×
文凯特桑，B。;Ragupathy，美国。

基于混合域和深度神经网络的多模态医学图像融合框架。 （英语） Zbl 1507.92057号

多维系统。信号处理。 33，编号3，819-834（2022）.
摘要：目前医学图像是通过各种成像方式获取的，用于临床诊断。为了获得更好的诊断所需的特征信息，对图像进行模态处理更加复杂，但可以通过将这些信息融合在一起来实现准确高效的诊断。图像融合是从两个或多个源图像中收集所有重要信息的过程。合成的融合图像将为进一步处理提供更详细的信息。磁共振（MR）图像包含清晰的软组织信息，具有良好的空间分辨率。计算机断层扫描（CT）适合于三维成像，扫描时间短，图像分辨率高。本文提出了一种基于混合技术的CT和MR脑图像融合算法，该算法主要用于医疗保健。该混合算法使用离散小波变换（DWT）和深度神经网络开发，将空间域和谱域特征结合在一起，与现有的融合算法相比，具有更高的精度。与基于小波变换的融合相比，评估指标表明所提出的融合方法具有更好的性能。与基于小波变换的融合相比，DWT-CNN融合的平均熵和标准差分别为7.41和84.18，分别提高了5.58%和26.74%。

MSC公司：

92 C55 生物医学成像和信号处理
65T60型 小波的数值方法
68T07型 人工神经网络与深度学习

关键词：

图像配准;图像融合;大脑图像;计算机断层扫描;磁共振成像;离散小波变换;卷积神经网络
PDF格式BibTeX公司 XML格式引用
\textit{B.Venkatesan}和\textit{U.S.Ragupathy}，多维系统。信号处理。33，编号3089-834（2022；兹bl 1507.92057）
全文： 内政部

参考文献：

[1] 阿莫林，K。；Zhang，Y。；Dare，P.，基于小波的图像融合技术——介绍、回顾和比较，ISPRS摄影测量与遥感杂志，62，4，249-263（2007）·doi:10.1016/j.isprsjprs.2007.05.009
[2] 艾玛兹，S。；Köse，C.，一种新的基于图像分解的混合技术和用于多聚焦图像融合的超分辨率方法，信息融合，45113-127（2019）·doi:10.1016/j.inffus.2018.01.015
[3] 丁，Z。；周，D。；李，H。；Hou，R。；Liu，Y.，用于多模式脑医学图像融合的暹罗网络和多尺度局部极值方案，生物医学信号处理和控制，68，102697（2021）·doi:10.1016/j.bspc.2021.102697
[4] 杜，C。；Gao，S.，通过多尺度卷积神经网络基于图像分割的多聚焦图像融合，IEEE Access，515750-15761（2017）·doi:10.1109/ACCESS.2017.2735019
[5] El-Hoseny，HM；Abd El-Rahman，W。；El-Rabaie，E-SM；Abd El-Samie，FE；Faragallah，OS，基于改进中心力优化和直方图匹配的高效DT-CWT医学图像融合系统，红外物理与技术，94，223-231（2018）·doi:10.1016/j.infrared.2018.09.003
[6] Fu，J。；李伟（Li，W.）。；A.欧阳。；He，B.，通过滚动制导滤波器和深度卷积神经网络的多模态生物医学图像融合方法，Optik，237166726（2021）·doi:10.1016/j.ijleo.2021.166726
[7] 哈玛德，M。；刘，Y。；Wang，K.，基于ECG和指纹不同级别融合的卷积神经网络多模式生物认证系统，IEEE Access，726527-26542（2018）·doi:10.1109/ACCESS.2018年2886573
[8] 赫密西，H。；O.莫拉利。；Zagrouba，E.，《多模医学图像融合综述：理论背景和最新进展》，《信号处理》，183108036（2021）·文件编号：10.1016/j.sigpro.2021.108036
[9] 赫密西，H。；O.莫拉利。；Zagrouba，E.，通过剪切域中的相似性学习基于卷积神经网络的多模态图像融合，神经计算与应用，30，7，2029-245（2018）·doi:10.1007/s00521-018-3441-1
[10] 侯，R。；周，D。；聂，R。；刘，D。；Ruan，X.，《使用卷积神经网络和双通道尖峰皮层模型进行脑CT和MRI医学图像融合》，医学与生物工程与计算，57，4，887-900（2019）·doi:10.1007/s11517-018-1935-8
[11] 黄，H。；冯，XA；Jiang，J.，基于轮廓线变换非线性逼近和区域特征的医学图像融合算法，电气与计算机工程杂志，2017，9（2017）·doi:10.1155/2017/6807473
[12] 黄，W。；Jing，Z.，使用脉冲耦合神经网络的多焦点图像融合，模式识别字母，28，9，1123-1132（2007）·doi:10.1016/j.patrec.2007.01.013
[13] 贾加林加姆，P。；Hegde，AV，《融合图像质量指标综述》，《水产加工》，第4期，第133-142页（2015年）·doi:10.1016/j.aqpro.2015.02.019
[14] 考夫曼，L。；Hattner，RS，《医学成像模式的比较：核成像的临床实现和工程潜力》，医学成像的近期和未来发展II（1979）·doi:10.1117/12.958186
[15] Kaur，J。；Shekhar，C.，使用深度学习的多模医学图像融合，生物医学图像分析计算技术进展，35-56（2020），Elsevier·doi:10.1016/B978-0-12-820024-7.00002-5
[16] 卡维塔，C。；Chellamuthu，C.，使用整数小波变换结合曲线变换融合SPECT和MRI图像，《成像科学杂志》，63，1，17-23（2015）·doi:10.1179/1743131X14Y.0000000092
[17] MGV库马尔；美国Ragupathy，《使用小波变换进行安全交易的图像隐写性能分析》，多媒体工具与应用，79，13-14，9101-9115（2020）
[18] 李，S。；郭，JT；王毅，利用空间频率组合不同聚焦的图像，信息融合，2，3，169-176（2001）·doi:10.1016/S1566-2535（01）00038-0
[19] 李毅。；赵，J。；吕，Z。；李杰，深度学习医学图像融合方法，国际工程认知计算杂志，2，21-29（2021）·doi:10.1016/j.ijcce.2020.12.004
[20] 李毅。；赵，J。；吕，Z。；Pan，Z.，CNN的多模态医学监督图像融合方法，神经科学前沿，15，303（2021）
[21] 刘，Y。；陈，X。；彭，H。；Wang，Z.，利用深度卷积神经网络进行多聚焦图像融合，信息融合，36191-207（2017）·doi:10.1016/j.inffus.2016.12.001
[22] 罗，X。；张，Z。；张，C。；Wu，X.，使用HOVD和边缘强度的多焦点图像融合，视觉通信和图像表示杂志，45，46-61（2017）·doi:10.1016/j.jvcir.2017.02.006
[23] Mallat，S.，《信号处理的小波之旅》（1999），爱思唯尔·Zbl 0998.94510号
[24] Mookambiga，A。；Gomathi，V.，高光谱图像中空间信息增强融合技术的综合综述，多维系统和信号处理，27，4，863-889（2016）·Zbl 1441.94020号 ·doi:10.1007/s11045-016-0415-2
[25] 奥利维拉，FP；Tavares，JMR，医学图像注册：综述，生物力学和生物医学工程中的计算机方法，17，2，73-93（2014）·doi:10.1080/10255842.2012.670855
[26] 帕瓦蒂，VS；Pothiraj，S。；Sampson，J.，基于最优深度神经网络模型的多模态融合医学图像分类，物理通信，41，101119（2020）·doi:10.1016/j.phycom.2020.10119
[27] Qu，G。；张博士。；Yan，P.，小波变换模极大值医学图像融合，光学快报，9，4，184-190（2001）·doi:10.1364/OE.9.000184
[28] 拉贾林加姆，B。；Priya，R.，基于混合融合技术的多模态医学图像融合，国际工程与制造科学杂志，7，1，22-29（2017）
[29] Sweldens，W.，提升方案：第二代小波的构造，SIAM数学分析杂志，29，2，511-546（1998）·Zbl 2016年11月9日 ·doi:10.1137/S0036141095289051
[30] Tan，W.、Tiwari，P.、Pandey，H.M.、Moreira，C.和Jaiswal，A.K.（2020年）。大数据时代的多模态医学图像融合算法。神经计算与应用，1-21。
[31] Tannaz，A。；穆萨，S。；Sabalan，D。；Masoud，P.，使用非子采样剪切波变换和粒子群优化的多模态医学图像融合，多维系统和信号处理，31，1，269-287（2020）·Zbl 1455.92080号 ·doi:10.1007/s11045-019-00662-7
[32] Venkatesan，B.，Ragupathy，U.，Vidhyalakshmi，P.，&Vinoth，B.（2012）。使用小波和ANFIS检测纺织网材料中的故障。2012年国际机器视觉与图像处理会议（MVIP）
[33] Wang，H。；李，S。；宋，L。；崔，L.，一种基于多振动信号图像融合的新型卷积神经网络故障识别方法，工业计算机，105，182-190（2019）·doi:10.1016/j.compind.2018.12.013
[34] Wang，L。；张杰。；刘，Y。；米·J。；Zhang，J.，基于多CNN和模糊神经网络Gabor表示组合的多模态医学图像融合，IEEE Access，9，67634-67647（2021）·doi:10.10109/ACCESS.2021.3075953
[35] 王，Z。；李，X。；Duan，H。；苏，Y。；张，X。；Guan，X.，基于卷积神经网络和非抽样轮廓波变换的医学图像融合，应用专家系统，171114574（2021）·doi:10.1016/j.eswa.2021.114574
[36] 王，Z。；Ma，Y.，使用m-PCNN的医学图像融合，信息融合，9，2，176-185（2008）·doi:10.1016/j.inffus.2007.04.003
[37] Zhang，Y。；白，X。；Wang，T.，通过多尺度形态聚焦测量的基于边界发现的多聚焦图像融合，信息融合，35，81-101（2017）·doi:10.1016/j.inffus.2016.09.006
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。