基于最大互信息和相关法的医学图象配准

本文提出了一种医学图象配准的方法,该方法分两步第一步采用搜索最大互信息的方法对图象做粗配准,使得参考图象与待配准图象大致一致;第二步采用快速相关法对图象做精细配准,从而获得医学图象的最优配准.由于此种算法具有良好的扩展性,所以既可用于多模医学图象的配准,也可用于单模医学图象的配准.     

三维医学图象可视化技术综述

概要地分析和评述了近年来三维医学图象可视化技术的发展,并主要从三维医学图象的分割标注、多模态医学图象的数据整合、体数据的绘制等3个角度对三维医学图象的可视化技术进行了分类综述,同时介绍了各种算法的原理和最新进展,由于医学图象可视化的目的是辅助医学了解生物内部组织的信息,因此除图象绘制技术外,组织及组织特性的精确自动分割标注技术,以及将不同图象模态提供的互补信息综合起来的匹配/融合技术外,都是医学图象可视化需要解决的重要问题,其中,多模态图象的可视化在三维医学图象可视化领域中最具有挑战性和发展前景。     

基于Legendre矩的CT及MR医学图象融合方法

为了提高CT、MR多模态医学图象配准、融合的精度和速度,提出了基于Legendre矩的CT和MR多模态医学图象配准、融合方法,并运用二维9数据图象的Legendre矩正交性和无冗余性的特点,通过找出CT及MR两种模态医学图象的质心,计算出两图象的比例因子,从而完成了两图象的平移和旋转,并精确地实现了CT和MR两模态图象的配信、融合,还优化了Legendre矩的快速算法和提高了应用Legendre矩配准CT和MR图象的速度。实验表明,利用Legendre矩对CT和MR等多模态图象配准、融合,不失为一种比较直接、简洁的方法;同时,Legendre矩在医学影象诊断、放疗计划系统等方面也具有重要的应用价值。     

基于模糊C均值聚类和统计特性的医学图象检索

本文提出了一种基于灰度、形状和纹理特征的医学图象检索方法.图象被模糊C均值聚类算法预先分割成互相不重叠的子图象,然后对这些子图象分别提取特征,从而获得整幅图象的特征向量.分割后的各子图象和均方差特征描述了原图象的灰度分布情况,二值化后的7个不变矩和7个纹理特征描述了图象的形状和纹理信息.实验结果表明,该算法能够比较有效地应用于基于内容的医学图象检索中,在查全率和查准率上都优于实验中其他两种方法.     

面向任务的医学图象压缩

现代医学成象技术产生了大量的医学数字图象,而这些图象的存储和传输却存在很大问题,传统上,采用无损压缩编码方法改善这些图象的存储和传输效率,全为了达到较高的压缩比,必须采用有损压缩,然而,有损压缩会给图象带来失真,必须谨慎使用,医学图象通常,由二类区域构成,其中一类包含重要的诊断信息,由于其错误描述的代价非常高,因此提供一种高重的质量的压缩方法更加必要,另一类区域的信息较为次要,其压缩的目标则要求达到尽可能高的压缩比,为了既能保证感兴趣区图象的重构质量,又能获得较高压缩比,提出了一种面向任务的医学图象压缩算法,该方法把无损压缩和有损压缩统一在小波变换的框架下,对感兴趣区采用无损压缩,而对其他部分则采用有损压缩,实验证明,该压缩方法在压缩比和重建图象质量上均达到了较好的性能。     

独立成分分析方法在图象处理中的应用

本文简单介绍了独立成分分析（ICA）方法，重点讲述了ICA方法在一维信号、自然图象和医学图象中的应用，并对该方法的未来做出了预测。     

动态核医学图象的自适应平滑增强算法

核医学图象是指采用特殊的探测装置通过在人体外探测体内放射性核素分布而形成的图象，医学上常用这种图象来反映器官组织的形态与变化，由于其信噪比明显低于其他医学图象（X-ray,CT及MRI），图象粗糙，分辨率低，因此核医学图象处理方法显得比其他医学图象更为重要，为了获得较好的图象处理结果，针对动态核医学图象的特点，提出了一种用于动态核医学图象处理的自适应增强算法，用该算法进行图象处理不仅可增强图象的对比度和提高图象的视觉效果，而且可较好地滤除图象噪声，处理后的核医学图象判读效果很好，实验证明，该方法对处理灰度较低，噪声干扰较大的动态核医学图象是一种行之有效的方法，而对静态核医学图象则要依据γ图象的统计特性，采用适当的处理方法。     

PACS中的图象管理与预取技术的研究

介绍医学图象的分类,着重介绍解放军总医院在研制PACS系统中采用的医学图象管理和图象预取技术。     

基于轮廓的多设备医学图象的刚性配准

提出了一种基于轮廓的多设备医学图象的刚性配准算法。在半自动轮廓搜索的基础上，运用迭代最近邻点方法搜索轮廓间的对应点，最小化代价函数并获得最佳刚性变换，实现图象的精确配准。通过多次选择初始变换的搜索策略，解决了搜索过程中出现的局部极小值问题。实验表明该方法能有效地实现多设备医学图象的配准。     

脑CT图象分形插值处理

由于插值方法常用于提高医学图象的质量或用于弥补在有损压缩中丢失的图象信息,因此图象插值在医学图象处理中具有特殊的地位,虽然如今已提出了许多插值方法,然而传统的插值方法（如线性插值、双线性插值等）在处理图象后,会丢失图象的纹理特征,即产生平滑效应。文献[1]通过对自然景物图象的灰度研究,证明了自然景物纹理图象的灰度满足各向同性随机分数布朗场（FBR）模型。在此基础上,为克服插值中易产生的平滑问题,提出了一种将分形插值应用于脑CT图象处理的相关参数计算和插值算法。另外,为评价插值图象的质量,同时还引进模糊数学中模糊度和模糊熵的概念,即用模糊度及模糊商来对插值图象质量进行评判。模拟实验结果表明：这种新方法比现有的同类算法（双线性插值）有更好的性能。     

基于医学影像分割方法的多模态语料库构建

电子文本病历语料库可提供相关医学影像的定性诊断结果,但缺乏直观影像和文本标注信息,不利于有效管理医学数据和医科学生自主学习相关医学知识.针对此问题,文中提出基于深度水平集算法的医学影像分割方法,对医学影像进行自动分割,给出感兴趣区域的轮廓结果及相关定量指标,并结合自然语言处理方法实现电子病历文本的标注,增强影像与文本病历多模态语料库的信息表征能力.在青光眼影像数据上的实验表明,文中方法可精准分割眼底图像中视盘和视杯,有效构建具有直观影像标记与对应病历文本的多模态语料库.     

基于BP 神经网络的医学图像分类

给出了一种基于LBP算子和BP神经网络的医学图像分类方法。该方法采用方向纹理谱描述符来描述图像的纹理特征,并以此特征作为网络的输入对BP神经网络进行训练,最后采用已训练的BP网络进行医学图像的分类。通过实验表明,该方法可以很好地对医学图像进行分类识别。     

量子衍生PDE医学超声图像去斑

目的 医学超声图像常常受到斑点噪声的污染而导致质量降低,影响后续诊疗.为了解决医学超声图像在滤波去斑的同时保持图像边缘细节和结构特征的问题,借鉴量子力学的基础理论,提出一种量子衍生偏微分方程(PDE)医学超声图像去斑方法.方法 针对传统P-M方程各向异性扩散的自适应去斑能力有限的问题,引入量子理论改进扩散系数增强去斑算法的自适应能力.同时构造出各向异性扩散模型,提出一种量子衍生的偏微分方程医学超声图像去斑方法.结果 通过对模拟斑点噪声污染的图像和真实医学超声图像实验,比较信噪比(SNR)、边缘保持度、结构相似度(SSIM)等客观评价指标,本文方法较其他图像去斑方法更能有效去除斑点噪声,同时又能较好地保持图像边缘细节与结构特征.结论 本文方法能够有效地解决医学超声图像去斑中保持图像细节特征的问题,同时,量子理论的引入也为后续医学超声图像的研究提供了新思路.     

医学显微图像识别与分析

随着生物医学的发展,医学已经从组织、器官的研究进入到显微细胞阶段,因此医学显微图像技术已经十分成熟,在医学领域的应用也越来越广泛。目前医学中常使用的医学显微图像多为细胞显微图像,通过对病变细胞显微图像的识别和分析来诊断疾病,诊断率较高。而能够准确的识别显微图像,选择合理的分割方法至关重要。本文简要的为大家介绍医学显微图像常用的分割方法。     

使用类似Retinex方法增强数字医学图像

数字医学图像有其特殊性,为便于医生的正确诊断,需要对图像进行增强处理。根据数字医学图像的特点,提出了类似Retinex方法。该方法采用梯度和context构成的平滑函数平滑图像,利用类似Retinex原理增强图像,并对增强后的图像施行二次变空间拉伸。实验及主客观分析表明：该方法对数字医学图像增强的综合效果明显优于直方图均衡、同态滤波和多尺度Retinex方法。     

基于预测误差修改的医学图像数据隐藏方法

针对医学图像可逆数据隐藏高保真、高容量、高频繁地插入和可逆性等特点,提出了一种基于预测误差修改的可逆数据隐藏算法,不需要对图像进行分块处理,利用加权线性预测得到预测图像,在预测误差直方图中采用4峰值点进行隐秘数据嵌入,较好地解决了医学图像中出现得较多的溢出问题,并在保证图像质量的同时增加了嵌入容量。理论分析和实验结果证明了算法的优越性。     

图像分割在医学图像处理中的应用研究

图像分割是图像处理中的重要工作,医学图像的多样性和复杂性使其在图像分割中具有较大的难度。阈值法由于高效、简单而成为图像分割的重要方法,但对于复杂的医学图像,其效果并不很理想。Powell法是最好的直接搜索法,利用改进的Powell法可以更好地搜索目标。为此,提出了一种将Otsu法和Powell法相结合的图像分割方法,仿真实验表明,该方法可以快速有效地分割图像,鲁棒性强。     

基于L1范数主成分分析的颅脑图像恢复

医学颅脑图像处理已成为脑部疾病诊断的重要途径,为去除颅脑图像的噪声和异物遮挡而又不损失正常组织信息,提出了一种基于L1范数鲁棒主成分分析降维的颅脑图像恢复方法。首先用L1范数代替传统主成分分析中的L2范数,构造对噪声更加鲁棒的Ll范数主成分分析;然后对其代价函数进行交替凸规划算法计算图像降维后的特征数据与投影矩阵;最后利用线性变换得到恢复后的医学颅脑图像。与传统图像压缩与恢复方法不同,该方法利用了L1范数的噪声鲁棒性,通过降维的方法来实现颅脑图像的恢复,同时实现去噪和异常检测的功能。在真实颅脑图像库中进行的比较实验证明了该方法对于颅脑图像恢复的有效性。     

基于卷积受限玻尔兹曼机的医学图像分类新方法

利用数据挖掘方法对医学图像做分析是目前研究的热点之一,常用的挖掘方法首先需要从医学图像中提取特征,然后进行分类分析。目前,应用最多的是提取图像的统计特征,这种方法对所提取的特征有很强的依赖性。采用一种深度学习的新方法——卷积受限玻尔兹曼机模型,并且采用改进的快速持续对比散度算法对模型进行训练。该方法直接从乳腺X光图像中自主学习特征并利用学习到的特征对图像进行分类。实验结果显示,新方法对医学图像的分类精度相对于已有方法有明显的提升。     

A novel medical image compression using Ripplet transform

In spite of great advancements in multimedia data storage and communication technologies, compression of medical data remains challenging. This paper presents a novel compression method for the compression of medical images. The proposed method uses Ripplet transform to represent singularities along arbitrarily shaped curves and Set Partitioning in Hierarchical Trees encoder to encode the significant coefficients. The main objective of the proposed method is to provide high quality compressed images by representing images at different scales and directions and to achieve high compression ratio. Experimental results obtained on a set of medical images demonstrate that besides providing multiresolution and high directionality, the proposed method attains high Peak Signal to Noise Ratio and significant compression ratio as compared with conventional and state-of-art compression methods.