Resumen

Los métodos tradicionales de fusión de imágenes médicas, como los famosos métodos basados en la descomposición multiescala, suelen adolecer de malas representaciones dispersas de las características destacadas y de la escasa capacidad de las reglas de fusión para transferir la información de las características capturadas. Para solucionar este problema, se propone un método de fusión de imágenes médicas basado en el descriptor SIFT (scale invariant feature transformation) y la CNN (deep convolutional neural network) en el dominio SIST (shift-invariant shearlet transform). En primer lugar, las imágenes que se van a fusionar se descomponen en los coeficientes de paso alto y paso bajo. A continuación, la fusión de los componentes de paso alto se implementa bajo la regla basada en el modelo CNN preentrenado, que consta principalmente de cuatro pasos: detección de características, segmentación inicial, verificación de coherencia y fusión final; la fusión de las subbandas de paso bajo se basa en el grado de coincidencia calculado por el descriptor SIFT para capturar las características de los componentes de baja frecuencia. Por último, los resultados de la fusión se obtienen mediante la inversión del SIST. Tomando como medidas objetivas la desviación típica estándar, el QAB/F, la entropía y la información mutua, los resultados experimentales demuestran que el método propuesto puede preservar bien la información detallada sin artefactos ni distorsiones, así como obtener un mejor rendimiento cuantitativo.

• Materias:Insuficiencia cardíaca Plataforma de servicios Filtro de orden óptimo Características clínicas Osteoporosis
• Subjects:Heart failure Platform services Optimal order filtering Clinical features Osteoporosis
• Palabras claves:red neuronal convolucional profunda, método de fusión de imágenes médicas, métodos tradicionales de fusión de imágenes médicas, malas representaciones dispersas, mejor rendimiento cuantitativo, transformación invariante de características, transformada shearlet invariante, componentes de baja frecuencia, desviación típica estándar, SIST
• Keywords:deep convolutional neural network, medical image fusion method, traditional medical image fusion methods, bad sparse representations, better quantitative performance, invariant feature transformation, invariant shearlet transform, low frequency components, typical standard deviation, SIST