基于均匀置乱和混沌映射的医学图像加密方法

医学图像由于涉及隐私等重要问题,存储与传输过程中需要加密,为了提高医学图像加密的质量并保证加密速度,针对分块后的图像使用一种基于Arnold映射的均匀置乱方法,结合logistic映射生成伪随机数来控制置乱参数,同时对像素点的值进行异或操作以进一步加密图像.实验发现此方法对密钥的敏感性较强,能很好地掩盖图片信息,与单一的logistic映射等加密方法相比,可同时抵御一些裁剪和篡改攻击.上述方法的操作步骤比经典加密算法简单,因此也能满足加密速度的要求.

第二代Curvelet变换与像素能量特征对比度结合的医学图像算法融合算法

针对传统的多尺度医学图像融合算法大多没有突出待融合图像的特征,在图像细节信息较丰富情况下,并没有突出图像边缘等较多信息,融合效果并不理想的特点,提出基于第二代Curvelet变换与像素能量特征对比度结合的医学图像融合算法.源图像经第二代Curvelet变换后,其低频部分采用基于窗口的融合算法,高频部分采用每个窗口的Curvelet能量系数取最大的融合算法,最后通过Curvelet逆变换获得融合图像.实验表明,本文提出的融合方法图像包含源图像的信息量大,对源图像的边缘结构保持最好,与源图像信息相关程度较高且差异性较少,实验结果远优与传统的图像融合方法 PA法(像素平均法)、拉氏(Laplace)法、DWT(小波变换)法.

基于注意力机制的U-Net脑脊液细胞分割

为解决脑脊液病理图像中部分细胞膜较为模糊,与图像背景难以区分的问题,采用了基于注意力机制的U-Net深度学习方法对脑脊液病理图像做全自动分割.在深度学习网络中加入注意力机制对细胞进行定位,抑制无关信息,提高语义的特征表达,提高对细胞整体分割的精确性.通过镜像、旋转等操作对数据集进行扩充预处理.采用VGG16预训练模型进行迁移学习,交叉熵与Dice损失相结合作为损失函数,分别在脑脊液临床图像与公开数据集2018 Data Science Bowl上进行验证;并与Otsu,PSPnet,Segnet,DeeplabV3+,U-Net进行对比,结果表明,本文方法在各项指标上均优于其他分割方法.