稀疏表示理论在医学影像处理与分析中的应用研究

摘要

近年来，信号处理领域的一个最新进展是稀疏表示理论。稀疏表示理论已被广泛应用于图像处理、计算机视觉和模式识别等方面。同时在医学影像处理与分析领域，以稀疏表示理论为基础的稀疏编码方法和稀疏正则化方法也得到了广大研究者的日益重视，运用稀疏方法能够解决传统医学影像处理与分析技术中的许多问题。
　　医学影像处理与分析主要包含医学影像去噪、增强、分割和影像序列分析等技术。本论文在稀疏表示理论的基础上研究了医学影像处理与分析领域中的几个问题，对医学影像去噪、影像增强和影像序列分析进行了讨论，具体成果如下。
　　将斑点噪声模型与图像稀疏编码相结合解决超声医学影像去噪问题。采用1/2稀疏编码对影像数据进行描述以得到比传统1编码更为稀疏的表达形式。在Bayesian-MAP框架下，根据编码的统计分布特点，设计合适的阈值收缩算法，实现对噪声的抑制，达到恢复影像质量的目的。实验表明算法能有效地恢复医学超声影像，较好地抑制斑点噪声，增强边缘并保持细节效果。
　　研究了医疗影像的偏差场自适应校正与增强问题。针对传统校正增强方法对偏差场模型参数依赖等问题，分析了医疗成像中偏差场与观测影像之间的联系，提出实现影像增强的合理假设，在偏差场成像模型的基础上，构造了基于稀疏正则约束的自适应校正增强模型。增强模型包含双正则项，分别采用全变差约束理想影像和梯度光滑性约束偏差场结构，运用迭代演化观测影像曲面的方法自适应地逼近偏差场，从而避免了估计偏差场模型参数，采用交替优化方法寻优达到校正增强目的。仿真与真实数据实验验证了该算法能够得到较好地实现医学影像增强效果。
　　研究了医学时序影像数据自动化分析技术，通过对传统医学影像序列因子分析方法进行讨论，提出一种基于稀疏非负矩阵分解的影像序列因子分析方法。该方法针对传统因子分析方法中出现的问题进行改进，解决了解的非负性并对解的结构进行约束。在保证分解结果非负性的前提下，提出了既能够描述医学生理结构独立性，又能够限制解的结构稀疏正则约束项，进而构造出新的因子分析模型。应用稀疏非负矩阵分解算法实现模型的数值求解运算。仿真实验证明了该算法的有效性与稳定性，与传统经典方法相比，效果有较大提高。进一步将新方法应用到肝脏超声灌注造影数据中，处理结果得到了诊断医师的认可，验证了技术的可行性与准确性。
　　最后，本文归纳总结了所做的工作，同时分析了本文的不足之处，并进一步讨论了研究计划。

目录

封面

声明

中文摘要

英文摘要

目录

中英文缩写对照表

1 绪论

1.1 引言

1.2 研究背景

1.3 研究目的与意义

1.4 医学影像处理与分析技术研究现状

1.5 本文主要研究内容

1.6 课题来源及内容安排

2 稀疏表示理论基础

2.1 引言

2.2 稀疏编码方法

2.3 稀疏正则化方法

2.4 稀疏表示理论在图像处理中的典型应用

2.5 本章小结

3 基于稀疏编码自适应阈值收缩的超声医学影像去噪

3.1 引言

3.2 超声影像斑点噪声模型

3.3 基于?1/2正则化的稀疏编码模型

3.4 基于Bayesian-MAP的超声影像稀疏编码自适应阈值收缩模型

3.5 实验结果与分析

3.6 本章小结

4 基于稀疏约束的医学影像偏差场自适应校正增强

4.1 引言

4.2 校正增强模型

4.3 模型求解

4.4 实验结果与分析

4.5 本章小结

5 基于稀疏非负矩阵分解的超声医学影像因子分析

5.1 引言

5.2 稀疏非负矩阵分解因子分析法

5.3 模型求解

5.4 实验结果与分析

5.5 本章小结

6 总结与展望

致谢

参考文献

附录1 攻读学位期间发表的学术论文

附录2 公开发表的学术论文与博士学位论文的关系

附录3 攻读学位期间参与课题