基于模糊逻辑及神经网络的医学图像融合研究

摘要

本文研究了基于模糊逻辑和RBF模糊神经网络的医学图像融合算法。
　　 首先，本文提出了一种基于T-S模糊推理系统的医学图像融合算法。该算法利用T-S模糊推理系统与神经网络的等价性原理，做出一个与之相等价的RBF模糊神经网络，根据误差反向传播算法以及一阶梯度修正算法，通过RBF神经网络的训练得到其各项参数，进而得到T-S模糊推理系统。将CT图像与MRI图像作为T-S模糊推理系统的输入，则输出就是融合结果。
　　 其次，本文还提出了一种基于RBF模糊神经网络的融合方法，该方法简化了网络结构与训练算法，同时提高了融合性能。最后本文还将图像的区域方差引入，与模糊神经网络融合算法相结合，能够显著改善融合图像软组织部分的融合性能。
　　 通过主观上的观察以及客观的评价指标，与传统的融合方法进行比较分析，本文的两种方法较好的综合了两种医学图像的信息。而通过对噪声污染图像的融合进行实验和对比分析，这两种方法对噪声也具有很好的适应性。

目录

文摘

英文文摘

声明

第一章绪论

1.1医学图像概述

1.1.1 CT成像机理及图像特点

1.1.2 MRI成像机理及图像特点

1.2医学图像融合技术的发展及研究现状

1.3 CT与MRI图像融合的临床意义

1.4论文主要内容及章节安排

第二章医学图像融合及相关理论

2.1医学图像的配准

2.1.1基于特征的医学图像配准方法

2.1.2基于灰度的配准方法

2.2医学图像信息综合

2.3医学图像融合现有方法介绍

2.3.1空间域融合方法

2.3.2变换域融合方法

2.3模糊数学理论基础

2.3.1模糊集合及其隶属度函数

2.3.2“如果-则”推理规则

2.3.3推理系统的反模糊化

2.3.4常用的模糊推理方法

2.4人工神经网络基础

2.4.1人工神经网络的发展与应用

2.4.2人工神经网络的基本结构与模型

2.4.3神经网络的学习

2.5本章小结

第三章基于Takagi-Sugeno型模糊推理的医学图像融合

3.1 Takagi-Sugeno型模糊推理系统

3.1.1纯模糊逻辑系统

3.1.2 Mamdani型模糊推理系统

3.1.3 Takagi-Sugeno型模糊推理系统

3.2基于T-S型模糊推理系统的医学图像融合算法

3.2.1 T-S模糊推理系统与RBF神经网络的等价关系

3.2.2基于T-S型模糊推理系统的医学图像融合算法

3.3 RBF模糊神经网络模型及训练算法

3.3.1 RBF模糊神经网络模型

3.3.2 RBF模糊神经网络的训练算法

3.4本章小结

第四章基于T-S模糊推理的图像融合实验

4.1实验流程

4.2实验及结果

4.3噪声图像融合实验

4.4本章小结

第五章基于RBF模糊神经网络的图像融合

5.1基于RBF模糊神经网络的医学图像融合

5.1.1 RBF模糊神经网络模型

5.1.2网络的训练

5.1.3实验与仿真

5.2基于区域特征的改进算法

5.2.1问题的提出

5.2.2算法的改进

5.3本章小结

第六章总结与展望

6.1本文总结

6.2课题展望

致谢

参考文献

研究成果