資源描述：
《基于Fuzzy-RBFNN的多模醫(yī)學(xué)圖像融合方法研究》由會(huì)員上傳分享，免費(fèi)在線閱讀，更多相關(guān)內(nèi)容在學(xué)術(shù)論文-天天文庫(kù)。
1、基于Fuzzy—RBFNN的多模醫(yī)學(xué)圖像融合方法研究朱正平，等基于Fuzzy-RBFNN的多模醫(yī)學(xué)圖像融合方法研究·朱正平，孫傳慶，王秀麗，王陽(yáng)萍。(蘭州城市學(xué)院信息工程學(xué)院蘭州，730070)(蘭州交通大學(xué)電子與信息工程學(xué)院蘭州，730070)摘要：文中將模糊推理理論與徑向基神經(jīng)網(wǎng)絡(luò)相結(jié)合構(gòu)造了一個(gè)基于模糊推理的徑向基神經(jīng)網(wǎng)絡(luò)(FuzzY—RBFNN)應(yīng)用于多模醫(yī)學(xué)圖像融合，并應(yīng)用遺傳算法訓(xùn)練網(wǎng)絡(luò)獲得網(wǎng)絡(luò)參數(shù)，可自適應(yīng)地完成多模醫(yī)學(xué)圖像融合。通過(guò)與基于梯度的金字塔融合方法的實(shí)驗(yàn)比較，證明了算法的有效性與可行性。關(guān)鍵詞：多模醫(yī)學(xué)圖像融合；模糊推理；徑
2、向基神經(jīng)網(wǎng)絡(luò)；遺傳算法Abstract：Thepaperputsforwardanewmethodformultimodalmedicalil瑾I罷9efusion,fl~tfuzzyradibasisfunctionneuralnetworks(Fuzzy-RBFNN)isusedtoperformauto-adaptiveimagcfusion．Globalgeneticalgorithn~GA)isemployedtotrainnetworkstoobtaintheparamet~ofthenetwork．ExperimenUdresultss
3、how，comparingwidagradientpyramid~aagefusionmethod．theIroVo~approachisIImexcellentformultimodalmedical’m1ages,especiaUyforblurrysourceimag~．Keywords：Multimodalmedicalimagefusion；Fuzzyinference；Radialbasisfunctionneuralnetworks；Genc~algon~_m中圖分類號(hào)：TP2391文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：1001-9227(2009)
4、03-0078-030引言1模糊徑向基神經(jīng)網(wǎng)絡(luò)(Fuzzy—RBFNN)模型多模醫(yī)學(xué)圖像融合是將兩幅(或兩幅以上)來(lái)自不同1．1模糊推理系統(tǒng)成像設(shè)備的醫(yī)學(xué)圖像，采用某種算法將各個(gè)圖像的優(yōu)點(diǎn)通常有兩種類型的模糊推理系統(tǒng)，Mamdami模型和T—或互補(bǔ)性有機(jī)結(jié)合起來(lái)以獲得信息量更豐富的圖像¨。S模型。與Mamdami模型相比，T—S模型的輸入?yún)?shù)為模糊例如，病人CT圖像能清晰顯示骨組織信息，但對(duì)軟組織數(shù)據(jù)而輸出參數(shù)是精確的數(shù)據(jù)，這樣免去了去模糊過(guò)尤其是浸潤(rùn)性腫瘤無(wú)法正確顯示邊界；而核磁共振圖像程，同時(shí)RBFNN與T—S模型具有功能等價(jià)性，因此本論文(MR
5、I)對(duì)軟組織尤其是浸潤(rùn)性腫瘤比較敏感，圖像邊界采用基于T-S模型的fuzzy—RBFNN。清晰，有利于病灶范圍的確定，但卻對(duì)骨組織信息不敏T—S模型的第k條模糊規(guī)則可用(1)式表示：感。融合病人的CT圖像與MRI圖像，使兩者的優(yōu)勢(shì)相結(jié)／s41and··／s，thenZE=，‘‘)(1)合，可使各種組織具有較強(qiáng)的邊界特征。隨著醫(yī)學(xué)治療其中，4一，表示模糊前件，而f(x，?，)是后技術(shù)的發(fā)展，多模醫(yī)學(xué)圖像融合在醫(yī)療診斷、腫瘤組織件中的精確函數(shù)。通常f(x”，Xn)是輸入變量，?，分析以及治療計(jì)劃制定等方面扮演著越來(lái)越重要的角的線性組合，即：色。Z=(xl
6、，?，)=ak]xl+?+口+％+1(2)近年來(lái)，大量的醫(yī)學(xué)圖像融合算法被提出并被成功~,IJT—S系統(tǒng)對(duì)每條規(guī)則進(jìn)行加權(quán)平均，最終的輸出地應(yīng)用于某種特定的醫(yī)學(xué)圖像類型中。但是，目前在可用(3)式計(jì)算：醫(yī)學(xué)圖像融合技術(shù)中仍存在著一個(gè)難點(diǎn)問(wèn)題，就是許多醫(yī)學(xué)圖像因?yàn)橐韵聝牲c(diǎn)原因是模糊的，一是噪聲模糊了缶}一1’(＼3U)，一圖像邊緣的高頻信號(hào)，另一個(gè)原因是浸潤(rùn)性腫瘤組織與∑健康組織問(wèn)的邊緣模糊。本論文將模糊推理理論與徑向k=l基神經(jīng)網(wǎng)絡(luò)(RBFNN)相結(jié)合應(yīng)用于多模醫(yī)學(xué)圖像融合，其中，w為權(quán)值參數(shù)。利用遺傳算法訓(xùn)練網(wǎng)絡(luò)獲得網(wǎng)絡(luò)參數(shù)，可自適應(yīng)地完成1．2基
7、于T-S模糊推理的RBFNN模型圖像融合，實(shí)驗(yàn)證明了算法的有效性與可行性。RBFNN的一個(gè)顯著特點(diǎn)是它與T—S模型具有函數(shù)等價(jià)性。基于這種思想，本文設(shè)計(jì)了實(shí)現(xiàn)多模醫(yī)學(xué)圖像融合收稿日期：2009—0卜15作者簡(jiǎn)介：朱正平(1966一)，男，副教授，主要研究方向?yàn)橹堑腞BF模糊神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，下面給出本文建立的基于模糊能信息處理及圖像處理。推理的Fuzzy—RBFNN模型。RBFNN是一種具有一個(gè)輸入層、·本文受甘肅省科技攻關(guān)計(jì)劃項(xiàng)目(0708GKCA047)和甘肅省自然科學(xué)基金項(xiàng)目(0803RJzA015)資助。一個(gè)隱含層以及一個(gè)輸出層的前饋網(wǎng)絡(luò)結(jié)構(gòu)1．
8、5(如圖l78《自動(dòng)化與儀器儀表》2009年第3期(總第143期)所示)，其輸出為網(wǎng)絡(luò)的第四層為輸出層，對(duì)每
