基于張量分解的腦部圖像病變識別算法研究.pdf

1、隨著現(xiàn)代計算機技術的迅猛發(fā)展，人們對于醫(yī)學圖像的研究已經(jīng)進入計算機輔助檢測和診斷階段，這些先進的醫(yī)療設備和技術已經(jīng)成為腦腫瘤、阿爾茨海默病、帕金森病及其它精神疾病檢測的重要工具。醫(yī)生通過結合影像學技術和圖像處理等技術對腦部圖像進行識別與分析，能夠提高腦部疾病診斷的準確率和可靠性，在臨床應用中具有十分重要的參考價值。
　　大多數(shù)圖像一般都具有天然的張量結構，或者可以被組織成張量結構，醫(yī)學圖像也不例外。張量結構具有很強的計算特性和表達

2、能力，可以用來表示標量、向量和其它張量之間的線性關系，將圖像轉(zhuǎn)化成張量的形式，能夠很好的維持高維空間數(shù)據(jù)的本征結構信息，為高維數(shù)據(jù)的分析提供依據(jù)。本文結合張量本身的結構特征，利用可以用張量構成圖像序列的特性，結合張量分解算法和醫(yī)學圖像處理方法，提出了基于傅里葉—高階奇異值分解和基于小波—高階奇異值分解的腦部圖像病變識別算法，分別將這兩種算法用于識別腦腫瘤圖像，并對仿真實驗結果進行了驗證與分析。主要工作如下：
　　（1）首先概述了現(xiàn)

3、代醫(yī)學圖像處理技術的研究現(xiàn)狀，通過分析比較發(fā)現(xiàn)，現(xiàn)代醫(yī)學圖像處理方法針對腦部圖像的實驗結果并不理想。本文結合腦部圖像本身特點以及張量分解算法的理論研究，將張量分解算法應用于腦部圖像處理，具有十分重要的研究價值。
　?。?）提出了基于傅里葉—高階奇異值分解的腦部圖像病變識別算法。該算法將傅里葉變換與高階奇異值分解算法相結合，在計算奇異值之前，先進行傅里葉變換，與傳統(tǒng)的高階奇異值分解相比，在處理平穩(wěn)信號時，具有良好的特性。而且該算法在

4、計算時不需要重復選擇最小開方運算，由于該算法由數(shù)據(jù)驅(qū)動，不需要選擇參數(shù)或者設定閾值就能夠?qū)⒛X腫瘤圖像多維數(shù)據(jù)組中的特征提取出來，實現(xiàn)了多站點提取腦腫瘤圖像特征，能夠快速、準確的識別出健康和病變的腦部圖像。
　?。?）提出了基于小波—高階奇異值分解的腦部圖像病變識別算法。該算法將小波變換與高階奇異值分解算法相結合，在計算奇異值之前，先進行小波變換，與基于傅里葉—高階奇異值分解的腦部圖像病變識別算法相比，該算法能夠處理非平穩(wěn)信號，解決