【MRI PET图像融合】基于深度学习CNN的MRI PET图像融合附matlab代码

最新推荐文章于 2025-12-01 12:00:22 发布

原创最新推荐文章于 2025-12-01 12:00:22 发布 · 1.3k 阅读

22 ·

CC 4.0 BY-SA版权

文章标签：

#深度学习 #cnn #matlab

图像处理专栏收录该内容

871 篇文章

订阅专栏

本文介绍了一种利用深度学习卷积神经网络进行MRI和PET图像融合的方法，通过预处理、特征提取和融合，提高医学诊断的准确性。作者提供了Matlab代码示例，展示了在实际应用中的潜力。

✅作者简介：热爱科研的Matlab仿真开发者，修心和技术同步精进，代码获取、论文复现及科研仿真合作可私信。

🍎个人主页：Matlab科研工作室

🍊个人信条：格物致知。

更多Matlab完整代码及仿真定制内容点击👇

智能优化算法神经网络预测雷达通信无线传感器电力系统

信号处理图像处理路径规划元胞自动机无人机

🔥 内容介绍

摘要

磁共振成像 (MRI) 和正电子发射断层扫描 (PET) 是两种医学成像技术，它们可以提供人体不同方面的补充信息。MRI 提供详细的解剖信息，而 PET 提供功能信息。将 MRI 和 PET 图像融合可以提供更全面的信息，从而提高疾病诊断和治疗的准确性。

深度学习卷积神经网络 (CNN) 已被证明在图像融合任务中非常有效。本文介绍了使用深度学习 CNN 进行 MRI 和 PET 图像融合的方法。

方法

所提出的方法包括以下步骤：

**预处理：**对 MRI 和 PET 图像进行预处理，包括图像配准、归一化和增强。
**特征提取：**使用预训练的 CNN 从 MRI 和 PET 图像中提取特征。
**特征融合：**将提取的特征融合在一起，创建融合特征图。
**图像重建：**使用融合特征图重建融合图像。

讨论

所提出的方法提供了一种有效且准确的 MRI 和 PET 图像融合方法。融合图像提供了 MRI 和 PET 图像的互补信息，从而提高了疾病诊断和治疗的准确性。

结论

深度学习 CNN 在 MRI 和 PET 图像融合中显示出巨大的潜力。所提出的方法提供了一种有效且准确的融合方法，可以提高疾病诊断和治疗的准确性。

📣 部分代码

clc;clear;close all;%dataFolder = '/MATLAB Drive/HW/datasetnii_MRI';dataFolder = './datasetnii_CT';imds = imageDatastore(dataFolder, 'IncludeSubfolders', true, 'LabelSource' ...    , 'foldernames',...    'FileExtensions', '.nii',...    'ReadFcn', @(x)script6_niftiReadCustomized(x));% verisetindeki imageların boyutuna baktıkI = readimage(imds, 5);size(I)figurefor i = 1:2    A = niftiread(imds.Files{i});    subplot(1,2,i);    imagesc(A(:,:,45));    drawnow;endnumTrainingFiles = 3;[imdsTrain,imdsTest] = splitEachLabel(imds,numTrainingFiles,'randomize');%crossvalidation .....layers = [ ...    imageInputLayer([79 95 1])    % derinlik sayısı bu örnekte 1    convolution2dLayer(5,20)  % 5 filter size, 20 number of filters    reluLayer                 % ReLU katmanı ile bir önceki convoltuion sonucunda x<0 olan degerler 0 a eşitlenir.     maxPooling2dLayer(2,'Stride',2)%  creates a max pooling layer with pool size [2 2] and stride [2 2]                                   %  bu işlem sonucunda 14x14 lük 20 adet image a dönüşür     % conv-relu-pool tekrarlayarak derinlik sayısını arttırabilirsiniz    %convolution2dLayer(5,20)     %reluLayer     %maxPooling2dLayer(2,'Stride',2)     %     fullyConnectedLayer(2)     % verisetindeki sınıf sayısı 10 olduğu için 10 olacak.                                % tumor var-yok  buradaki sayı 2 olacak     softmaxLayer                %  son katmanın değerini 0-1 arasına normalize etmek için kullanılan fonksiyon    classificationLayer];      % computes the cross-entropy loss for classification .. threshold belirleyerek                               % 0-1 aralığındaki sayılardan kaça kadar                               % olanı tumor var, kaça kadar olanı tümor                               % yok anlamına geldiginiz belirliyor%sgdm optimizer algoritmasının adı.. diger algoritmaları da%deneyebilirsiniz. adam, rmsprop, lbfgsoptions = trainingOptions('sgdm', ...    'MaxEpochs',20,...    'InitialLearnRate',1e-4, ...    'Verbose',false, ...    'Plots','training-progress');net = trainNetwork(imdsTrain,layers,options);   % verisetine uygun trainingi başlatır.YPred = classify(net,imdsTest);YTest = imdsTest.Labels;figure;cm = confusionchart(YTest,YPred,'RowSummary','row-normalized','ColumnSummary','column-normalized');%https://en.wikipedia.org/wiki/Sensitivity_and_specificityaccuracy = sum(YPred == YTest)/numel(YTest)analyzeNetwork(net);% fc layerdaki 2880 lik flatten edilmiş array lazımlayer = 2;name = net.Layers(layer).Namechannels = 1:20;I = deepDreamImage(net,name,channels, ...    'PyramidLevels',1);figureI = imtile(I,'ThumbnailSize',[64 64]);imshow(I)title(['Layer ',name,' Features'],'Interpreter','none')% belirli bir image için fully connected layer çıktısı% https://www.mathworks.com/help/deeplearning/ug/classify-videos-using-deep-learning.htmlname = net.Layers(5).Name; featureSet = activations(net,imdsTrain,net.Layers(4).Name,'OutputAs','columns');% 33300 x6 ... 6 adet veri için 33300'lik array featureset olsu% MRI veri seti ile eğitiğiniz model için MRI veri setinin bu şekilde% flatten array dataset'ini alacaksınız.% PET veri seti ile eğiteceğiniz ikinci bir model PET veri setinin flatten% array datasetini alacaksınız.% image-fusion : post-fusion (bu örnek post fusuion.. ayrı ayrı eğitip sonra birleştirir), pre-fusion (önce görüntüleri birleştirir ve tek image dataset ile tek model eğitir)% iki array nasıl birleştirir: 2880 + 2880 = değerleri toplayıp 2880 yeni% array oluşturursunuz ve ya uc uca ekleyip 5760 lık bir array% oluşturursunuz.