基于非参数密度模型和粗糙集的多模态医学图像处理关键技术研究

The project explores the multimodal medical image processing methods based on the rough sets and non-parametric density models to meet the actual demand of image processing in medical aided diagnosis by the background of the application of density estimation theory for clinical medical image processing and the breakthrough point of improving the quality of multimodality medical image fusion and segmentation. The method of image fusion and segmentation for multimodality medical image are proposed based on the non-parametric orthogonal polynomial density estimation model and rough sets according to the statistics, medical imaging, computer science and the other correlation theories. We construct the non-parametric orthogonal polynomial density model based on the interval-valued neighborhood systems of multimodality medical image with the theory of rough sets and angle cosine orthogonal polynomial. Univariate orthogonal polynomial is extended to the multivariate orthogonal polynomial using the theory of separation of variables in partial differential equations and the theory of tensor products. And the non-parametric mixture density model of multimodality medical image is constructed based on the multivariate orthogonal polynomial. The nonparametric monotonic constrained optimization EM algorithm and Markov Chain Monte Carlo(MCMC) method are used to carry out the multi-modality meical image fusion of the mixture models parameters, which are applied to find the local extremum points by multimodal optimization algorithm and accomplish the multimodality medical image segmentation. The project will investigate the key issues of multimodality medical image density models, rough sets, multimodal optimization algorithm and hybrid parameter estimation models.

本项目旨在以密度估计理论在临床医学图像处理中的应用为基本背景，以提高多模态医学图像融合和分割的质量为切入点，探索基于粗糙集及非参数密度模型的多模态医学图像处理方法，以满足医疗辅助诊断中对图像处理的实际需求。基于统计学、医学影像学、计算机科学等学科的相关理论，提出一种基于粗糙集及非参数正交多项式密度模型的多模态医学图像融合和分割方法。从粗糙集和正交多项式理论入手，构建基于区间值信息系统的多模态医学图像非参数正交多项式邻域粗集模型，通过偏微分方程中的分离变量法和张量积理论，构建基于粗糙集理论的多模态医学图像非参数混合密度模型；通过非参数单调约束最优化EM算法及MCMC方法对模型参数估计实现多模态医学图像融合,根据构建模型采用多峰寻优算法寻找局部极值点实现多模态融合图像分割。对基于多模态医学图像的密度模型、粗糙集理论、多峰寻优算法和混合模型参数估计方法等部分关键问题展开研究。

针对复杂医学图像在计算机辅助诊断中的需求，本项目进行了多模态医学图像的分割和融合相关算法的研究。研究了基于粗糙集及非参数正交多项式密度估计理论，构建了基于区间值的医学图像非参数正交多项式密度邻域粗集模型；提出了基于粗糙集和正交多项式的医学图像分割方法，此方法有效克服“模型失配”问题，而且有力抑制噪声点，同时很好保留边界的特性。在非参数正交多项式密度模型基础上，改进了PSO算法寻找多峰局部最优值，提出了基于PSO和正交多项式密度模型的医学图像分割，可以得到较高精度的分割结果，尤其是对主要器官如脾脏、肾脏分割效果特别明显，而且减少了周围组织的影响。提出了基于尺度空间理论和EM算法的脑部MRI分割算法，根据尺度空间理论获得最佳聚类数，在脑部MRI图像分割实验中，能分割出相对更加精准与可靠的组织，具有很好的鲁棒性和适用性。提出了一种充分考虑邻域信息、区间性质等特性的医学图像聚类方法，从而有效解决医学图像噪声数据偏态性及不含噪声医学图像数据的对称性矛盾，显著提高抗噪能力，使聚类处理后的图像更接近于每个对象的客观、真实情况，为医疗诊断提供更为精准的图像依据。提出了基于空间变换和多分辨率的密度模型的医学图像融合方法，该方法相比于其他的融合方法，融合后图像具有信息量丰富、清晰度高等优点。通过研究医学图像分割和融合相关算法，为诊断医学、手术规划、放射治疗规划及生物医学图像处理等研究积累理论和实践基础。