基于張量分解的腦部圖像病變識別算法研究.pdf

1、隨著現(xiàn)代計算機(jī)技術(shù)的迅猛發(fā)展，人們對于醫(yī)學(xué)圖像的研究已經(jīng)進(jìn)入計算機(jī)輔助檢測和診斷階段，這些先進(jìn)的醫(yī)療設(shè)備和技術(shù)已經(jīng)成為腦腫瘤、阿爾茨海默病、帕金森病及其它精神疾病檢測的重要工具。醫(yī)生通過結(jié)合影像學(xué)技術(shù)和圖像處理等技術(shù)對腦部圖像進(jìn)行識別與分析，能夠提高腦部疾病診斷的準(zhǔn)確率和可靠性，在臨床應(yīng)用中具有十分重要的參考價值。
　　大多數(shù)圖像一般都具有天然的張量結(jié)構(gòu)，或者可以被組織成張量結(jié)構(gòu)，醫(yī)學(xué)圖像也不例外。張量結(jié)構(gòu)具有很強(qiáng)的計算特性和表達(dá)

2、能力，可以用來表示標(biāo)量、向量和其它張量之間的線性關(guān)系，將圖像轉(zhuǎn)化成張量的形式，能夠很好的維持高維空間數(shù)據(jù)的本征結(jié)構(gòu)信息，為高維數(shù)據(jù)的分析提供依據(jù)。本文結(jié)合張量本身的結(jié)構(gòu)特征，利用可以用張量構(gòu)成圖像序列的特性，結(jié)合張量分解算法和醫(yī)學(xué)圖像處理方法，提出了基于傅里葉—高階奇異值分解和基于小波—高階奇異值分解的腦部圖像病變識別算法，分別將這兩種算法用于識別腦腫瘤圖像，并對仿真實(shí)驗結(jié)果進(jìn)行了驗證與分析。主要工作如下：
　　（1）首先概述了現(xiàn)

3、代醫(yī)學(xué)圖像處理技術(shù)的研究現(xiàn)狀，通過分析比較發(fā)現(xiàn)，現(xiàn)代醫(yī)學(xué)圖像處理方法針對腦部圖像的實(shí)驗結(jié)果并不理想。本文結(jié)合腦部圖像本身特點(diǎn)以及張量分解算法的理論研究，將張量分解算法應(yīng)用于腦部圖像處理，具有十分重要的研究價值。
　?。?）提出了基于傅里葉—高階奇異值分解的腦部圖像病變識別算法。該算法將傅里葉變換與高階奇異值分解算法相結(jié)合，在計算奇異值之前，先進(jìn)行傅里葉變換，與傳統(tǒng)的高階奇異值分解相比，在處理平穩(wěn)信號時，具有良好的特性。而且該算法在

4、計算時不需要重復(fù)選擇最小開方運(yùn)算，由于該算法由數(shù)據(jù)驅(qū)動，不需要選擇參數(shù)或者設(shè)定閾值就能夠?qū)⒛X腫瘤圖像多維數(shù)據(jù)組中的特征提取出來，實(shí)現(xiàn)了多站點(diǎn)提取腦腫瘤圖像特征，能夠快速、準(zhǔn)確的識別出健康和病變的腦部圖像。
　?。?）提出了基于小波—高階奇異值分解的腦部圖像病變識別算法。該算法將小波變換與高階奇異值分解算法相結(jié)合，在計算奇異值之前，先進(jìn)行小波變換，與基于傅里葉—高階奇異值分解的腦部圖像病變識別算法相比，該算法能夠處理非平穩(wěn)信號，解決