论文部分内容阅读
生物医学图像的研究方兴未艾,并且随着各种成像技术的不断地发展,为生物医学成像提供了很多新的方法。其中,图像融合方法能为整合多模态和运用新模态图像信息提供帮助,其在基础研究和临床课题中有很大的运用价值。多模态数据融合能整合不同形式的数据,并用低维形式重新表达,实现对目标的本质特征的描述。目前,如何利用多模态数据融合方法对脑肿瘤等目标进行准确识别已成为电子信息和医学探测领域研究的难点问题。非负张量分解(Non-negative Tensor Factorization,NTF)是一种较为高级的盲信号处理方法。本论文在非负的约束条件下,利用张量分解算法对脑肿瘤病人的MRI和MRSI信号进行降维、特征提取、融合等处理,并取得很好的效果。本文的主要工作如下:1.介绍了脑部核磁共振成像(Magnetic Resonance Imaging,MRI)与核磁共振波谱图像(Magnetic Resonance Spectroscopy Imaging,MRSI)的形成过程。并重点突出了这两种图像数据的优势和特点。同时,针对MRSI信号在刚提取出来时,存在一些较差信号会影响成像结果的问题,采取了一些方法对这些较差信号进行预处理。2.对目前MRSI图像的特征提取算法,本文介绍了几种流行的传统算法,并对它们的特点进行分析讨论。其中,利用病人的MRSI信号仿真数据,重点分析比较了对上述算法在特征提取方面的准确性。3.研究了非负张量分解算法及其应用。针对传统算法在特征提取方面存在的缺陷,提出引入非负张量分解算法来解决问题。在对非负张量分解的基本概念和运算进行说明的同时,针对特征提取问题,给出了CP分解和TUCKER分解两种基本算法。4.利用非负张量分解,实现了MRSI波谱数据的特征提取,从而实现了MRSI空间分布的最终形成。通过使用加权平均算法,实现了不同模态数据的融合。从而使得这两种数据的信息在分辨率和准确性方面实现优势互补,得到更具价值的脑肿瘤识别结果。最后通过真实病人数据的融合实验,验证了该方法具有较高的临床辅助诊断价值。