基于连接突触计算网络的医学图像融合算法-高媛.pdf
《基于连接突触计算网络的医学图像融合算法-高媛.pdf》由会员分享,可在线阅读,更多相关《基于连接突触计算网络的医学图像融合算法-高媛.pdf(5页珍藏版)》请在得力文库 - 分享文档赚钱的网站上搜索。
1、Joumal of Computer AppIications计算机应用,2017,37(12):35543557,3568ISSN 1001908lCODEN JYUDU201712一10http:wwwjocacn文章编号:1001908l(2017)12355404 DOI:1011772jissn100l-90812017123554基于连接突触计算网络的医学图像融合算法高 媛,贾紫婷,秦品乐,王丽芳(中北大学大数据学院,太原030051)(通信作者电子邮箱949763497qqcom)摘要:针对传统的脉冲耦合神经网络(PcNN)融合方法中参数过多,以及参数和网络迭代次数难以准确设置、
2、融合效果差等缺点,提出了一种用连接突触计算网络(LscN)模型的连接项(L项)进行图像融合的算法。首先,把两幅待融合图像分别输入到【scN模型中;其次,使用L项代替传统PcNN中的点火频率作为输出;然后,使用多通工作方式终止迭代;最后,通过比较L项的值得到融合后图像的像素。理论分析与实验结果表明,与改进的PcNN模型和在PCNN模型的基础上提出的新模型进行图像融合的算法进行比较,所提算法得到的融合图像更有利于人眼观察;特别是与点火频率作为输出的LscN方法相比,所提算法在边缘信息评价因子、信息熵、标准差、空间频率、平均梯度上均较优。该算法简单易行,不仅减少了待定参数数目,降低了计算复杂度,而且
3、解决了传统模型中迭代次数难以确定的问题。关键词:连接突触计算网络;点火频率;图像融合;计算机断层扫描;磁共振成像;脉冲耦合神经网络中图分类号:TP3914l 文献标志码:AMedicm image fhsion algOritll】m b嬲ed On li州I【ing synaptic computation networkGAO YuaIl。,JIA Ziting,QIN Pinle,WANG Lifang(&00f 0,眈比sc如,lce,舶衲,耐wm妙矿吼i,泖nn Skwi 03005l,傩im)A瞻tnct:I。he traditional lusion methods based
4、on Pulse Coupled Neural Network(PCN N) haVe the shortcomings of toom锄y p眦meters,tle par锄eters and number of network itemtions dimcult to accurately set,and p0哪fusion eectIn orderto solVe the pmblems, a new image fusion algoritlm using the connection item(L item) of Linking Synaptic ComputingNetwork(
5、LSCN)model was pmposed Firsdy, the two images to be fused was input into the LsCN model respectivelySecondly, tJle L te册w鹊used to replace t11e i伊ition frequency in the叽ditional PcNN as the outputThen,the itemtion wastem“nated by the multi-pass opemtion Finally, the pixels of the fused image were obt
6、ained by compdng the values of Lte册sThe tIleoretical analysis and experimental results show that, compared with the image fusion algorithms using theimpmVed PCNN model and the new model pmposed on the b鹊is of PCNN model,the fusion images generated by the pmposedalgorithm have better visual effectsIn
7、 addiIion,compared诵th the fusion a190rithm of LsCN using ignition frequence as theoutput, the pmposed algothm is all supeor in edge info丌nation evaluation factor, inf0邢ation entmpy, standard deviation,space fhquency, average grads The proposed algorithm is simple and convenient, which not only reduc
8、es the number ofp锄硼eters to be detenllined, reduces the computational complexity, but also solves the pmblem that the number of iterationsin the traditional model is di仿cult to be detenllinedKey woIcIs:Linking Synaptic Computation Network(LSCN); ignition fIequency; image fusion; Computed Tomography(
9、CT);Magnetic Resonance Ima舀ng(MRI);Pulse Coupled Neural Network(PCNN)0 引言目前国内图像融合领域研究的方法较多,如基于神经网络、基于多尺度分解2j、基于统计3 o的融合算法等。其中神经网络具有较强的生物学背景,能够考虑到图像的全局特性。一种特殊类型的神经网络来自猫的视觉皮层,称为脉冲耦合神经网络(Pulse coupled Neural Network,PcNN)Hj已经成功地被应用于图像融合,取得了不错的成果o。尽管如此,PCNN模型本身存在一些弊端,由于其复杂的结构与实际生物脑神经网络的运行机制类似,所以如何使大量参数、
10、迭代次数得到准确的设置以及降低计算复杂度仍然是迫切需要解决的问题哺。目前基于PCNN融合方法的改进主要包括两个方面:一种是改进PcNN模型自身,例如参数设置的改进。Qu等在非下采样轮廓波变换(Nonsubsampled contourletTransfo丌rI,NSCT)域内采用空间频率激励PCNN模型来融合图像,但该算法需要对图像进行NscT,提高了算法的计算复杂度。王俭等o采用粒子群算法优化PcNN中的参数,在很大程度上解决了参数设置问题,但粒子群算法的加入也增加了算法的复杂度。薛寺中等9。将小波变换与PcNN相结合融合图像得到了更好的视觉效果,但迭代次数设置为200次,浪收稿日期:201
11、706-0l;修回日期:201708-30。 基金项目:山西省自然科学基金资助项目(2叭5011045)。作者简介:高嫒(1972一),女,山西太原人,副教授,硕士,主要研究方向:图像处理、人工智能;贾紫婷(1992一),女,山西吕梁人,硕士研究生,主要研究方向:医学图像融合; 秦品乐(1978一),男,山西长治人,副教授,博士,主要研究方向:机器视觉、大数据处理; 王丽芳(1977一),女,山西长治人,副教授,博士,主要研究方向:机器视觉、大数据处理。万方数据第12期 高媛等:基于连接突触计算网络的医学图像融合算法 3555费了大量时间,而迭代次数过小又不能使PCNN得到充分的执行。另一种改
12、进是在PCNN理论的基础上提出新模型,如相交皮质模型(Intersecting Cortical Model,IcM)、脉冲发放皮层模型(Spil(ing Conical M0del,scM)1“,这些模型也已经应用于图像融合中2“J。这两种模型均简化了PcNN,减少了参数的数目,但文献10一11都没有解决迭代次数的问题。基于以上分析,为了降低传统算法的计算复杂度,减少待定参数的数目,解决网络迭代次数难确定的问题,本文提出了一种用连接突触计算网络(Linking synaptic computationNetwork,LscN)的连接项进行图像融合的算法。该算法具有更简洁的模型结构,相比传统算
13、法减少了待定参数的数目,降低了计算复杂度,并通过多通工作方式解决了迭代次数难以确定的问题。通过三组计算机断层扫描(computedTomog阻phy,cT)与磁共振成像(Maglletic Reson蚰ce Imaging,MRI)图像进行实验,结果表明无论从是主观还是客观上本文算法均有更优良的图像融合效果。1 LSCN基本结构zh蛐等驯于2017年1月提出了LScN模型。在设计该模型时,受Ecknom等1 6。思想的启发,为了更恰当地描述生物电传输的指数衰减和视觉皮层受到一定刺激时相邻神经元同步发放脉冲等现象,用反馈输入作为外部激励,并且用内部活动项本身表示神经元状态的衰减项。不同于前几代神
14、经网络,LscN与PcNN模型同属第三代神经网络的范畴,该代神经网络主要利用脉冲同步发放现象实现对相邻神经元的激发和抑制。LsCN模型和PcNN有两个主要的不同点:第一个不同点是在该模型中膜电位由漏电积分器表示;第二个不同点是反馈输入仅仅由激励表示。基本的PCNN模型涉及到馈送输入、连接输入、内部活动项、点火阈值以及脉冲输出5个方面的内容,需要设定的参数数目高达10个。所以,众多参数设置的准确性将对融合结果产生严重的影响,同时运行过程中会浪费大量的计算资源。相比之下,作为PcNN模型的改进模型,LscN在输入信号采集机制上不断简化,待定参数的总量也大大减少。传统的PCNN模型中有三个漏电积分器
15、,需要进行两次卷积运算。而在LScN模型中,也有三个漏电积分器,但只需进行一次卷积运算。这一点决定了LScN模型的时间复杂度低于传统模型,同时可以看出内部活动项与外部激励的关系更直接。不仅如此,与传统PcNN不同,LscN模型的迭代过程是自动停止而不是手动设置的,在多次迭代中,操作更加方便。LscN的基本神经元结构如图1所示。图1 LSCN基本神经元结构Fig l B聃ic neumnal st兀lcture in LSCNLsCN模型的数学表达式如下:F。(n)=S。岛(凡)=儿i(n一1)+形咖k(n一1)(凡)=i(,l1)+s#(1+肚。(n)pi(凡)=Di(n1)一6+(n一1)驰
16、)=矗搿朋“曲(2)(3)(4)(5)式中:,。,(n)为神经元的反馈输入;(i,J)表示每个神经元的索引;s。携带刺激信息;匕(n)为连接输入;(p,q)表示其相邻神经元;f为连接常数;形抽为应用于连接突触的权重;K(n1)是突触后动作电位。在本文中,膜电位由漏电积分器表示,(n)为内部活动项,其中厂是膜电位衰减常数,卢是连接强度;神经元的阈值由漏电积分器表示,9i(n)是点火阈值;占是一个小的正常数;是幅度调整;匕(n)为脉冲输出。2 本文算法21算法原理在LscN网络中,图像里每个像素点相当于一个神经元。当某个神经元的(n)Oi(凡)时,该神经元点火,发出一个脉冲。此时阈值9。(凡)通过
17、反馈输入迅速提高,致使该神经元停止发射脉冲。阈值随着时间开始衰减,当其再次小于内部活动项时,神经元再次点火,如此反复。神经元点火频率越大说明对应像素点的亮度越大。在图像融合中融合指标的好坏直接影响到融合结果。以往的基于PCNN及其改进模型的融合算法中均是根据若干次迭代后神经元的点火频率来决定融合后图像的像素。选择点火频数较大的那幅图像所对应的像素值作为融合后图像的像素值。点火频率如式(6):肘F(n)=肘i(,l1)+K(,l1) (6)但在本文中,使用L项代替传统的点火频率作为输出。由式(2)与(6)可知,当f取l时,L项和点火频率相似。但L项在每次迭代中均对y作了卷积处理,实验证明L项代替
18、点火频率输出能够取得更好的效果。22算法流程假定cT图像为A。MRI为B,并且已经过几何配准处理。融合过程如下:1)分别将待融合图像A和B作为LsCN模型的反馈输入;2)初始值设置为k(o)=o,(o)=o,K(o)=o,(0)=0,pi(0)=l;3)分别按照式(1)一(5),计算k(n)、(,1)、90(n)、匕(凡);4)使用L项代替传统的点火频率作为输出;5)迭代使用式(1)一(5),使用多通工作方式作为迭代终止条件;6)利用比较选择算子得到融合后图像的像素,如式(7)所示:眠j):f抛儿驯,J), (7)L占(;,j), 厶(i,J)k(i,)式(7)中LscN的L项数值越大,表示该
19、像素点的亮度越大,所以选择该点为融合后图像中的像素点。在使用LscN模型处理图像时,迭代次数一直是一个棘手的问题,传统的算法中迭代次数总是通过大量的实验或者个人经验来设置。但迭代效果的好坏与迭代次数有很大的关系,如果迭代次数过大,将会浪费计算资源,迭代次数过少,将万方数据3556 计算机应用 第37卷会导致算法运行不充分。LScN模型中使用多通工作方式作为迭代终止条件,即当所有神经元都点火迭代终止。设,是神经元的总数,在每一次迭代中神经元点火的次数被统计,l,】,矩阵的初始值是0,其大小与y相同,yy和y之间是或运算关系,当l,y矩阵中所有元素均为1时迭代终止,也就是yy中l的个数总和为、,。
20、本文算法中LScN的其他参数为:神经元的连接范围为33,=02,厣=3,6=l255,f=l,=3,r=004 004 0041lo04 100 o04 I。本文算法中的参数除卢采用了经验值【o04 o04 o04 J外其他均是参考文献153 实验结果与分析本文分别使用正常脑部、脑膜瘤、脑弓形虫病的CT和MRI图像进行融合仿真实验:实验环境为:64位wjndows 7操作系统,Matlab R2叭5b,Intel core i5-2430,24 GHz处理器,8 GB运行内存。实验图片来自哈佛大学医学院。实验结果如图24所示。(e)文献【l 7】算 (f)scM (g)点火频率 (h)本文算法
21、融合结果 融合结果 输出融合结果 法融合结果图3脑膜瘤患者的cT与MRI图像及融合结果Fig3 CT and MRIimages and fusion results of menin百oma从图24的子图(a)和(b)中可以看出:cT图像中骨骼成像突出,但软组织对比度较低;MRI图像则不同,骨结构显示较差,但软组织分辨力高,更有利于对病灶位置的定位。将文献7算法、在NscT下LscN模型的融合算法、文献17算法、基于scM的融合算法、使用点火频率作为输出的LScN融合方法和本文算法进行比较。其中文献7算法为在NscT下基于PcNN模型的融合算法,该模型的输出为点火频率;NscT下LscN模型
22、的融合算法与文献7的融合框架相同,其输出为L项;文献17为没有分频的PcNN融合算法,该模型的输出为点火频率;基于scM的融合算法中,scM模型是在PCNN上改进而来的,其输出仍为点火频率;使用点火频率作为输出的LscN算法和本文中使用L项作输出的算法的区别仅在于输出项,目的是为了比较LSCN模型分别以点火频率和L项来指导融合的结果。传统的算法均是通过点火频率的大小来选取融合后图像的像素值。本文算法和分频的LScN算法是用L项的大小来决定融合后图像的像素值。将本文算法与四种传统算法进行对比,目的是比较分别使用L项和点火频率进行图像融合的结果。(a)cT图像 (b)MRI图像 (c)文献【7】算
23、 (d)分频LscN法融合结果 融合结果(e)文献【17】算 (f)scM (g)点火频率 (h)本文算法融合结果 融合结果 输出融合结果 法融合结果图4脑弓形虫病患者的CT与MRI图像及融合结果Fig 4 CT and MRJ images and fusion results ofbrajn t似opl鼬m09is分频的LScN算法、点火频率输出的LScN算法中参数和本文算法相同。参考文献18,scM的参数为:,=O2,g=0109 l 01409 0109 11o9,=20,w=l o1409 0 o1409 l。【o109 1 o1409 o109 1 J由图24可见:6种算法都成功地
24、融合了两幅图像,既突出了脑部的骨骼部分又包含了软组织的信息,取得了不错的效果。仔细观察可以发现:图2(c)和2(d)中视觉效果差不多,但是均丢失了源MRI中的部分信息。图2(e)中软组织和骨骼信息较暗,图像质量较差;图2(f)(h)的融合结果较好,但图2(h)的视觉效果最好,可以很好地保留图像的空间细节信息,骨骼信息突出,软组织对比度高,成像质量最好。图3(c)、(d)中在对MRI源图像信息的提取和表达上表现不佳,存在一些伪影,图3(e)视觉效果相对好一些,但是存在同样的问题。相比之下,图3(f)、(g)、(h)的清晰度、对比度较高,但本文算法中软组织部分与源图像较接近,融合效果最好。由图4中
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 连接 突触 计算 网络 医学 图像 融合 算法
限制150内