Resumen

Este artículo propone un marco de fusión de imágenes médicas perceptivas basado en el análisis de componentes morfológicas que combina la esparcidad convolucional y la red neural de pulsos acoplados, llamado MCA-CS-PCNN en resumen. Las imágenes fuente se descomponen primero en componentes de caricatura y componentes de textura mediante el análisis de componentes morfológicas, y se produce una representación esparcida convolucional de las capas de caricatura y las capas de textura mediante diccionarios preaprendidos. Luego, la esparcidad convolucional se utiliza como estímulo para motivar al PCNN para tratar con las capas de caricatura y las capas de textura. Finalmente, la imagen fusionada médica se calcula mediante la combinación de las capas de caricatura fusionadas y las capas de textura. Los resultados experimentales verifican que el modelo MCA-CS-PCNN es superior a la estrategia de fusión de vanguardia.

• Materias:Colonias de abejas artificiales Inteligencia artificial Patrón espacial Innovación de la comunicación Algoritmo de red neuronal
• Subjects:Artificial bee colonies Artificial intelligence Spatial pattern Communication innovation Neural network algorithm
• Palabras claves:Propone; Perceptual; Fusión de imágenes médicas; Marco de trabajo; Análisis de componentes morfológicos; Esparsidad convolucional
• Keywords:Proposes; Perceptual; Medical image fusion; Framework; Morphological component analysis; Convolutional sparsity