一种基于改进的脉冲耦合神经网络的医学图像融合方法技术

本发明专利技术公开了一种基于改进的脉冲耦合神经网络的医学图像融合方法，包括如下步骤：步骤一：将多模态医学图像进行Gamma校正来增强医学图像的对比度；步骤二：采用非下采样剪切波对校正后的待融合图像进行多尺度分解，得到低频子图和高频子图；步骤三：采用改进的区域能量算法对低频子图进行融合；步骤四：采用改进的脉冲耦合神经网络算法对高频子图进行融合；步骤五：采用非下采样剪切波逆变换对融合后的高、低频子图进行重构得到最终的融合图像。本发明专利技术能够对多模态医学图像进行有效的融合，提高了医生对患者病情诊断的准确度。

【技术实现步骤摘要】
一种基于改进的脉冲耦合神经网络的医学图像融合方法
本专利技术涉及医学图像融合
，特别涉及一种改进的脉冲耦合神经网络的多模态医学图像融合方法。
技术介绍
不同模态的医学图像能够从不同角度反映人体信息。多种图像如果只依靠医生的空间构想和推测去判定所需信息，其准确性就会受到主观影响，有些信息也可能被忽视。单一的医学成像系统只能提供有限的信息，不能同时提供某个器官或组织部位在多个角度(或模态)的完整信息，因而不能满足医疗需求。例如，结构图像(CT、MRI等)的分辨率较高，能清晰地反映器官组织的解剖形态，但无法反映器官的功能变化；功能图像(SPECT、PET等)能够准确地提供器官的新陈代谢信息，但因其分辨率较低而无法显示器官或病灶部位的解剖细节。图像融合技术是解决上述问题的最佳途径，它能够将结构图像和功能图像中包含的多视角互补信息结合起来以构成一幅信息量更加丰富的图像，使得人体内部的解剖结构、器官功能等各方面的医学信息同时呈现在一幅图像上，方便医生对病变部位看得更加清晰、直接，从而有利于做出准确的判断，减少不确定性，使临床诊断和治疗更加准确和完善。
技术实现思路
本专利技术目的是在于提供一种基于改进的脉冲耦合神经网络的医学图像融合方法，能够有效的对多模态医学图像进行精准的融合，提高医生对患者病灶检查的准确率。本专利技术提供的技术方案为：一种基于改进的脉冲耦合神经网络的医学图像融合方法，包括如下步骤：步骤一：获取完全配准的待融合图像A和B，使用Gamma进行校正；步骤二：对校正后的图像A和B进行非下采样剪切波变换，将图像分解成低频子图{aA,bB},和高频子图{cAs,l,cBs,l}；步骤三：对分解后的低频子图{aA,bB}采用改进的区域能量算法进行融合，得到低频子图融合结果aF；步骤四：对分解后的高频子图{cAs,l,cBs,l}采用改进的脉冲耦合神经网络算法进行融合，得到高频子图融合结果cFs,l，其中s代表分解的层数，l代表分解的方向；步骤五：将步骤三得到低频子图融合结果aF和步骤四得到的高频子图融合结果cFs,l进行非下采样剪切波逆变换，得到最终融合图像F。优选地，所述步骤一中使用Gamma进行校正，公式如下：S＝Ir其中，I为原图像，γ为灰度系数，取值范围是0～2之间，S为Gamma校正后的图像。优选地，所述步骤二中采用非下采样剪切波系统进行多尺度分解，公式如下：其中，j,l∈Z,k∈Z2,ψ∈L2(R2)；U和O是2*2的可逆方阵，Uj是具有可膨胀性的矩阵，可使图像进行多尺度变换，Ol为剪切矩阵。优选地，所述的步骤三包括如下步骤：第一步：采用八个方向的sobel算子对细节信息进行抽取，具体计算如下：0°方向：[1,2,1；0,0,0；-1,-2,-1]；45°方向：[2,1,0；1,0,-1；0,-1,-2]；90°方向：[1,0,-1；2,0,0；1,0,-1]；135°方向：[0,-1,-2；1,0,-1；2,1,0]；180°方向：[-1,-2,-1；0,0,0；1,2,1]；225°方向：[-2,-1,0；-1,0,1；0,1,2]；270°方向：[-1,0,1；-2,0,2；-1,0,1]；315°方向：[0,1,2；-1,0,1；-2,-1,0]；第二步：采用八个不同方向的sobel算子进行卷积操作，再与原图进行相减，得到去除细节信息的图像，具体操作如下：O＝I-(I*S8)其中，O为去除细节信息后的图像，*表示卷积操作，S8为八个不同方向的sobel算子，I*S8表示原图像I分别与八个不同方向的sobel算子进行卷子操作；第三步：计算去除细节信息的图像O的所有像素点的区域能量值，公式如下：其中，(i,j)为图像像素的坐标，E为当前的区域能量值，v(m,n)为窗口函数，m和n为3，公式如下：第四步：选取能量最大的像素点为低频子图最终的融合点，公式如下：其中，aF为最终融合的像素点，aA为图像A的低频子图，bB为图像B的低频子图，EaA表示aA的区域能量值，EbB表示bB的区域能量值。优选地，所述步骤四中采用改进的脉冲耦合神经网络对分解后的高频子图{cAs,l,cBs,l}进行融合包括以下步骤：第一步、采用改进的基于量子行为的粒子群优化算法来确定脉冲耦合神经网络的参数，具有操作如下：1)设计适用于本算法的适应度函数，公式如下:f＝max(EN+SF+MI+QA/F)其中，EN为图像的信息熵，SF为图像的空间频率，MI为图像的互信息，QAB/F为图像的边缘信息保留量；2)计算所有粒子的最佳位置的平均值C，具体公式如下：其中，N表示粒子的数量为20，pi(t-1)表示在t-1次迭代后单个粒子的最佳位置；3)计算单个粒子的最佳位置pi(t-1)和所有粒子中的全局最佳位置pg(t-1)的随机点ppi(t)，具体公式如下：ppi(t)＝pi(t-1)+(1-λ)pg(t-1)其中，pi(t-1)表示单个粒子的最佳位置，pg(t-1)表示所有粒子中的全局最佳位置，λ为0～1的一个随机值；4)粒子进行移动并调整当前方向和位置，公式如下:其中，μ为0～1的一个随机值，β(t)的公式如下：其中，m，n是一个常量，其中m＝2，n＝1，Maxtime表示迭代的最大次数，Maxtime为50；第二步、采用脉冲耦合神经网络作为高频子图的融合规则，具体操作如下：1)计算脉冲耦合神经网络的反馈输入，公式如下：Fij(n)＝Sij其中，Sij为外部刺激，本方法的外部刺激为高频子图；2)计算脉冲耦合神经网络的外部输入，公式如下：其中，αL为外部输入的衰变因子，VL为反馈放大系数，Wijlk为神经元的链接权值；3)计算脉冲耦合神经网络的内部活动项，公式如下：Uij(n)＝Fij(1+βLij(n))其中，β为链接强度；4)计算脉冲耦合神经网络的动态阈值，公式如下：其中，αθ为动态阈值的衰减因子，Vθ为动态阈值的放大因子，Yij为神经元的脉冲输出，具体公式如下：5)通过迭代次数，选取点火次数多的点为最终的融合的像素点；其中，cAs,l为图A的高频子图，cBs,l为图B的高频子图，TCAs,l为cAs,l的点火次数，TCBs,l为cBs,l的点火次数。本专利技术的有益效果：本专利技术提供了一种基于改进的脉冲耦合神经网络的医学图像融合方法，首先，在图像预处理阶段建立Gamma校正模型来增强原图像的对比度。其次，采用非下采样剪切波模型对图像进行多尺度和多方向分解，分解为一个高频和若干个低频子图，为下一步精准融合提供保证。再次，在图像融合阶段，采用改进的区域能量算法对分解后的低频子图进行融合，为了尽可能的使低频子图不含细节信息，采用八个方向的sobel算子抽取低频子图的细节信息，再采用区域能量最大的融合规则对低频子图进行融合；采用改进的脉冲耦合神经网络对分解后的高频子图进行融合，脉冲耦合神经网络符合人眼的成像系统，可以精准的对高频信息进行融合，使用改进的基于量子行为的粒子群优化算法来确定脉冲耦合神经网络的参数，解决了人工设置参数的难题，有效地提高了高频子图的融合效率。最后，对融合后的低频子图和高频子图采用非下采样剪切波逆变换进行重构，得到最终融合的图像。因此，此专利技术具有能量存储效率高和细节抽取性能好的两大优点，可以有效提高医学图像融合的准本文档来自技高网...

【技术保护点】
1.一种基于改进的脉冲耦合神经网络的医学图像融合方法，其特征在于，包括如下步骤：步骤一：对两幅完全配准的医学图像A和B进行Gamma校正来增强待融合图像的对比度；步骤二：对增强后的图像A和B采用非下采样剪切波变换，进行多尺度、多方向分解，分解成低频子图{aA,bB}和高频子图{cA

【技术特征摘要】
1.一种基于改进的脉冲耦合神经网络的医学图像融合方法，其特征在于，包括如下步骤：步骤一：对两幅完全配准的医学图像A和B进行Gamma校正来增强待融合图像的对比度；步骤二：对增强后的图像A和B采用非下采样剪切波变换，进行多尺度、多方向分解，分解成低频子图{aA,bB}和高频子图{cAs,l,cBs,l},其中s代表分解的层数，l代表分解的方向；步骤三：采用改进的区域能量算法对分解后的低频子图{aA,bB}进行融合，得到低频子图融合结果aF；步骤四：采用改进的脉冲耦合神经网络对分解后的高频子图{cAs,l,cBs,l}进行融合，得到高频子图融合结果cFs,l；步骤五：将步骤三得到低频子图融合结果aF和步骤四得到的高频子图融合结果cFs,l进行非下采样剪切波逆变换，重构得到最终融合图像F。2.根据权利要求1所述的一种基于改进的脉冲耦合神经网络的医学图像融合方法，其特征在于，步骤一中所述使用Gamma进行校正，公式如下：S＝Ir其中，I为原图像，γ为灰度系数，取值范围是0～2之间，S为Gamma校正后的图像。3.根据权利要求1所述的基于非下采样剪切波与改进的脉冲耦合神经网络的多模态医学图像融合方法，其特征在于，步骤二中使用非下采样剪切波进行多尺度分解，公式如下：其中，j,l∈Z,k∈Z2,ψ∈L2(R2)；U和O是2*2的可逆方阵，Uj是具有可膨胀性的矩阵，可使图像进行多尺度变换，Ol为剪切矩阵。4.根据权利要求1所述的一种基于改进的脉冲耦合神经网络的医学图像融合方法，其特征在于，步骤三中所述采用改进的区域能量算法对分解后的低频子图{aA,bB}进行融合包括以下步骤：第一：采用八个方向的sobel算子对细节信息进行抽取，具体计算如下：0°方向：[1,2,1；0,0,0；-1,-2,-1]；45°方向：[2,1,0；1,0,-1；0,-1,-2]；90°方向：[1,0,-1；2,0,0；1,0,-1]；135°方向：[0,-1,-2；1,0,-1；2,1,0]；180°方向：[-1,-2,-1；0,0,0；1,2,1]；225°方向：[-2,-1,0；-1,0,1；0,1,2]；270°方向：[-1,0,1；-2,0,2；-1,0,1]；315°方向：[0,1,2；-1,0,1；-2,-1,0]；第二：采用八个不同方向的sobel算子进行卷积操作，再与原图像进行相减，得到去除细节信息的图像，具体操作如下：O＝I-(I*S8)其中，O为去除细节信息后的图像，*表示卷积操作，S8为八个不同方向的sobel算子，I*S8表示原图像I分别与八个不同方向的sobel算子进行卷子操作；...

【专利技术属性】
技术研发人员：陈海鹏，吕颖达，盖迪，申铉京，张宠，李怡，
申请(专利权)人：吉林大学，
类型：发明
国别省市：吉林,22