کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
6939104 1449968 2018 17 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Joint medical image fusion, denoising and enhancement via discriminative low-rank sparse dictionaries learning
ترجمه فارسی عنوان
تلفیق، تشخیص و تقویت تصویری مشترک پزشکی از طریق یادگیری واژهنامههای ضعیف و ضعیف
کلمات کلیدی
ترجمه چکیده
ترکیب تصویر پزشکی در تشخیص پزشکی، درمان و سایر وظایف بینایی کامپیوتر مهم است. با این حال، اکثر رویکردهای در حال حاضر فرض می کنند که تصاویر منبع بدون سر و صدا هستند، که معمولا در عمل عمل نمی کند. کارایی روش های همجوشی سنتی به طور قابل توجهی کاهش می یابد زمانی که تصاویر با سر و صدا خراب می شوند. بنابراین لازم است یک روش همجوشی ایجاد شود که دقیقا اطلاعات دقیق را حتی زمانی که تصاویر خراب شده حفظ کند. با این حال، سرکوب سر و صدا و افزایش جزئیات بافت سخت برای رسیدن به طور همزمان سخت است. در این مقاله، ما یک ترکیب جدید پزشکی تصویر سازی، انحنای، و روش پیشرفت را براساس تجزیه و تفکیک مؤلفه های ضعیف و یادگیری فرهنگی توسعه می دهیم. به طور خاص، برای بهبود توانایی تبعیض آمیز لغت نامه های آموخته شده، اصطلاحات اصلاح ناپذیر و ضعیف را در مدل یادگیری فرهنگ لغات ترکیب می کنیم. علاوه بر این، در مدل تجزیه تصویر، ما یک نظریه هسته ای با وزن و محدودیت های جزئی را برای حذف نویز و حفظ جزئیات بافت به کار می بریم. در نهایت نتیجه تلف شده با ترکیب اجزاء پایین و مجزا از تصاویر منبع ترکیب شده ساخته می شود. نتایج تجربی نشان می دهد که روش پیشنهادی به طور مداوم از روش های موجود پیشرفته تر از نظر ارزیابی بصری و کمی استفاده می کند.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر چشم انداز کامپیوتر و تشخیص الگو
پیش نمایش مقاله
تلفیق، تشخیص و تقویت تصویری مشترک پزشکی از طریق یادگیری واژهنامههای ضعیف و ضعیف
چکیده انگلیسی
Medical image fusion is important in image-guided medical diagnostics, treatment, and other computer vision tasks. However, most current approaches assume that the source images are noise-free, which is not usually the case in practice. The performance of traditional fusion methods decreases significantly when images are corrupted with noise. It is therefore necessary to develop a fusion method that accurately preserves detailed information even when images are corrupted. However, suppressing noise and enhancing textural details are difficult to achieve simultaneously. In this paper, we develop a novel medical image fusion, denoising, and enhancement method based on low-rank sparse component decomposition and dictionary learning. Specifically, to improve the discriminative ability of the learned dictionaries, we incorporate low-rank and sparse regularization terms into the dictionary learning model. Furthermore, in the image decomposition model, we impose a weighted nuclear norm and sparse constraint on the sparse component to remove noise and preserve textural details. Finally, the fused result is constructed by combining the fused low-rank and sparse components of the source images. Experimental results demonstrate that the proposed method consistently outperforms existing state-of-the-art methods in terms of both visual and quantitative evaluations.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Pattern Recognition - Volume 79, July 2018, Pages 130-146
نویسندگان
, , , , ,