基于非线性核稀疏表示的医学图像特征提取方法

Medical image plays an important role in clinical diagnosis including lesion detection, characterization, assessment of organ function, blood flow estimation, and so on. It also performs well on therapy including lesions three-dimensional positioning, volume calculations, surgical planning. Compared with the common image, medical image performs specially on imaging, storage, transmission, registration, noise reduction, and it is not opted to use directly current image processing methods. Sparse representation has its theory basis on solving the problems endured by medical image feature extraction. But its linear combination limits the precision of image representation. For it, this project introduces kernel nonlinear projection into spare representation theory, and proposes theory framework of kernel sparse representation. It applies nonlinear representation method to improve local feature precision of medical image. This project is to solve the problems in medical image processing. Based on this theory framework, this project is to solve systematically the kernel sparse nonlinear representation, and to solve the key problems on dictionary generatation, rapid optimization, adaptive learning and high resolution reconstruction, and to construct the theory system of kernel sparse representation, the method system of kernel sparse representation medical processing, to construct comprehensive theory and method test platform and evaluation system for medical image kernel sparse representation.

医学图像在病灶检测、定性、脏器功能评估、血流估计等临床医学诊断以及病灶三维定位 、体积计算、手术规划等治疗中发挥重要作用。医学图像与普通图像相比，在成像机理、存储 、传输、配准、降噪等问题上具有特殊性，不适合直接搬用普通图像的处理方法。稀疏表示法在解决医学图像特征提取上存在的问题具有理论基础，但其线性组合的特性限制了表示医学图像的精度。为此，本项目将核非线性映射思想引入稀疏表示理论中，提出核稀疏表示理论框架，采用非线性表示方式提升描述医学图像局部特征的精度,解决其在医学图像处理上存在的问题。在此理论框架下，系统研究医学图像的核稀疏非线性表示理论，突破医学图像快速核稀疏表示、字典生成及高分辨重建三个关键问题，形成完善的核稀疏表示理论体系及医学图像处理方法体系，构建医学图像核稀疏表示的理论与方法的综合验证平台和评价体系。

按照项目的时间节点完成了全部研究内容，并达到了技术和成果指标要求。 具体来说，提出了面向应用的优化算法和优化策略，以医学图像核稀疏表示为背景，提出了满足实际应用需求的特征稀疏化表示方法；从现有的多核特征提取算法出发，提出了深度多核映射网络优化方法；从核稀疏化过程中的核函数和选择参数方面入手，研究了核稀疏表示分析的自适应方法，使用基于核函数特征提取的自适应技术方法，得到了高质量的医学图像；提出了基于字典参数学习与机器学习的MR图像超分辨率算法，并构建了MR图像数据集；提出了应用于医学图像分割的并行紧凑型差分进化（pcDE）算法，获得了良好医学图像分割效果；提出了基于核稀疏的图像目标识别算法并进行分析和评估，实现了对图像进行有效地识别和分类；提出了基于核稀疏的图像匹配应用的验证，并进行了匹配算法的优化，构建了验证数据集，获得了良好的验证性能。.本项目按照计划书的研究目标，完成了全部研究内容，并达到了技术指标及成果指标的要求，依托项目发表论文31篇，组办国际会议3次，担任国际会议委员会主席，培养各类学生8人，其中培养毕业硕士生4人以及在读博士生4人。