基于Lie群表示的保体积2D-3D点集配准算法

2D-3D点集配准的目标是寻找三维原始点集与二维目标投影点集之间的对应关系和最优变换.为了给出配准问题的解析解,避免投影引起的体积退化,提出基于Lie群表示的保体积2D-3D点集配准算法.首先,考虑投影矩阵和旋转矩阵的非交换性,引入Lie群表示,将配准问题形式化为一个Lie群优化问题.利用局部线性化方法,将Lie群优化问题转化为一个可计算的二次规划问题.其次,为了避免体积退化,考虑约束变换后的三维点集的投影与二维目标点集的投影具有相同的体积.为便于计算,引入Jensen-Bregman LogDet散度作为保体积正则项,将计算点集的体积差异转化为计算协方差矩阵之间的差异.然后,通过交替求解对应关系和最优变换,形成完整且可解的迭代策略.最后,在两个经典数据集上进行对比实验和消融实验,验证了该算法的精确性和有效性.

含各向异性尺度形变数据集匹配问题的Lie群方法

通过分析含各向异性尺度形变的数据集匹配问题,将尺度约束引入模型,再结合迭代最近点(Iterative closest point,ICP)方法的一般过程,将含各向异性尺度形变的数据集匹配问题描述为Lie群约束优化问题.通过Lie群的局部参数化和局部线性化方法,将带尺度上下界约束的Lie群约束优化问题转化为一系列的二次规划问题,最终形成了一个完整的匹配迭代算.该方法不仅具有传统ICP方法的快速准确的特点,而且还能够处理存在大尺度形变的数据集匹配问题.由于对尺度参数进行约束,因此比传统方法有更好的鲁棒性.最后,为确保匹配的全局性,给出了一套初始变换的选择方案.

基于深度学习的医学影像配准综述

图像配准是医学影像处理与智能分析领域中的重要环节和关键技术.传统的图像配准算法由于复杂性较高、计算代价较大等问题,无法实现配准的实时性要求.随着深度学习方法的发展,基于学习的图像配准方法也取得显著效果.文中系统总结基于深度学习的医学图像配准方法.具体地,将方法归为3类:监督学习,无监督学习和对偶监督/弱监督学习.在此基础上,分析和讨论各自优缺点.进一步,着重讨论近年来提出的正则化方法,特别是基于微分同胚表示的正则和基于多尺度的正则.最后,根据当前医学图像配准方法的发展趋势,展望基于深度学习的医学图像配准方法.

求解图像分割CV模型的BB算法

给出图像分割的一种新算法——BB算法.该方法的优点在于利用迭代过程中当前点和前一点的信息确定搜索步长,从而更有效地搜索最优解.为此,首先通过变分水平集方法将CV模型转化为最优化问题;其次,将BB算法引入该优化问题进行求解;然后,对BB算法进行收敛性分析,为该算法应用在CV模型中提供了理论依据;最后将该方法与已有的最速下降法、共轭梯度法的分割结果进行比较.结果表明,跟其他两种方法相比,BB算法在保证较好分割效果的前提下,提高了算法的速度和性能.

Chan-Vese模型的共轭梯度算法

随着图像采集设备的发展和对图像分辨率要求的提高,人们对图像处理算法在收敛速度和鲁棒性方面提出了更高的要求.从优化的角度对Chan-Vese模型进行算法上的改进,即将共轭梯度法应用到该模型中,使得新算法有更快的收敛速度.首先,简单介绍了Chan-Vese模型的变分水平集方法的理论框架;其次,将共轭梯度算法引入到该模型的求解,得到了模型的新的数值解方法;最后,将得到的算法与传统求解Chan-Vese模型的最速下降法进行了比较.数值实验表明,提出的共轭梯度算法在保持精度的前提下有更快的收敛速度.

测地线活动轮廓模型的图像分割快速算法

从最优化理论的角度来看,目前求解图像分割的测地线活动轮廓(geodesic active contour,GAC)模型大多采用固定步长的最速下降算法.而众所周知,该算法收敛速度较慢,这在能量泛函的梯度较小时尤为明显.对求解GAC模型的快速算法进行了研究.首先,回顾了GAC模型的演化方程;随后,将共轭梯度(conjugate gradient,CG)算法引入到GAC模型的求解中,形成一种新的求解图像分割问题的数值方法,即GAC模型的CG算法;最后,通过试验对比传统的数值方法,表明CG算法具有良好的收敛性.

双相障碍抑郁发作患者静息态脑功能特征

目的探讨双相抑郁发作患者的静息态脑功能自发神经活动特征。方法对双相抑郁组（26例）和健康对照组（26例）的静息态功能影像数据进行预处理并计算比率低频振荡振幅分数（fractional amplitude of low frequency fluctuation，fALFF）值，分析各脑区自发神经活动的变化；对2组被试者fALFF均值进行两样本t检验，fALFF均值差异有统计学意义的脑区定义为P〈0.01（AlphaSim校正，体素个数〉13，P〈0.001）。结果与健康对照组相比，双相抑郁组fALFF值显著降低的脑区为右侧后扣带回（t=-4.49）、左侧顶下小叶（t=-4.29）、左侧楔前叶（t=-5.05）及右侧额上回（t=-5.04，t=-3.86）；fALFF值显著增强的脑区为左侧枕中回（t=3.92）、双侧舌回（t=5.04），均P〈0.01。结论双相抑郁患者存在默认网络及视觉认知网络相关脑区的自发神经活动异常。