ترکیب تصویر پزشکی سنسور چند مودال
ترجمه نشده

ترکیب تصویر پزشکی سنسور چند مودال

عنوان فارسی مقاله: ترکیب تصویر پزشکی سنسور چند مودال بر اساس ویژگی های برجسته چندگانه با فیلتر تصویر هدایت شده
عنوان انگلیسی مقاله: Multi-Modal Sensor Medical Image Fusion Based on Multiple Salient Features With Guided Image Filter
مجله/کنفرانس: دسترسی – IEEE Access
رشته های تحصیلی مرتبط: مهندسی پزشکی، مهندسی کامپیوتر
گرایش های تحصیلی مرتبط: پردازش تصاویر پزشکی، مهندسی الگوریتم و محاسبات
کلمات کلیدی فارسی: برجستگی باقی مانده طیفی، برجستگی بصری مبتنی بر نمودار، ترکیب تصویربرداری رزونانس مغناطیسی (MRI) و توموگرافی گسیل پوزیترون (PET)، ترکیب تصویربرداری رزونانس مغناطیسی (MRI) و توموگرافی کامپیوتری انتشار تک فوتون (SPECT)
کلمات کلیدی انگلیسی: Spectral residual saliency, graph-based visual saliency, MRI-PET fusion, MRI-SPECT fusion
نوع نگارش مقاله: مقاله پژوهشی (Research Article)
نمایه: Scopus – Master Journals List – JCR
شناسه دیجیتال (DOI): https://doi.org/10.1109/ACCESS.2019.2953786
دانشگاه: Chongqing Key Laboratory of Image Cognition, Chongqing University of Posts and Telecommunications, Chongqing 400065, China
ناشر: آی تریپل ای - IEEE
نوع ارائه مقاله: ژورنال
نوع مقاله: ISI
سال انتشار مقاله: 2019
ایمپکت فاکتور: 4.641 در سال 2018
شاخص H_index: 56 در سال 2019
شاخص SJR: 0.609 در سال 2018
شناسه ISSN: 2169-3536
شاخص Quartile (چارک): Q2 در سال 2018
فرمت مقاله انگلیسی: PDF
تعداد صفحات مقاله انگلیسی: 15
وضعیت ترجمه: ترجمه نشده است
قیمت مقاله انگلیسی: رایگان
آیا این مقاله بیس است: خیر
آیا این مقاله مدل مفهومی دارد: ندارد
آیا این مقاله پرسشنامه دارد: ندارد
آیا این مقاله متغیر دارد: ندارد
کد محصول: E14078
رفرنس: دارای رفرنس در داخل متن و انتهای مقاله
فهرست انگلیسی مطالب

Abstract


I. Introduction


II. Related Work


III. Materials


IV. Algorithm of Image Fusion


V. Experiments and Results


Authors


Figures


References

نمونه متن انگلیسی مقاله

Abstract


In this paper, we propose an efficient image fusion algorithm using multiple salient features with guided image filter to prevent the problem of low contrast detail. First, we employ the guided image filter to decompose the input images into a series of smoothed and detailed images at different scales. Second, the salient features are extracted from the decomposed smoothed images and detailed images using two different algorithms: the spectral residual (SR) algorithm for extracting mainframe information and the graphbased visual saliency (GBVS) model for extracting gradient saliency information to construct the fusion rules. In addition, generalized intensity-hue-saturation (GIHS) is adopted to combine the decomposition coefficients. Finally, the fused image is reconstructed by the fused smoothed and fused detailed images. The experimental results demonstrate that the proposed algorithm can achieve better performance than other fusion methods in the domains of MRI-PET and MRI-SPECT fusion.


Introduction


With the development of medical imaging technology, modern medical imaging provides multiple diagnostic images for clinical diagnosis, such as computed tomography (CT), magnetic resonance imaging (MRI), positron emission tomography (PET), and single-photon emission computed tomography (SPECT) images. They focus on various aspects to provide information. CT and MRI images are anatomical images with a high spatial resolution that provide body contours and soft tissue information. PET and SPECT images are functional images with lower spatial resolution that contain color information that reflects the body’s metabolic level. To overcome the limitations of single medical image information expression and to provide more comprehensive and complementary information for medical diagnosis and treatment, multimodal medical image fusion has been proposed. Multimodal medical image fusion obtains a single fused image in terms of human visual perception to increase the clinical applicability of medical images for the diagnosis and assessment of medical problems [1]. Brain diseases have a high incidence and present a high risk to people’s lives. To provide additional auxiliary information for such diseases, this paper focuses on the fusion of anatomical images and functional images of brain diseases.

  • اشتراک گذاری در

دیدگاه خود را بنویسید:

تاکنون دیدگاهی برای این نوشته ارسال نشده است

ترکیب تصویر پزشکی سنسور چند مودال
نوشته های مرتبط
مقالات جدید
لوگوی رسانه های برخط

logo-samandehi

پیوندها