论文部分内容阅读
医学图像处理和应用,不仅可以充分利用现有医学影像设备,极大提高临床诊断水平,而且能够为基础医学的教学、培训、计算机辅助临床外科手术等提供电子化的实现手段,为医学研究和发展提供坚实基础。在医学治疗过程中,常常使用到Magnetic Resonance Imaging(MRI)来进行病灶区域的检测,MRI图像的清晰与否,对医生诊断的准确性有着直接的影响,由于MRI可应用于人体多个部位的多角度、多平面成像,因此可以更加客观更加具体地显示人体组织,对病灶部位有着更好地观察与诊断。对全身每一个系统疾病的分析诊断,尤其是早期肿瘤的发现以及治疗有着很大的价值。本文的研究工作包含以下几个方面:阐述了现有的图像超分辨率方式以图像分割方式,详细的介绍了极限学习机(Extreme Learning Machine,ELM)的内容以及其发展和应用。将极限学习机(Extreme Learning Machine,ELM)应用到核磁共振图像超分辨率当中,提出了一种基于稀疏表示与极限学习机相结合的新的单幅核磁图像超分辨率方法,通过建立高分辨率图像与低分辨率图像间的映射关系模型来实现图像的超分辨率重建。本文采用真实的脑核磁数据对算法进行试验,验证了该方法与一般的基于支持向量回归(Support Vector Regression,SVR)的方式相比,有着更快的训练速度以及更好的超分辨率效果。将极限学习机(Extreme Learning Machine,ELM)应用到核磁图像分割当中,与使用一般的极限学习机的方式不同的是,本文采用的是一种无监督的图像分割方法。将无监督极限学习机(Un-supervised Extreme Learning Machine,US-ELM)与基于空间邻域信息的模糊C均值方法结合起来,实现了无人工干预的无监督核磁图像分割。本文采用真实的脑核磁数据对算法进行试验,并对分割效果进行了分析,证明其具有较好的分割效果。总之,本文研究了基于极限学习机的单幅核磁图像超分辨率方法以及基于无监督极限学习机的图像超分辨率方法。这些方法描述了极限学习机在核磁图像上的应用,对于医学图像处理的发展有着一定的意义。