基于上下文量化方法的医学图像增强的关键技术研究

医学图像质量问题主要是由成像或图像重建过程中噪音引起的，现有的去噪方法大多都基于一个固定的噪声模型而设计的，无法彻底去除噪音，并且在图像去噪的时却又减弱了非常重要的图像中的弱边界或纹理，而这些图像细节或特征恰恰是一些疾病早期诊断的重要依据。为了解决这一问题，而本项目主要利用现代信息论中最前沿的理论和技术，研究出一套适用于混合噪声模型的的医学图像去噪的关键技术。本项目着重研究以下内容：研究一种基于混合噪声模型的处理方法：应用信息论中上下文量化(Context Quantization)技术将复杂的混合噪声模型转换成回归分析问题，设计基于上下文的自适应滤波器；为进一步解决滤波器的参数有偏估计问题，应用自适应核（kernel）回归分析设计具有高鲁棒性的滤波器；结合基于上下文的自适应滤波器技术和面向人类视觉的图像增强方法，研究一个有效的多尺度医学图像增强算法系统，对该医学图像增强技术进行系统评估。

医学图像质量问题主要是由成像或图像重建过程中噪音引起的，研究一种适用于大多数医学影像设备的通用图像增强技术具有重要的临床意义，直接关系到医生阅片所需的图像质量。本项目主要应用信息论中上下文量化(Context Quantization)技术，对图像去噪和纹理增强等问题进行了理论分析和软件仿真，研究出了一套适用于混合噪声模型的的医学图像去噪的关键技术。本项目着重研究了以下内容：建立了一个医学图像数据库；应用信息论中上下文量化技术将复杂的混合噪声模型转换成回归分析问题，设计基于上下文的自适应滤波器；为进一步解决滤波器的参数有偏估计问题，应用自适应核（Kernel）回归分析设计具有高鲁棒性的滤波器；结合基于上下文的自适应滤波器技术和面向人类视觉的图像增强方法，研究一个有效的多尺度医学图像增强算法系统，对该医学图像增强技术进行系统评估。研究发现基于上下文量化的多尺度医学图像增强技术能有效地提高医学图像质量。