×
塔纳兹·阿克巴普尔;穆萨·沙姆西;萨巴兰·达内什瓦尔;马苏德·普雷萨

基于非次采样剪切小波变换和主分量平均的医学图像融合。 （英语） Zbl 1418.92066号

国际小波多分辨率。信息处理。 17，第4号，文章ID 1950023，21 p.（2019）.
摘要：医学图像融合在现代医学的许多领域，如诊断和治疗规划中起着至关重要的作用。基于主成分分析（PCA）的方法由于计算简单，在医学图像融合领域得到了广泛的应用。基于多分辨率分析的方法由于其提取图像细节的能力而具有吸引力。为了利用这些优点，本文提出了一种新的方法。为此，首先基于非次采样剪切波变换（NSST）将图像变换到多尺度空间。其次，计算各子带的主成分和权重。将其平均得出融合步骤所需的权重。最后，根据权值对源图像进行合并，得到融合图像。定量和定性分析证明了我们的方法在标准偏差（+4.51%）、熵（+6.88%）、结构相似性（+1.35%）、信噪比（+7.57%）和融合性能度量（+3.81%）方面优于已知的融合方法，并且与后来的最佳融合方法相比有所改进\).

引用于2文件

MSC公司：

92 C55 生物医学成像和信号处理
62页第10页 统计学在生物学和医学科学中的应用；元分析
42立方厘米 涉及小波和其他特殊系统的非三角调和分析

关键词：

医学图像融合;主成分分析;非次采样剪切变换;结构相似指数;熵

软件：

DT-CWT公司
PDF格式BibTeX公司 XML格式引用
\textit{T.Akbarpour}等人，《国际小波多分辨率》。信息处理。17，第4号，文章ID 1950023，21 p.（2019；Zbl 1418.92066）
全文： 内政部

参考文献：

[1] Akbarpour，T.、Shamsi，M.和Daneshvar，S.，利用双树复小波进行结构医学图像融合，2014年第22届伊朗电气工程会议（ICEE）（IEEE，2014），1970-1975页。
[2] Al-Azzawi，N.A.，《基于剪切波和人体特征可见性的医学图像融合》，国际计算机杂志。申请125（12）（2015）。
[3] Ali，F.，El-Dokany，I.，Saad，A.和Abd El-Samie，F.E.-S.，《MR和CT图像的Curvelet融合》，Progr。电动发电机。第C3号决议（2008）215-224·Zbl 1191.92021号
[4] Bhatnagar，G.，Wu，Q.J.和Liu，Z.，NSCT领域基于对比度的多模态医学图像融合，IEEE Trans。Multimed.15（5）（2013）1014-1024。
[5] Bhatnagar，G.，Wu，Q.J.和Liu，Z.，《基于对比度的新型多模式医学图像融合框架》，神经计算157（2015）143-152。
[6] Bradley，A.P.，《离散小波变换中的位移-方差》，摘自Proc。第7位。图像计算：技术与应用悉尼，2003年，第29-38页。
[7] Candes，E.、Demanet，L.、Donoho，D.和Ying，L.，快速离散曲线变换，多尺度模型。模拟5（3）（2006）861-899·兹比尔1122.65134
[8] Cao，Y.，Li，S.和Hu，J.，基于非次采样剪切波变换的多聚焦图像融合，载于2011年第六届国际图像与图形会议（ICIG）（IEEE，2011），第17-21页。
[9] Calhoun，V.D.和Adal，T.，医学成像数据的基于特征的融合，IEEE Trans。技术信息。《生物识别》13（5）（2009）711-720。
[10] Das，S.和Kundu，M.K.，《利用脉冲耦合神经网络和修改的空间频率进行基于NSCT的多模态医学图像融合》，《医学生物学》。工程计算50（10）（2012）1105-1114。
[11] Do，M.N.和Vetterli，M.，《轮廓波变换：一种高效的定向多分辨率图像表示》，IEEE Trans。图像处理。14（11）（2005）2091-2106。
[12] Dou，W.，Ruan，S.，Liao，Q.，Bloyet，D.和Constans，J.-M.，基于知识的模糊信息融合应用于MRI异常脑组织分类，2003年Proc。第七国际交响曲。信号处理及其应用（IEEE，2003），第681-684页。
[13] Du，J.，Li，W.，Xiao，B.和Nawaz，Q.，医学图像融合的多特征联合拉普拉斯金字塔，神经计算194（2016）326-339。
[14] Easley，G.、Labate，D.和Lim，W.-Q.，使用离散剪切波变换的稀疏方向图像表示，应用。计算。哈蒙。分析25（1）（2008）25-46·Zbl 1147.68794号
[15] Ganasala，P.和Kumar，V.，非亚采样轮廓波变换域中的CT和MR图像融合方案，J.Digit。图像27（3）（2014）407-418。
[16] Ganasala，P.和Kumar，V.，NSST域基于特征激励的简化自适应PCNN医学图像融合算法，J.Digit。想象29（1）（2016）73-85。
[17] Ghosh，A.、Sharma，R.和Joshi，P.，使用陆地卫星档案和辅助数据对城市景观进行随机森林分类：将季节地图与决策级融合相结合，应用。地理图48（2014）31-41。
[18] Haghighat，M.、Abdel-Mottaleb，M.和Alhalabi，W.，特征级融合的判别相关分析及其在多模态生物特征识别中的应用，收录于2016年IEEE国际声学、语音和信号处理（ICASSP）（IEEE，2016），第1866-1870页。
[19] Hill，P.R.、Canagarajah，C.N.和Bull，D.R.，《使用复杂小波的图像融合》，收录于Proc。英国机器视觉会议（2002），第1-10页。
[20] Himanshi，B.V.、Krishn，A.和Sahu，A.，《采用主成分分析和最大选择规则的曲线域医学图像融合》，收录于Proc（Springer）\（2）和Int.Conf.Computers and Communication Technologies（IC3T-2015），印度海得拉巴（Springr，2015），第1-9页。
[21] Indira，K.，Hemamalini，R.R.和Indhumathi，R..，使用离散小波变换和平稳小波变换的基于像素的医学图像融合技术，印度科学杂志。Technol.8（26）（2015）1-7。
[22] Jagalingam，P.和Hegde，A.V.，融合图像的质量指标综述，水产学报4（2015）133-142。
[23] Jain，S.、Sima，D.M.、Ribbens，A.、Cambron，M.、Maertens，A.Van Hecke，W.、De Mey，J.、Barkhof，F.、Steenwijk，M.D.和Daams，M.，《MR图像中多发性硬化脑损伤的自动分割和容量测定》，《神经影像：临床》8（2015）367-375。
[24] James，A.P.和Dasarathy，B.V.，《医学图像融合：最新技术综述》，《融合》19（2014）4-19。
[25] 蒋德、庄德、黄勇和傅杰，遥感应用中的多光谱图像融合技术综述，载《图像融合及其应用》（Intech，2011），第1-25页。
[26] Jiang，N.，Qiu，M.和Dai，W.，SROC:云环境中使用数据决策级融合方法的说话人识别，J.Signal Process。系统86（2-3）（2017）123-133。
[27] 姜瑜、王明，《图像融合与形态成分分析》，《信息融合》18（2014）107-118。
[28] Kale，E.H.、Mumcuoglu，E.U.和Hamcan，S.，通过MRI-CT融合自动分割人类面部组织：可行性研究，计算机。方法生物识别程序。108（3）（2012）1106-1120。
[29] Kingsbury，N.，《复杂小波的图像处理》，收录于Philos。事务处理。数学。物理学。《工程科学》357（1760）（1999）2543-2560·兹伯利0976.68527
[30] Kong，W.，Lei，Y.和Zhao，H.，基于非采样剪切波变换和快速非负矩阵分解的可见光和红外图像自适应融合方法，红外物理。Technol.67（2014）161-172。
[31] Krishn，A.、Bhateja，V.和Sahu，Z.，《使用主成分分析和小波分析相结合的医学图像融合》，载于《2014年国际计算机、通信和信息学进展》（ICACCI）（IEEE，2014），第986-991页。
[32] Kumar，G.和Trivedi，M.，《基于DWT和SPIHT技术的医学图像融合与定量分析》，国际计算机杂志。申请147（11）（2016）5-8。
[33] Li，S.，Kang，X.，Fang，L.，Hu，J.和Yin，H.，《像素级图像融合：现状调查》，Inf.Fusion33（2017）100-112。
[34] Li，S.，Yang，B.和Hu，J.，图像融合不同多分辨率变换的性能比较，Inf.Fusion12（2）（2011）74-84。
[35] Li，T.和Wang，Y.，《使用基于NSCT的可变加权方法进行生物图像融合》，《Inf.Fusion12（2）（2011）85-92。
[36] Liu，X.，Zhou，Y.和Wang，J.，基于剪切波变换和区域特征的图像融合，AEU-Int.J.Electron。Commun.68（6）（2014）471-477。
[37] Liu，Z.、Yin，H.、Chai，Y.和Yang，S.X.，多模态医学图像融合的新方法，专家系统应用41（15）（2014）7425-7435。
[38] Matsopoulos，G.、Marshall，S.和Brunt，J.，人脑MR和CT图像的多分辨率形态学融合，IEEE Proc。视觉。图像信号处理。141（3）（1994）137-142。
[39] Miao，Q.-G，Shi，C.，Xu，P.-F.，Yang，M.和Shi，Y.-B.，一种使用剪切波的图像融合新算法，Opt。Commun.284（6）（2011）1540-1547。
[40] Moin，A.、Bhateja，V.和Srivastava，A.，基于加权PCA的轮廓域多模态医学图像融合，收录于Proc。国际信息和通信技术大会（Springer，2016），第597-605页。
[41] Nason，G.P.和Silverman，B.W.，《平稳小波变换和一些统计应用》，Wavelets and Statistics（Springer，1995）第281-299页·Zbl 0828.62038号
[42] Natarajan，P.、Wu，S.、Vitaladevuni，S.，Zhuang，X.、Tsakalidis，S..、Park，U.、Prasad，R.和Natarajian，P..，用于web视频中鲁棒事件检测的多模式特征融合，收录于2012年IEEE Conf.计算机视觉和模式识别（CVPR）（IEEE，2012），第1298-1305页。
[43] Parmar，K.、Kher，R.K.和Thakkar，F.N.，《使用小波变换进行CT和MRI图像融合的分析》，载于2012年国际通信系统与网络技术会议（CSNT）（IEEE，2012），第124-127页。
[44] Qu，G.，Zhang，D.和Yan，P.，小波变换模极大值医学图像融合，Opt。快报9（4）（2001）184-190。
[45] Radhouani，S.、Kalpathy-Cramer，J.、Bedrick，S.，Bakke，B.和Hersh，W.，《使用媒体融合和领域维度提高医学图像检索精度》，摘自《欧洲语言跨语言评估论坛研讨会》（Springer，2009），第223-230页。
[46] Sharmila，K.、Rajkumar，S.和Vijayarajan，V.，《使用离散小波变换和熵概念进行多模态医学图像融合的混合方法与定量分析》，载于2013年国际通信与信号处理会议（ICCSP）（IEEE，2013），第489-493页。
[47] Shuaiqi，L.，Jie，Z.，Peng，G.，Xiuling，L.和Yuchao，S.，基于非抽样方向复小波变换的医学图像融合，国际应用杂志。数学。机器。学习。1（1）（2014）21-34。
[48] Singh，H.、Raj，J.、Kaur，G.和Meitzler，T.，《使用模糊逻辑和应用的图像融合》，2004年Proc。IEEE Int.Conf.Fuzzy Systems（IEEE，2004），第337-340页。
[49] Singh，R.、Vatsa，M.和Noore，A.，使用冗余离散小波变换的多模态医学图像融合，载于2009年ICAPR’09第七届国际会议《模式识别进展》（IEEE，2009），第232-235页。
[50] Singh，S.、Gupta，D.、Anand，R.和Kumar，V.，《使用生物激励尖峰神经网络的基于非亚采样剪切波的CT和MR医学图像融合》，生物医学。信号处理。《控制》18（2015）91-101。
[51] Srivastava，R.、Prakash，O.和Khare，A.，曲线域中基于局部能量的多模态医学图像融合，IET Computer Vision10（6）（2016）513-527。
[52] Starck，J.-L.，Murtagh，F.，Candès，E.J.和Donoho，D.L.，通过曲线变换增强灰度和彩色图像对比度，IEEE Trans。图像处理。12（6）（2003）706-717·Zbl 1288.94013号
[53] Suetens，P.，《医学影像学基础》（剑桥大学出版社，2017）。
[54] Vijayarajan，R.和Muttan，S.，医学图像基于离散小波变换的主成分平均融合，AEU-Int.J.Electron。Commun.69（6）（2015）896-902。
[55] Wang，H.Q.和Xing，H.，基于主成分分析的多模式医学图像融合算法，2009年国际交响乐团。计算机网络和多媒体技术，2009 CNMT（IEEE，2009），第1-4页。
[56] Wang，N.，Ma，Y.，Zhan，K.和Yuan，M.，基于简化PCNN的非子采样轮廓波变换域多模态医学图像融合框架，J.Multimedia8（3）（2013）73-85。
[57] Wang，Z.和Ma，Y.，使用m-PCNN的医学图像融合，Inf.Fusion9（2）（2008）176-185。
[58] Xu，X.、Shan，D.、Wang，G.和Jiang，X.，使用QPSO算法优化的PCNN进行多模态医学图像融合，应用。软计算46（2016）588-595。
[59] Xydeas，C.和Petrovic，V.，《客观图像融合性能测量》，电子。Lett.36（4）（2000）308-309。
[60] Yang，Y.、Park，D.S.、Huang，S.和Rao，N.，通过有效的基于小波的方法进行医学图像融合，EURASIP J.高级信号处理，2010（1）（2010）579341。
[61] Yang，Y.，Tong，S.，Huang，S.和Lin，P.，基于Log-Gabor能量的NSCT域多模态医学图像融合，计算机。数学。方法Medicine2014（2014）1682-1693·Zbl 1307.92256号
[62] You，X.，Du，L.，Cheung，Y.-M.和Chen，Q.，使用新的非传感器产品小波滤波器组的盲水印方案，IEEE Trans。《图像处理》19（11）（2010）3271-3284·Zbl 1371.94442号
[63] Zhang，L.，Dong，W.，Zhang，D.和Shi，G.，通过局部像素分组的主成分分析进行两阶段图像去噪，模式识别43（4）（2010）1531-1549·Zbl 1191.68808号
[64] Zhao，Y.、Zhao、Q.和Hao，A.，使用改进的多通道PCNN进行多模态医学图像融合，生物医学硕士。工程24（1）（2014）221-228。
此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。