基于ZMLD与GC离散优化的非刚性多模态医学图像配准方法

    公开(公告)号:CN108711168A

    公开(公告)日:2018-10-26

    申请号:CN201810563047.7

    申请日:2018-06-04

    Applicant: 中北大学

    CPC classification number: G06T7/344 G06T2207/10088 G06T2207/30016

    Abstract: 本发明公开了基于ZMLD与GC离散优化的非刚性多模态医学图像配准方法,涉及医学图像处理技术领域,方法主要包括:分别计算参考图像I和浮动图像J基于Zernike矩的局部描述符ZMLD,使用图像I和J的ZMLD之间的绝对误差和SAD作为能量函数的数据项,采用位移矢量场的一阶导数作为平滑项,构造能量函数,利用图割法GC的α扩展优化算法求解离散化后能量函数的最小值,输出能量函数最小值对应的最佳位移矢量场,即配准后的图像。本发明解决了非刚性图像存在噪声和强度失真时,现有方法无法同时准确提取图像强度和边缘、纹理特征,连续优化计算复杂度相对较高且易陷入局部最小值的问题。实验表明,本发明方法提高了非刚性多模态医学图像配准的精度和效率。

    基于稀疏表示的改进耦合字典学习的脑部CT/MR图像融合方法

    公开(公告)号:CN107194912B

    公开(公告)日:2020-12-29

    申请号:CN201710259812.1

    申请日:2017-04-20

    Applicant: 中北大学

    Abstract: 本发明公开了基于稀疏表示的改进耦合字典学习的脑部CT/MR图像融合方法,涉及图像处理技术领域,能分别对正常脑部、脑萎缩和脑肿瘤三组脑部医学图像进行融合,多次实验结果表明本发明提出的ICDL方法与基于多尺度变换的方法、传统稀疏表示的方法、基于K‑SVD字典学习的方法以及多尺度字典学习的方法相比,不仅提高了脑部医学图像融合的质量,而且有效降低了字典训练的时间,能为临床医疗诊断提供有效帮助。

    基于稀疏表示的改进耦合字典学习的脑部CT/MR图像融合方法

    公开(公告)号:CN107194912A

    公开(公告)日:2017-09-22

    申请号:CN201710259812.1

    申请日:2017-04-20

    Applicant: 中北大学

    Abstract: 本发明公开了基于稀疏表示的改进耦合字典学习的脑部CT/MR图像融合方法,涉及图像处理技术领域,能分别对正常脑部、脑萎缩和脑肿瘤三组脑部医学图像进行融合,多次实验结果表明本发明提出的ICDL方法与基于多尺度变换的方法、传统稀疏表示的方法、基于K‑SVD字典学习的方法以及多尺度字典学习的方法相比,不仅提高了脑部医学图像融合的质量,而且有效降低了字典训练的时间,能为临床医疗诊断提供有效帮助。

Patent Agency Ranking