB颜色空间。该过程生成增强和融合的彩色图像,具有MRI的结构清晰度和PET图像的视觉表示逆IHS变换应用于新IF以获得如由[19]给出的RGB图像,R<$IF12S-3SH;G<$IF1-S3SH;B<$IF1-S; 如 果 BR;GR<$IF1-S;G<$IF15S-3SH;B<$IF1-4S3SH;如果RG;BR<$IF1-7S3SH;G<$IF 1-S;B<$IF1-8S-3SH;如果GR;Bð17 Þ4. 实验结果和讨论4.1. 数据集对于所提出的方法的实验分析,从公开可用的全脑图谱数据库http://www.med.harvard.edu/aanlib/下载MRI和PET数据集。出于测试目的考虑的图像对具有空间分辨率256 256. MRI图像显示脑切片清晰的软组织细节。MRI-PET图像对的融合主要有助于病变的识别和疾病的早期诊断。在我们的实验中,23对MRI和PET图像切片的脑肿瘤数据集与肿瘤病变可见作为测试图像,以验证所提出的方法的鲁棒性。他们被分为三个不同的群体。第一组由9对图像切片组成,属于MR-Gad(钆增强,T1加权)和PET,可见肿瘤病变。第二组由8对图像切片组成,属于MR-T1(T1加权MR图像)和PET,具有可见的肿瘤病变。第三组包括6对图像切片,分别属于MR-T2(T2加权MR图像)和PET,可见肿瘤病灶。所提出的框架的融合性能与众所周知的融合算法,如拉普拉斯金字塔(LP)[8],金字塔比(RP)[9],小波[46,47],复小波(DTCWT)[17],Curvelet[26],非下采样Contourlet变换(NSCT)[28]GFF制导滤波融合4.2. 实验装置所提出的算法使用MATLAB 2015 a在具有Intel(R)Core i5-5200 U、CPU为2.20 GHz处理器、具有8 GB RAM的机器中实现4.2.1. 参数设置TV-L1参数:k的选择取决于源图像。k值越低,图像越平滑。对于给定的一组图像,选择k0: 01。在所提出的方法中,整个纹理分量被提取。因此,对于大的正则化,选择小的k值。在该方法中,对不同的k值进行了多次实验,然后选择了最佳值,该值对应于最佳的整体性能、标准偏差和PSNR。因此,对于所有实验,TV-L1算法设置k0: 01迭代次数是TV-L1算法的另一在该方法中,选择iter200来提取MRI和PET图像的纹理特征然而,选择iter20用于提取差异图像的卡通分量,因为大的值倾向于过度平滑差异图像,这是不期望的。PSO参数:惯性权重为w 阻尼参数为0.98时,系统的阻尼系数为1。加速度系数取为c12;c 22.人口规模选定为30人。 迭代次数为50.4.3. 融合定性分析视觉分析表明,该方法具有良好的空间特性和光谱分辨率相比,其他融合结果。此外,所提出的方法包含较少的结构和颜色失真。此外,空间特征与光谱特征的混合显得更加自然。肿瘤结构在MRI图像中是可见的,并且它被有效地转移到融合图像。诸如拉普拉斯算子和梯度金字塔的金字塔方法遭受伪影的存在。小波变换是传统的融合方法,但由于其平移性,>:8><232K。Padmavathi等人/工程科学与技术,国际期刊23(2020)225并且缺乏方向性。然而,该方法是一种新的技术,融合的医学图像的TV-L1模型的纹理分解和基于粒子群算法的自适应权重的基础上,并已被证明是最好的结果。TV-L1模型有助于从PET和MRI图像中提取纹理特征。该方法的主要特点是对比度保持、清晰的多尺度分解和基于熵、标准差和边缘信息的自动权值选择,这些信息描述了粒子群优化算法的拟合函数。当适应度函数达到最大值时,融合结果最优。利用该方法得到的融合图像具有较高的结构和功能信息,并具有边缘细节。因此,从结果和对比分析中可以清楚地看出,所提出的方法获得的融合图像是高度信息化的,有助于医生治疗疾病。该方法的主要优点是使用TV-L1模型来分解源图像,而不是其他基于空间或MSD的方法。模型的保真度项和正则化项负责从源图像中提取卡通和纹理成分。因此,融合图像的质量、清晰度、对比度和边缘细节都很高. 我们的方法侧重于获得最佳的权重的基础上的对比度和边缘细节的融合图像,使用粒子群算法没有人为干预。4.4. 融合定量分析图像的质量可以由人类基于数据然而,参考图像在数据集中提供,并且用于测量PSNR、SC、SSIM。此外,一个好的融合图像应该保留MRI的空间细节和PET图像的光谱特性。近年来,融合领域提出了多种质量评价方法。这项研究采用了最近和最广泛使用的指标,比较所提出的方法与现有的技术。通过使用八个不同的度量,如峰值信噪比(PSNR)[48]、互信息(MI)[48] 、 结 构 内 容 ( SC ) [49] 、 结 构 相 似 性 度 量 ( SSIM ) [48] 、STD[34]、平均梯度(AG)[50]、离散度(Dis)[50]和总体性能(OP)[50],对所选融合算法进行定量分析。该算法的目的是提取纹理特征和合并的医学图像,以更丰富的信息。4.4.1. 客观融合质量度量平均梯度、差异和整体性能是用于测量融合过程的常用指标[50]。假设源图像表示为MRI的I,PET的V,参考图像表示为R,融合 图像 表示 为 F 。图像的 大小为 M × N 。 因 此, 对于 每个 频 带k/R;G;B,平均梯度(AGk)、差异(Dk)和总体性能OP定义如下:平均梯度(AG):为了衡量空间质量,采用平均梯度。也就是说,1XM XNs@Fkp;q2@Fkp;q2对比度高,失真小,色彩与结构完美融合图。质量测量的统计分析对于与最先进的方法进行比较是AGk¼ MNp<$1q<$1@p@q2ð18Þ很难获得理想的地面真值融合结果较大的AGk值表示较高的空间分辨率。见图7。本文提出的方法和现有算法的MR-Gad-PET图像对的融合结果。K. Padmavathi等人 /工程科学与技术,国际期刊23(2020)225-239233见图8。本文提出的方法和现有算法的MR-T1-PET图像对融合结果。见图9。本文提出的方法和现有算法的MR-T2-PET图像对融合结果。2Fp;q-Fp;qMðÞNpPpPQKMNp<$1q<$1PPX234K。Padmavathi等人/工程科学与技术,国际期刊23(2020)225表1融合结果的定量度量,如图1所示。 7、最佳值以粗体突出显示。方法PSNRMISCSSIMSTDAGDisOP计算时间(s)提出18.75643.36421.93840.556865.95633.319019.463116.144123.34704拉普拉斯15.19403.19166.62710.424051.79382.422933.020630.59770.018273金字塔15.74873.25465.07550.469251.42243.154730.353127.19840.043156小波14.29472.592210.78590.375635.18352.668336.029133.36080.056666CW15.34582.94186.31880.367149.58552.553632.280629.72700.333088Curvelet15.41592.88576.08520.296749.18952.637132.096429.45930.824301NSCT15.83682.56424.73340.361454.10632.890030.354427.464445.47323GFF15.034113.89916.97560.435252.04612.329733.210730.881054.4427MMIF14.77682.91157.92110.377949.66012.332034.279431.947389.4062LP-SR15.52753.11275.79610.429256.59222.421631.593229.17160.0491表2融合结果的定量度量,如图1所示。 8、最佳值以粗体突出显示。方法PSNRMISCSSIMSTDAGDisOP计算时间(s)提出17.57702.57873.30210.750265.98392.643213.679911.036757.5137拉普拉斯16.02472.49846.08220.703153.27882.446918.053815.60690.0128金字塔15.94672.56597.03510.689152.27042.479417.695915.21640.0602小波15.05222.097811.97260.668136.39352.192320.040217.84780.0573CW16.11202.33805.93700.566150.52202.524117.775615.25140.5205Curvelet16.13922.29815.86470.407050.30492.569317.827815.25841.8534NSCT16.08952.21325.91560.512852.83232.560918.380415.8195149.7507GFF15.59113.76007.39730.690450.39282.385419.256216.8707153.9438MMIF15.84192.38516.77800.620150.36042.399118.424716.0255222.5310LP-SR16.16252.42105.80790.682554.49282.433717.590815.15700.0432表3融合结果的定量度量,如图1所示。 9、最佳值以粗体突出显示。方法PSNRMISCSSIMSTDAGDisOP计算时间(s)提出15.29653.18673.09190.477572.81463.234123.311920.077753.8442拉普拉斯14.67863.17673.78570.463767.64893.169525.071421.90190.0157金字塔13.59083.17016.13930.430755.34552.779928.802026.02210.0987小波12.71342.71438.81990.394549.75453.059332.498329.43890.0924CW14.32163.04624.43050.416762.30603.003626.240723.23700.4731Curvelet14.33393.00904.41850.315163.55863.046426.233623.18722.1418NSCT14.35452.94424.19800.364167.46413.068926.208423.1394145.7321GFF13.92853.97404.90670.471962.67142.833527.574924.7413149.5053MMIF13.89853.08224.93960.430862.32722.998827.686324.6874214.7493LP-SR14.95143.13283.41810.431466.37223.225423.906720.68120.0489离散度(Dis):融合图像的光谱质量使用由下式给出的差异进行量化,Dk<$1XXjFkp;q-Vkp;qj19它描述了融合图像保持源图像光谱特征的能力。离散度值越低,MIP;QHPHQ-HP;Q22其中,HPpPlog1和HP;QpPQlog1。MI用于度量融合图像与原始图像之间的相关性。它有助于了解有多少信息被传输到结果图像。对于给定的图像IMRI和IPET,相互信息计算为光谱分辨率。整体性能(OP):图像的整体性能MIF/MIF;IMRIMIF;IPETð23 Þ融合表示为,jDk-AGkj执行部分第二十三段ð20Þ标准偏差(STD):为了量化融合图像的对比度,采用标准偏差。对于高对比度的融合图像,标准差仍然很大它被定义为小的OP值表示高的融合质量。期望较小的值用于更好的融合质量。互信息(MI):互信息被广泛用于rF¼vutXMXN。ffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiΣffiffiffi2ffip<$1q<$1ð24Þ测量两个随机变量之间的关系对于给定的2随机变量P和Q,互信息由下式给出PPQp;qRF 表示融合图像的标准偏差。 F p;q表示融合图像的均值两个人之间的结构相似性MIIP;Q II P;QI I I P;Q I II Pp;qp;qPPpPQqð21Þ结构含量(SC):图像由结构内容计算。融合图像的总权重与参考图像的总权重进行比较SC仍然对于高质量的融合图像,以熵表示的互信息的关系如下其定义为:XXXX.ΣMNFRK. Padmavathi等人 /工程科学与技术,国际期刊23(2020)225-239235图10个。定量度量,例如(a)峰值信噪比(b)结构相似性度量(c)标准偏差(d)9对MR-Gad和PET图像切片的融合结果的离散度MNSSIM:在秩序到测量结构相似性,SSIM是Rp;q2SC<$p<$1q<$1ð25Þ就业。因此,对于融合图像和参考图像,SSIM由下式给出:Fp;q2p<$1q<$1SSIM¼4rFRFp;qRp;q.r2<$r2<$F<$p;q<$2<$R<$p;q<$2ð28 Þ参考图像如下:.MAX2!其中,rF和rR分别表示融合图像和参考图像的标准偏差。同样,Fp;q和Rp;q峰值信噪比(PSNR):10log10和MSEð26Þ分别表示融合图像和参考图像的平均值。4.5. 实验结果MNPSNR:使用融合图像定义峰值信噪比,MNp<$1q<$1×MSE<$1XX½Fp;q-Rp;q]227PSNR应始终较高,MSE较低,以获得高质量的融合结果。在所提出的融合实验中,23对仅可见肿瘤病变的MRI-PET图像切片被考虑用于测试。所有图像对的大小为256 256,并从公开可用的全脑图谱数据库中获得。MRI-PET融合236K。Padmavathi等人/工程科学与技术,国际期刊23(2020)225图十一岁定量度量,例如(a)峰值信噪比(b)结构相似性度量(c)标准偏差(d)8对MR-T1和PET图像切片的融合结果的离散度属于三个不同组的三对图像切片的结果在图11和12中示出。7-9分别。每幅图描绘了一对源图像和使用十种不同方法的融合结果图7(a)和(b)、8(a)和(b)以及9(a)和(b)分别是MRI和PET源图像。此外,图1和图2的(c)-(k)中的图7-9是我们提出的方法与现有和最近的算法相比的融合结果。可以清楚地观察到,所提出的方法可以完美地突出具有边缘细节的结构和功能信息在我们的方法中,空间和光谱特征的混合度拉普拉斯算子和金字塔比率方法导致伪影的低对比度DWT方法提供具有伪
下载后可阅读完整内容,剩余1页未读,立即下载
![pdf](https://img-home.csdnimg.cn/images/20210720083512.png)
![zip](https://img-home.csdnimg.cn/images/20210720083736.png)
![](https://img-home.csdnimg.cn/images/20210720083646.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://profile-avatar.csdnimg.cn/default.jpg!1)
- 粉丝: 4
- 资源: 2万+
我的内容管理 收起
我的资源 快来上传第一个资源
我的收益
登录查看自己的收益我的积分 登录查看自己的积分
我的C币 登录后查看C币余额
我的收藏
我的下载
下载帮助
![](https://csdnimg.cn/release/wenkucmsfe/public/img/voice.245cc511.png)
会员权益专享
最新资源
- BSC关键绩效财务与客户指标详解
- 绘制企业战略地图:从财务到客户价值的六步法
- BSC关键绩效指标详解:财务与运营效率评估
- 手持移动数据终端:常见问题与WIFI设置指南
- 平衡计分卡(BSC):绩效管理与战略实施工具
- ESP8266智能家居控制系统设计与实现
- ESP8266在智能家居中的应用——网络家电控制系统
- BSC:平衡计分卡在绩效管理与信息技术中的应用
- 手持移动数据终端:常见问题与解决办法
- BSC模板:四大领域关键绩效指标详解(财务、客户、运营与成长)
- BSC:从绩效考核到计算机网络的关键概念
- BSC模板:四大维度关键绩效指标详解与预算达成分析
- 平衡计分卡(BSC):绩效考核与战略实施工具
- K-means聚类算法详解及其优缺点
- 平衡计分卡(BSC):从绩效考核到战略实施
- BSC:平衡计分卡与计算机网络中的应用
![](https://img-home.csdnimg.cn/images/20220527035711.png)
![](https://img-home.csdnimg.cn/images/20220527035111.png)
![](https://csdnimg.cn/release/wenkucmsfe/public/img/green-success.6a4acb44.png)