基于Fuzzy-RBFNN的多模医学图像融合方法研究

《基于Fuzzy-RBFNN的多模医学图像融合方法研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、基于Fuzzy—RBFNN的多模医学图像融合方法研究朱正平，等基于Fuzzy-RBFNN的多模医学图像融合方法研究·朱正平，孙传庆，王秀丽，王阳萍。(兰州城市学院信息工程学院兰州，730070)(兰州交通大学电子与信息工程学院兰州，730070)摘要：文中将模糊推理理论与径向基神经网络相结合构造了一个基于模糊推理的径向基神经网络(FuzzY—RBFNN)应用于多模医学图像融合，并应用遗传算法训练网络获得网络参数，可自适应地完成多模医学图像融合。通过与基于梯度的金字塔融合方法的实验比较，证明了算法的有效性与可行性。关键词：多模医学图像融合；模糊推理；径

2、向基神经网络；遗传算法Abstract：Thepaperputsforwardanewmethodformultimodalmedicalil瑾I罢9efusion,fl~tfuzzyradibasisfunctionneuralnetworks(Fuzzy-RBFNN)isusedtoperformauto-adaptiveimagcfusion．Globalgeneticalgorithn~GA)isemployedtotrainnetworkstoobtaintheparamet~ofthenetwork．ExperimenUdresultss

3、how，comparingwidagradientpyramid~aagefusionmethod．theIroVo~approachisIImexcellentformultimodalmedical’m1ages,especiaUyforblurrysourceimag~．Keywords：Multimodalmedicalimagefusion；Fuzzyinference；Radialbasisfunctionneuralnetworks；Genc~algon~_m中图分类号：TP2391文献标识码：A文章编号：1001-9227(2009)

4、03-0078-030引言1模糊径向基神经网络(Fuzzy—RBFNN)模型多模医学图像融合是将两幅(或两幅以上)来自不同1．1模糊推理系统成像设备的医学图像，采用某种算法将各个图像的优点通常有两种类型的模糊推理系统，Mamdami模型和T—或互补性有机结合起来以获得信息量更丰富的图像¨。S模型。与Mamdami模型相比，T—S模型的输入参数为模糊例如，病人CT图像能清晰显示骨组织信息，但对软组织数据而输出参数是精确的数据，这样免去了去模糊过尤其是浸润性肿瘤无法正确显示边界；而核磁共振图像程，同时RBFNN与T—S模型具有功能等价性，因此本论文(MR

5、I)对软组织尤其是浸润性肿瘤比较敏感，图像边界采用基于T-S模型的fuzzy—RBFNN。清晰，有利于病灶范围的确定，但却对骨组织信息不敏T—S模型的第k条模糊规则可用(1)式表示：感。融合病人的CT图像与MRI图像，使两者的优势相结／s41and··／s，thenZE=，‘‘)(1)合，可使各种组织具有较强的边界特征。随着医学治疗其中，4一，表示模糊前件，而f(x，⋯，)是后技术的发展，多模医学图像融合在医疗诊断、肿瘤组织件中的精确函数。通常f(x”，Xn)是输入变量，⋯，分析以及治疗计划制定等方面扮演着越来越重要的角的线性组合，即：色。Z=(xl

6、，⋯，)=ak]xl+⋯+口+％+1(2)近年来，大量的医学图像融合算法被提出并被成功~,IJT—S系统对每条规则进行加权平均，最终的输出地应用于某种特定的医学图像类型中。但是，目前在可用(3)式计算：医学图像融合技术中仍存在着一个难点问题，就是许多医学图像因为以下两点原因是模糊的，一是噪声模糊了缶}一1’(＼3U)，一图像边缘的高频信号，另一个原因是浸润性肿瘤组织与∑健康组织问的边缘模糊。本论文将模糊推理理论与径向k=l基神经网络(RBFNN)相结合应用于多模医学图像融合，其中，w为权值参数。利用遗传算法训练网络获得网络参数，可自适应地完成1．2基

7、于T-S模糊推理的RBFNN模型图像融合，实验证明了算法的有效性与可行性。RBFNN的一个显著特点是它与T—S模型具有函数等价性。基于这种思想，本文设计了实现多模医学图像融合收稿日期：2009—0卜15作者简介：朱正平(1966一)，男，副教授，主要研究方向为智的RBF模糊神经网络结构，下面给出本文建立的基于模糊能信息处理及图像处理。推理的Fuzzy—RBFNN模型。RBFNN是一种具有一个输入层、·本文受甘肃省科技攻关计划项目(0708GKCA047)和甘肃省自然科学基金项目(0803RJzA015)资助。一个隐含层以及一个输出层的前馈网络结构1．

8、5(如图l78《自动化与仪器仪表》2009年第3期(总第143期)所示)，其输出为网络的第四层为输出层，对每