胸部多模医学图像快速配准

为了实现胸部多模态医学图像的自动配准,提出了一种基于层次B样条自适应自由变形的快速配准方法。首先采用C-V水平集方法实现感兴趣区域的提取,并基于并行计算实现自动配对特征点;接着,采用矩主轴法对多模医学图像进行全局粗配准;最后,基于层次B样条自适应自由变形法对多模态医学图像进行自动细配准,并且采用梯度下降法以及最大信息熵准则加速求自由变形系数。实验证明该方法不仅效率高,而且配准效果好。     

非介入式手术导航中医学图像配准算法

提出一种用于非介入手术导航中基于自由变形模型的多模态医学图像非刚性配准方法,对术前MRI/CT和术中超声图像中都可见的血管结构进行配准.当图像对准时,一种图像中的血管中心点对应着另一种图像下灰度脊点;对于全局变换采用刚性变换、局部形变采用基于函数控制B样条的自由变形模型来描述;采用遗传算法和共轭梯度法相结合达到最小化目标函数.将文中算法应用于体模和临床数据,在配准精度和收敛速度上都取得了良好的效果.     

基于多通道稀疏编码的非刚性多模态医学图像配准

针对稀疏编码相似性测度在非刚性医学图像配准中对灰度偏移场具有较好的鲁棒性,但只适用于单模态医学图像配准的问题,提出基于多通道稀疏编码的非刚性多模态医学图像配准方法。该方法将多模态配准问题视为一个多通道配准问题来解决,每个模态在一个单独的通道下运行;首先对待配准的两幅图像分别进行合成和正则化,然后划分通道和图像块,使用K奇异值分解（K-SVD）算法训练每个通道中的图像块得到分析字典和稀疏系数,并对每个通道进行加权求和,采用多层P样条自由变换模型来模拟非刚性几何形变,结合梯度下降法优化目标函数。实验结果表明,与局部互信息、多通道局部方差和残差复杂性（MCLVRC）、多通道稀疏诱导的相似性测度（MCSISM）、多通道Rank Induced相似性测度（MCRISM）多模态相似性测度相比,均方根误差分别下降了30.86%、22.24%、26.84%和16.49%。所提方法能够有效克服多模态医学图像配准中灰度偏移场对配准的影响,提高配准的精度和鲁棒性。     

基于移动最小二乘法的医学图像配准

提出一种基于移动最小二乘法变形模型的医学图像配准技术.首先用蛇模型的方法分割图像感兴趣区域;其次在分割后的图像上半自动地选取对应标记点;最后基于这些标记点采用移动最小二乘法的变形模型对图像进行变形,从而实现医学图像的配准.实验结果表明,该方法克服了手动选点难度大的缺点,提高了配准的精度,是一种有效的医学图像配准方法.     

基于深度学习的脑片图像区域划分方法

针对采用传统多模态配准方法进行小鼠脑片图像自动化区域划分精度差的问题,提出一种无监督多模态的脑片图像区域划分方法。首先,基于小鼠脑图谱获得脑片区域划分对应的ARA（Allen Reference Atlases）数据库中的Atlas脑图谱和Average Template脑图谱;然后,通过仿射变换预处理和PCANet-SR（Principal Component Analysis Net-based Structural Representation）网络处理将Average Template脑图谱与小鼠脑切片进行预配准及同模态转换,再根据U-net及空间变换网络实现无监督配准,并将配准变形关系作用到Atlas脑图谱上;最后,提取配准变形后的Atlas脑图谱的边缘轮廓并与原始小鼠脑切片进行融合,从而实现脑片图像的区域划分。实验结果表明,与现有PCANet-SR+B样条配准方法相比,所提方法的配准精度指标的均方根误差（RMSE）降低了1.6%,相关系数（CC）和互信息（MI）值分别提高了3.5%、0.78%;可快速实现无监督多模态的脑片图像配准任务,且使得脑片区域划分准确。     

三维医学图像配准在图像引导放疗中的应用

为了确定病人的摆位误差,实现精确放疗,提出一种改进的Demons弹性配准算法。采用FDK算法对锥形束CT(CBCT)图像进行三维重建,利用可视化工具包 (VTK)体绘制法可视化重建结果;在分割与配准工具包 (ITK)基础上实现Demons算法,并基于对称梯度的思想,将参考图像和浮动图像的梯度场信息加入到Demons算法中,给出新的Demons形变力公式。分别使用单模态和多模态医学图像进行配准实验,结果显示改进的Demons算法与原始Demons算法相比,配准速度更快、精度更高。基于对称梯度的Demons算法更适用于图像引导放射治疗中CBCT重建图像与CT计划图像间的配准。     

基于薄板样条的非刚体医学图像配准

非刚体图象配准是非线性的图像配准方法,它能够实现图像之间的配准,为提高医学图像配准精度,对于形变较大的多模图像的配准等都有着重要的作用.提出了一种基于薄板样条的3D/2D非刚体医学图象配准算法,算法首先提出一个混合能量公式,在配准的过程中,用薄板样条法实现全局配准,并通过仿真退火算法进行迭代,以缩小并确定变形的待配准区域.在局部的待配准区域,采用互信息的方法进行配准.解决了因特征点不足引起的不完整匹配问题,使得图像连续平滑,以得到较优的配准效果.     

一种改进的非刚性医学图像配准算法

非刚性医学图像配准是医学影像处理和应用中重要的研究课题.对传统的基于局部仿射变换的非刚性图像配准模型进行了改进,结合图像的区域灰度信息和切比雪夫低通滤波器幅度特性提出了一种新颖的非刚性医学图像配准算法.该算法采用自适应的局部非线性正则项,比传统算法更好地保持了图像的局部细节和边缘信息,通过结合多分辨率分层细化以及由粗到细的变形技术求解策略,很好地解决了传统配准模型无法对大变形单模态图像或者存在灰度差异的多模态图像之间进行配准的问题.实验证明,该模型和算法可以很好地实现对医学图像的非刚性配准.     

混合样条大尺度医学图像弹性配准算法研究*

针对大尺度形变医学图像配准速度慢和精度低的特点,提出一种结合薄板样条(TPS)和B样条的弹性配准方法。该方法采用尺度不变特征变换算法(SIFT)进行图像特征提取与匹配,利用TPS算法将特征点对作为输入进行预处理,以降低浮动图像的形变尺度,从而提高下一步B样条配准的速度与精度。然后使用局部区域细化层次B样条方法将TPS生成的较稀疏的形变网格作为初始网格,结合有限记忆优化算法(L-BFGS)对控制网格做进一步地处理,此过程只对形变较大的局部区域进行细化,以实现与参考图像的快速精确配准。实验结果表明,该方法较层次B样条方法有效地提高了配准的速度和精度。     

图像配准中的一种特定区域轮廓提取算法

多模态医学图像的配准在医学诊断和治疗计划中起着重要的作用,特定区域轮廓提取是图像配准的重要基础,常规的轮廓提取算法不能满足多模态图像配准的要求。提出了一种用于多模态医学图像处理的特定区域轮廓提取算法。该方法首先对图像进行预处理,去除噪音,对图像进行平滑,采用Canny算子进行边缘提取之后,提出了延伸权的概念,并采用一种新的基于延伸权概念的边缘连接算法对边缘结果进行连接,最后采用填充算法获得特定的辅助区域并在该区域的基础上向外或者向内获取特定区域的轮廓。实验结果表明,该方法能够满足多模态图像配准的要求。     

Multimodal genetic algorithms-based algorithm for automatic point correspondence

In this paper, the problem of automatic determination of point correspondence between two images is formulated as a multimodal function optimization and the usefulness of genetic algorithms (GAs) as a multimodal optimizer is explored. Initially, a number of variations of GAs, capable of simultaneously discovering multiple extremes of an objective function are evaluated on a mathematical benchmark objective function with multiple unequal maxima. The variation of the GAs that performs best on the benchmark function, in terms of the number of maxima discovered, is selected for the determination of automatic point correspondence between two images. The selected variation of the GAs involves an iterative procedure for the formation of a genetic population of individuals (or chromosomes). Each individual encodes the position of a point of interest on one of the available images as well as parameters of a local transformation that generates the position of the corresponding point on the other image. The proposed algorithm aims to discover individuals that corresponds to local maxima of an objective function that measures the similarity between patches of the two images. When the GAs-based multimodal optimization algorithm terminates, pairs of corresponding points between the two images are obtained that can be used for the generation of a dense deformation field by means of the thin plate splines model.The proposed algorithm is applied to 2D medical images (dental and retinal images) under known transformations (similarity and elastic transformation) and is also assessed on medical images with unknown transformations (computer tomography transverse slices). The proposed algorithm is compared against the iterative closest point (ICP) algorithm, and a well-known non-rigid registration algorithm, based on free-form deformations (FFD) using various quantitative criteria. The obtained results indicate that in case of known similarity transformations, the proposed multimodal GAs-based algorithm and the ICP algorithm present equivalent performance, whereas the FFD algorithm is clearly outperformed. In the case of known sinousoidal deformations, the proposed multimodal GAs-based and the FFD algorithm achieve equivalent performance and clearly outperform the ICP algorithm. Finally, in the case of unknown elastic deformations, the proposed GAs-based algorithm appears to perform marginally better than the FFD algorithm, whereas it clearly outperforms the ICP algorithm.     

基于并行计算和多层次B样条的肺部CT-PET图像配准

为了提高医学图像配准的效率,提出一种基于并行计算和多层次B样条函数的图像配准方法。该方法提取图像均匀内部点及轮廓点作为参考图像特征点,采用并行计算技术在浮动图像上选择特征点对;在形变过程采用B样条曲面函数插值来完成,通过多层次B样条函数逐步优化形变效果。实验结果表明,该方法适合于肺器官CT PET图像快速配准。     

一种面向医学图像非刚性配准的多维特征度量方法

医学图像的非刚性配准对于临床的精确诊疗具有重要意义.待配准图像对中目标的大形变和灰度分布呈各向异性给非刚性配准带来困难.本文针对这个问题,提出基于多维特征的联合Renyi α-entropy度量结合全局和局部特征的非刚性配准算法.首先,采用最小距离树构造联合Renyi α-entropy,建立多维特征度量新方法.然后,演绎出新度量准则相对于形变模型参数的梯度解析表达式,采用随机梯度下降法进行参数寻优.最终,将图像的Canny特征和梯度方向特征融入新度量中,实现全局和局部特征相结合的非刚性配准.通过在36对宫颈磁共振（Magnetic resonance,MR）图像上的实验,该方法的配准精度相比较于传统互信息法和互相关系数法有明显提高.这也表明,这种度量新方法能克服因图像局部灰度分布不一致造成的影响,一定程度地减少误匹配,为临床的精确诊疗提供科学依据.     

基于改进Demons算法的三维肺部医学影像配准研究*

为实现相同个体在不同呼吸状态下产生较大形变的三维肺部医学影像配准,提出一种基于改进Demons算法的精确有效配准方案。首先,对待配准影像进行全局非刚性配准。通过尺度不变特征变算法对影像进行特征点提取与匹配,根据匹配结果计算变换参数,完成全局配准;其次,利用改进Demons算法对全局配准后的影像进行局部非刚性配准。使用改进的方案实现了人体肺部影像配准,并且肺部整体轮廓以及内部组织的配准结果较理想。配准前,影像间的均方误差值为25835.3,经配准后影像间均方误差值降为3726.31,均方误差值下降率为85.58%。提出的方案能够有效配准三维肺部影像,为对肺部呼吸运动估计以及呼吸功能分析提供良好的基础。     

基于边缘特征点互信息熵的医学图像配准方法

基于互信息熵的图像配准方法已经被广泛应用于医学图像配准中,为克服互信息配准方法的不足,结合图像空间结构信息,本文提出一种基于边缘特征点互信息熵的医学图像配准方法,设计了包括互信息熵、图像空间结构和形状特征点等多信息融合的配准新测度。算法首先采用改进的形态学梯度提取医学图像边缘轮廓;然后构造了以边缘区域特征和梯度信息为基础的特征点互信息能量函数,并通过最小化能量函数来获取配准参数;最后,结合梯度下降法优化策略,实现图像配准。实验研究表明,该方法在保证了配准精度的同时,配准速度较快、鲁棒性较好、综合性能优良,具有一定的临床推广价值。     

Automating the tracking of lymph nodes in follow-up studies of thoracic CT images

The study of lymph node features over time is of great clinical significance. Tracking of the same lymph node in CT images over time is done manually in the current clinical practice, which is tedious and lack of consistency. In this paper, we propose a search scheme to automate the process. Regions of interest (ROIs) are located by mapping the center point of lymph node based on the transformation found in the rigid registration. Similarity values between ROI of the template image and ROIs of repository images are compared, the highest of which decides the best match. Our method generated a success rate of 82% in determining the corresponding image in follow-up scan with the same lymph node as in baseline. The location of the lymph node in the corresponding image is tracked and estimated by mapping the lymph node center at baseline image using the transformation obtained from both affine and free-form deformation (FFD) registration. FFD performs better than affine registration in tracking the lymph node location. All lymph nodes in our study are tracked successfully by the suggested points which fall within the boundary of the same node in the corresponding follow-up images using FFD registration.     

一种基于混合优化算法的医学图像配准方法

为了实现脑部多模医学图像配准,提出了一种基于混合优化算法的配准方法。该算法采用遗传算法中的杂交思想改进了混沌粒子群算法,并用最大互信息测度对脑部MRI及CT图像进行配准。该改进算法可有效地避免优化算子陷入局部极值,而且算法收敛快。实验结果证明了提出的基于遗传思想的改进混沌粒子群优化算法对多模医学图像配准具有有效性。