题目：脑医学图像分割与融合方法研究

以“了解脑、保护脑、创造脑”为目的的脑科学研究是世界各国普遍重视的热点研究领域。由于人脑内部结构在直接视觉上具有不可见性，CT、MRI等医学影像设备便成为脑科学研究的主要辅助手段，脑医学图像处理也就成为脑科学研究中的一个重要研究方向。脑医学图像的分割与融合作为图像处理的研究基础，不仅能为医务人员提供更为完整准确的诊疗信息，而且便于进行进一步的图像压缩、三维绘制等后续处理。本文在对脑医学图像分割与融合研究现状分析的基础之上，围绕基于多图谱的图像分割和基于脉冲耦合神经网络的图像融合两大研究主题，展开了以下研究。

（1）基于最简集的图谱库约简

基于图谱的分割是脑医学图像分割的一种特有分割方法。它将分割看作是配准过程，不仅能够在分割的同时完成对分割组织的标注，而且能够对具有相同像素和纹理的不同脑组织进行较为准确地分割。在实际应用中，为了提高图谱分割的准确率，通常选用多个图谱用于分割，从而使得分割的计算复杂度随图谱数量呈线性增长，效率低下；而且，用于分割的图谱不一定相互独立，可能存在相关性，产生分割误差。针对这些问题，本文提出了一种可预处理的图谱库约简方法——基于最简集的图谱库约简。它通过构建图谱库最小简约集（MinRAD，简称最简集）降低分割所用图谱规模，减少图谱间的相关性，提高脑医学图像的分割效率和分割精度。实验结果表明，当相关性误差存在时，基于最简集的图谱分割可以有效降低图谱使用数量，提高分割精度。

（2）高鲁棒性的m-IPCNN融合模型

传统的脉冲耦合神经网络（Pulse Coupled Neural Network，PCNN）是单通道输入的神经网络模型，它用于图像融合时不仅需要与多分辨率分析相结合，而且需要多个PCNN模型，融合模型复杂，不适用于大数据量的脑医学图像融合。2008年，Wang和Ma对PCNN的输入通道进行扩展，提出了可单独用于医学图像融合的多通道PCNN融合模型——m-PCNN，它简化了PCNN融合模型，提高了融合速度，而且对图像的灰度信息具有较好的融合效果。但另一方面，该模型鲁棒性差，参数缺少自适应性，对源图像的边缘细节保持度低。针对m-PCNN的这些问题，本文提出了一种改进型多通道PCNN融合模型——m-IPCNN，并给出了模型主要参数——连接强度和加权因子的自适应计算模型，提高了多通道PCNN融合模型的鲁棒性和自适应性。实验结果表明，与m-PCNN相比，m-IPCNN不仅具有高鲁棒性和自适应性，而且对源图像的边缘特征具有较高的保留度。

（3）双层混合PCNN融合模型——CPCNN

多通道PCNN融合中加权因子的计算类似于多分辨率分析融合中融合图像系数的选择。鉴于单通道PCNN在多分辨率分析融合模型中的良好性能，本文将其用于多通道PCNN融合模型中加权因子的计算，提出了一种双层结构的级联PCNN融合模型（Cascade PCNN，CPCNN）。CPCNN是一个单/多通道PCNN混合的双层神经网络。它的第一层是多个单通道PCNN模型和一个加权因子计算模型，输出是第二层多通道PCNN中的模型参数；CPCNN的第二层是一个多通道PCNN模型，根据上一层得到的模型参数完成对源图像的融合。CPCNN模型融合了单通道PCNN和多通道PCNN在特征提取和信息融合上的优势，提升了PCNN融合模型的完整性和灵活性。

（4）适用于医学图像融合的m+-MSF-CPCNN模型

CPCNN的双层结构使得它易于进行多种结构扩展，如基于特征图激励的单通道PCNN扩展、基于附加通道（m+通道）的多通道PCNN扩展。单通道PCNN的融合模型中， MSF（Modified Spatial Frequency）激励的PCNN最适用于多模态医学图像融合；而且，Wang和Ma的实验结果表明，多模态医学图像融合中，源图像的均值图像包含了较多的融合信息，可作为附加通道参与信息融合。因此，本文提出了一种适用于医学图像融合的m+-MSF-CPCNN模型，并给出了该模型的数学模型和融合算法。实验结果表明，各源图像的均值图像作为附加通道的引入使得m+-MSF-CPCNN特别适用于多模态医学图像融合，能够保留更多的源图像信息，便于实现两个以上图像的同时融合。