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
دانلود مقاله + سفارش ترجمه
دانلود مقاله ISI انگلیسی
رایگان برای ایرانیان
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
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
Journal: Pattern Recognition - Volume 79, July 2018, Pages 130-146
نویسندگان
Huafeng Li, Xiaoge He, Dapeng Tao, Yuanyan Tang, Ruxin Wang,