基于组稀疏表示的医学图像超分辨率重建

在大量的医学图像处理过程中,由于现有的硬件设备和成像技术的限制,还不能够获取满足高要求的清晰图像。因此,在现有的硬件设备和成像技术下获取的医学图像需要进行超分辨率的重建处理。在基于稀疏表示单帧图像超分辨的基础上,针对医学图像具有明显的重复结构等特点,提出了一种基于组稀疏的单帧医学图像超分辨算法。并且结合Group Lasso算法和K-SVD算法,提出了一种新的字典训练算法。实验结果分析和比较证实提出的算法在性能指标上比现有的其它几种方法均有所提高。

基于不同全变差的医学图像压缩感知重构

为提高磁共振成像(magnetic resonance imaging,MRI)的速度和成像质量,提出全变差(total variation,TV)、非局部全变差(nonlocal total variation,NLTV)和块稀疏全变差(group sparse total variation,GSTV)模型,对MRI图像压缩感知(compressed sensing,CS)重构。将不同TV模型分别与小波基相结合建立稀疏模型,由傅里叶矩阵进行测量,采用快速复合分裂算法(fast composite splitting algorithms,FCSA)实现MRI图像重构,以不同性能指标分析并比较不同TV模型的重构效果。实验结果表明,无论采样率如何设置,基于GSTV压缩感知重构MRI图像在性能指标以及细节精度等方面均具有明显优势,在快速医学成像领域具有一定临床应用价值。

基于医学图像的超分辨率重建算法综述

随着临床对医学图像高分辨率的要求,基于低分辨率医学图像的超分辨率重建算法已成为研究热点,该类方法在不需要改进硬件设备的情况下,可以显著提高图像分辨率,因此对其进行综述具有重要意义。针对医学图像领域中特有的超分辨率重建算法,首先分析了该类算法的研究现状,并将其分为三类:基于插值的超分辨率重建、基于重构的超分辨率重建和基于学习的超分辨率重建。同时,基于MR图像、CT图像、超声图像等细分医学图像领域,深入分析了超分辨率重建算法的研究进展,并对不同类型的算法进行了归纳总结和比对分析。其次,对超分辨率重建算法所对应的评价标准也进行了介绍。最后,展望了超分辨率重建技术在医学图像领域的发展趋势。当前应用于医学图像领域的超分辨重建算法已经发展到一定水平,逐步突破基于单一方法的研究形式,通过与机器学习和稀疏表示等理论的深度融合,形成了更高效的算法。