基于深度学习的无监督单模态医学图像配准算法

图像配准在手术导航、肿瘤监测等临床医学图像分析领域有着重要应用。本文针对现有无监督单模图像匹配算法的配准精度不够高的问题,提出了一种基于深度学习的无监督单模态医学图像配准算法。该方法引入短连接与长连接结合形成密集连接,改进了U-Net的特征图连接方式,解决相连接两特征图由于采样深度差距较大而产生较大语义差距的问题;在U型网络的解码器上设计部署了通道注意力机制,能够有效抑制噪音,产生更加光滑的形变场,从而进一步提高后续配准精度。在临床应用的单模态脑部核磁共振图像数据集上进行了训练及测试,结果表明,本文提出算法在配准精度上有了一定的提高。

基于互信息量和模糊梯度相似性的医学图像配准

本文分析了基于互信息量的医学图像配准算法中存在的鲁棒性问题 ,提出创建图像的模糊梯度场及建立模糊梯度相似性测度 ,并将其结合到互信息量配准算法当中 .实验证明 ,本方法很好的解决了传统基于互信息量的方法中存在的鲁棒性问题 ,能够快速稳定地实现医学图像配准 .

医学图像配准技术进展

医学图像配准对提高临床诊断治疗、病情监测、外科手术水平等有积极作用。以一个医学图像配准配框架为主线,综述了配准框架各模块所涉及的经典算法、新技术,并对相关性能进行了分析。此外,还涉及医学图像配准开发平台、测试数据库及评估标准等。全面地总结了医学图像配准技术的最新进展。

基于特征点Rényi互信息的医学图像配准

针对医学图像配准有鲁棒性强、准确性高和速度快的要求,文中提出一种基于特征点Rényi互信息的医学图像配准算法.起初从模板图像与待配准图像中依次提取出多尺度特征点,其次使用其空间坐标计算特征点Rényi互信息目标函数,实现图像配准.该算法有效地避免了多模噪声图像间的灰度差异影响,减少了待处理的数据量,同时使用Rényi互信息来消除目标函数所受的局部极值的影响,进一步提高了配准精度.实验证明该算法适于单模和多模医学图像配准,速度较快、精度高、鲁棒性强,是一种有效的自动配准方法,并且具有较好的临床应用价值.

基于Powell算法与改进遗传算法的医学图像配准方法

针对基于互信息图像配准的局部极值问题,提出一种基于Powell算法与改进遗传算法结合的医学图像配准方法。该方法对标准遗传算法存在的收敛速度慢、易早熟、有可能导致误配的缺陷,提出了相应的改进策略;采用Logistic混沌映射生成迭代过程中的个体;运用基于小波变换的多分辨率分析策略,采用混合优化算法在图像的最低分辨率层进行全局优化,以全局最优值,结合Powell算法完成医学图像配准。实验结果表明,所提方法可有效避免优化算子陷入局部极值,并提高了配准速度;相对于纯Powell方法和未改进的遗传算法,配准的精确度和性能更好。

基于SURF和改进的RANSAC算法的医学图像配准

为了提高医学图像配准的鲁棒性、准确性和速度,本文提出一种结合加速鲁棒性特征(SURF)和改进的随机采样一致算法(RANSAC)的医学图像配准算法,首先提取图像上的SURF特征点,完成特征点初始匹配,然后用改进的RANSAC算法剔除误匹配点对,最后根据提纯后的匹配点对估计出两幅图像间的空间几何变换参数完成图像配准。实验结果表明,与传统的几种算法相比,在图像中含有噪声、灰度不均匀及初始变换范围比较大的情况下,该算法在达到良好配准精度的同时,具有较强的鲁棒性和更快的速度。

基于形状特征点最大互信息的医学图像配准

定义了基于形状特征点的互信息计算公式 ,提出区域增长结合动态聚类算法的形状特征点提取方法 .在使形状特征点互信息最大化完成医学图像配准的过程中 ,引入人机交互 ,缩短了优化过程 ,避免了局部极值 .提出的配准策略具备临床实用性 。

一种改进的SIFT算法及其在医学图像配准中的应用

图像特征点的提取是医学图像配准的基础,其精确性直接影响匹配的结果.目前在实际应用中常使用手工提取特征点的方法,精确性差且工作量大.SIFT算子具有良好的尺度、旋转、光照等不变特性,被广泛应用于图像配准中.由于SIFT匹配算法对特征点匹配的条件较为严格,特征点的数量常常无法满足医学图像配准的实际需要,并且存在一定的误匹配.为增加特征点的数量,提高匹配准确率,采用SIFT算法自动提取特征点,并使用特征点之间的Euclid距离作为相似性判定度量,根据医学图像的特点保留低对比度点,以实现医学图像的配准.实验结果表明该方法是有效的.

基于互信息的医学图像配准实验

基于互信息的配准方法 ,包括互信息和归一化互信息方法 ,是目前医学图像配准中无创、自动且精度很高的一种方法 ,已经被广泛应用。但是在其目标函数中存在着一定程度的幅值振荡现象 ,特别是在单模态图像配准中。我们研究发现 ,产生这种振荡的原因除了插值赝像外 ,还有由配准过程中图像重叠部分发生变化而引起的熵的变化不确定性。由插值赝像所带来的振荡基本上可以被消除掉 ;由熵的变化不确定性所带来的振荡很难被消除 ,但是这种振荡作用在归一化互信息中影响不大。归一化互信息比互信息具有更高的稳健性 ,适合于更广的应用范围。

PSO和Powell混合算法在医学图像配准中的应用研究

基于互信息的图像配准方法具有自动化程度高、配准精度高等优点 ,已被广泛应用于医学图像的配准。但是 ,基于互信息的目标函数经常是不光滑的 ,存在许多局部极值 ,给问题的求解带来了很大的困难。本文讨论了互信息函数的多极值特性 ,并提出了一种粒子群优化算法 (particleswarmoptimization ,PSO)和Powell混合优化方法。经检验 ,这种方法能有效地克服互信息函数的局部极值 ,大大地提高了配准精度 ,达到亚像素级。

基于改进光流场和尺度不变特征变换的非刚性医学图像配准

该文对传统的变分光流模型进行了改进,结合尺度不变特征变换(SIFT)特征点提取提出一种新颖的非刚性医学图像配准算法。该算法模型使用亮度守恒与梯度守恒假设相结合的数据项,很好地解决了对医学图像中局部病灶异常、亮度不均匀等区域的处理问题;通过采用自适应的各向异性正则项,解决了传统光流模型中的过平滑所导致的图像严重模糊和重要细节丢失的问题;通过结合SIFT特征点提取,并采用多分辨率分层细化、内部不动点迭代以及由粗到细的变形技术求解策略,很好地解决了传统光流场模型无法对大形变医学图像以及细节进行配准的问题。实验证明:该文的模型和算法可以很好地实现对医学图像的非刚性配准。

基于最大互信息的医学图像配准算法

本文提出一种新的基于轮廓提取和最大互信息理论的医学图像配准的算法。该算法克服了在配准过程中存在鲁棒性因素、出现误配情况及互信息单一的利用图像灰度信息的局限性,将边缘检测与互信息相结合,提高了原有算法的性能,可较准确地完成图像配准任务。本文并对提出的配准算法进行了Matlab仿真实验,对仿真结果进行分析。

融合多种特征点信息的最小生成树医学图像配准

针对医学图像配准鲁棒性强、准确性高和速度快的要求,提出了一种基于融合多种特征点信息的最小生成树医学图像配准算法.该算法首先提取3种特征点,Harris-Laplace,Laplacian of Gaussian和网格点;然后使用遗传算法去除特征点集的冗余,并通过对位映射构建无向完全图顶点集合;进而使用改进的Kruskal算法来构造最小生成树;最后使用得到的最小生成树估计Rényi熵.该算法较好地解决了在噪声数据中使用最小生成树估计Rényi熵面临的特征点不稳定导致鲁棒性低和构造最小生成树遇到的速度瓶颈.实验结果表明:在图像含有噪声、灰度不均匀以及初始误配范围较大的情况下,该算法在达到良好配准精度的同时,具有较强的鲁棒性和较快的速度.

基于改进光流场模型的医学图像配准方法

基于光流场模型的图像配准方法计算简单快速,但采用原始光流场模型进行图像配准会使图像出现严重的模糊导致不能使用。提出了对原始光流场模型的正则项进行改进,同时引入运动模糊图像复原算法,改进的算法改善了原始光流场模型造成的图像模糊。实验结果表明,基于改进光流场模型的医学图像配准算法配准结果准确,具有较快的配准速度。

基于互信息的医学图像配准中互信息的计算

基于互信息的配准方法是医学图像配准领域的重要方法。互信息是图像配准中常用的相似性度量,具有鲁棒、精度高等优点,但基于互信息的配准计算量大,制约了它的实际应用。我们采用基于多分辨率和混合优化策略的配准方法,在图像的不同灰度等级数下进行配准,分析了互信息的计算量与灰度等级数的关系,并用人头部的MRI图像和CT图像做了二维的单模模拟实验和多模实际配准实验,结果显示在灰度等级数为32和64时,与灰度等级数为256时相比,配准精度没有明显改变,而计算量下降显著。

Clifford代数几何不变量3D医学图像配准的方法

就3D医学图像配准数据量大、计算复杂度高、配准精度低的问题,提出一种基于Clifford代数几何不变量的配准方法,以实现人头颅部3D医学图像配准。提出配准所需的Clifford代数几何不变量及其Clifford代数方程算式,并构造适合于该几何参考轴旋转的Clifford几何旋转算子,利用所求的最大、最小值对应的Clifford几何不变量建立Clifford旋转算子,对浮动影像数据实现几何变换,以达到配准的结果。配准实验中对两个世界著名的3D医学数据集进行了测试,结果表明:该方法计算简单,几何意义直观,配准精度高,执行效率高,并且通过轴线变换不易陷入配准过程的局部极值点。

医学图像配准中的一种互信息快速计算方法

基于互信息的医学图像配准,可以达到亚像素级精度且无需提取图像的解剖特征,是一种高精稳健的配准方法。但其中频繁的互信息计算使配准速度很慢,不能满足临床的实时要求。提出一种基于统计直方图灰度压缩的互信息加速计算方法,能显著减少灰度级,加快互信息计算,从而加快配准速度。实验表明,该方法能在不影响配准精度的前提下显著缩短配准时间。

基于小波变换和互信息的医学图像配准

为提高医学图像配准效果,提出了一种基于小波变换和互信息的配准方法。该方法首先通过小波变换将图像分层,并用小波分解的近似分量从最顶层开始搜索,同时以添加边界约束条件的下降单纯形法为搜索策略,而以搜索结果作为下一层搜索的粗略位置;然后逐层细化,以实现由粗到细的搜索过程;同时,针对不同的分解层采用不同的配准方法,即下层引入结合空间信息的区域互信息(RMI)为相似性测度,而上层采用PV插值法,以避免陷入局部极值。最后将此法应用于加噪MR图像单模配准、PET图像单模配准和MR-PET图像多模配准的。实验结果表明,该方法可以得到精确、有效的配准结果。与传统方法相比,该方法不仅配准精度高、抗噪性能好,而且计算效率高。

一种基于小波与概率估计的医学图像配准方法

为提高医学图像配准效果,提出了一种基于小波变换和互信息的配准方法。以小波变换对源图像进行二级分解,并在每个分解层对其子带分量分别进行贝叶斯最大验后概率估计,求概率估计的回归参数,得到配准图像的各小波子带分量,再进行小波逆变换,实现对源医学图像的配准。

基于ITK的医学图像配准的应用

医学图像配准是指对于一幅医学图像寻求一种空间变换,使它与另一幅医学图像上的对应点达到空间位置上的一致。一致是指人体上的同一解剖点在两张图像上有相同的空间位置。The Insight Toolk it(简称ITK)是一个具有较强功能的医学图像处理类库,主要用于医学图像的预处理、分割及配准。主要研究图像配准算法以及ITK在医学图像配准中的应用。为采用ITK实现的一个医学图像配准的实例,对医学发展提供参考。