ITK Metric在卷烟小包装图像配准中的性能比较

为了验证医学图像处理框架ITK在卷烟小包装图像配准中的可用性及其性能,通过分析ITK配准框架的原理及配准流程,采用固定图像变换算法、线性插值算法和优化算法,变换相似度测度算法的方式,比较ITK中不同的相似度测度算法在针对中华硬盒卷烟小包装的图像配准中的效率,最后通过大量的实验,将此框架用于不同卷烟小包装的图像配准中,验证了ITK在非医学领域的可用性,得出一种对不同卷烟小包装的图像配准具有一定普适性的配准流程。     

粒子群与改进的鲍威尔算法相结合的多分辨率三维医学图像配准

为克服传统基于互信息的多模医学图像配准算法容易陷入局部最优的问题,提出了一种改进的多分辨率三维医学图像配准算法.该算法通过高斯滤波将三维医学图像进行多尺度化,形成多分辨率图像金字塔,以Mattes互信息作为配准框架的相似性测度.在图像金字塔的低分辨率层使用粒子群优化算法进行全局变换参数的搜索,然后以全局变换参数作为高分辨率层配准的初始参数,并以鲍威尔优化算法进行优化,完成最终的三维医学图像配准.实验结果表明,改进的算法不仅使待配准两幅图像空间位置对齐,而且较传统互信息算法提高了配准精度,鲁棒性更强,有效地解决了基于互信息的配准算法陷入局部最优的可能.     

医学图像配准算法研究

研究图像配准精度优化问题,医学图像由多种图像结合,利用图像各自的特点进行融合.图像配准技术一直被广泛应用在医学图像和遥感图像领域中,针对传统的图像配准算法效率和精度较低等不足,为了提高医学图像配准的准确度,提出了一种将改进的最大熵算法并应用到图像配准的优化过程中,算法首先将输入的待配准图像进行灰度处理,对灰度值进行初始化,然后采用遗传算法的选择、交叉和变异操作对图像进行平滑,并选择最优值,最后采用最大熵算法对图像进行配准选择,算法有效克服了传统遗传算法容易陷入局部最优的缺点.仿真结果表明了改进的算法有效的提高J图像配准的精确度,验证了改进算法是有效的图像配准方法.     

基于深度学习的医学图像配准技术研究进展

医学图像配准技术对于病灶检测、临床诊断、手术规划,疗效评估等有着广泛的应用价值。系统性地总结了基于深度学习的配准算法,从深度迭代、全监督、弱监督到无监督学习的研究发展趋势,分析了各种方法的优势与局限。总体来看,无论是对数据的要求、配准精度,还是计算效率,无监督学习因其不依赖金标准和解剖标签,采用端到端的网络配准框架就可以自动执行需要的任务等优势成为研究的主流方向。然而,基于无监督学习的医学图像配准方法在医学图像领域的可解释性、跨模态多样性和可重复可扩展性方面同样面临着一些研究难点和挑战,这为将来实现更精准的医学图像配准方法指明了研究方向。     

基于图形处理器加速的医学图像配准技术进展

针对目前医学图像配准技术无法满足临床实时性需求问题,对基于图形处理器(GPU)加速的医学图像配准技术进行综述探讨。首先对GPU通用计算进行概述,再以医学图像配准基本框架为主线,对近年来基于GPU加速的医学图像配准技术在国内外发展现状进行深入研究,并针对正电子发射型计算机断层显像(PET)和电子计算机断层扫描(CT)数据的非线性配准问题,分别基于中央处理器(CPU)和GPU平台进行配准实验,通过实验结果的对比,体现GPU加速配准技术的优越性。基于GPU加速的自由形变(FFD)和归一化互信息(NMI)结合的非线性配准方法配准后互信息值略低于CPU平台的配准结果,但其配准速度是CPU平台的12倍。基于GPU加速的配准算法在保持配准精度的基础上,配准速度都得到了很大的提升。     

基于双通道级联注意力网络的医学图像配准

为提高卷积神经网络在医学图像上的配准性能,提出一种双通道级联注意力网络用于医学图像配准.针对浮动图像和固定图像,用两个卷积神经网络对配准场进行估计;用配准场级联策略提高配准场变形估计性能;在配准场估计过程中引入注意力机制用于自动学习和优化注意力特征并分配特征权重,进一步加强特征表达能力,提高配准性能.通过对脑部图像和肺部图像的配准实验分析,验证了该方法的有效性和准确性.     

深度医学图像配准研究进展：迈向无监督学习

在疾病诊断、手术引导及放射性治疗等图像辅助诊疗场景中,将不同时间、不同模态或不同设备的图像通过合理的空间变换进行配准是必要的处理流程之一。随着深度学习的快速发展,基于深度学习的医学图像配准研究以其耗时短、精度高的优势吸引了研究者的广泛关注。本文全面整理了2015—2019年深度医学图像配准方向的论文,系统地分析了深度医学图像配准领域的最新研究进展,展现了深度配准算法研究从迭代优化到一步预测、从有监督学习到无监督学习的总体发展趋势。具体来说,本文在界定深度医学图像配准问题和介绍配准研究分类方法的基础上,以相关算法的网络训练过程中所使用的监督信息多少作为分类标准,将深度医学图像配准划分为全监督、双监督与弱监督、无监督医学图像配准方法。全监督配准方法通过采用随机变换、传统算法和模型生成等方式获取近似的金标准作为监督信息;双监督、无监督配准方法通过引入图像相似度损失、标签相似度损失等其他监督信息以降低对金标准的依赖;无监督配准方法则完全消除对标注数据的需要,仅使用图像相似度损失和正则化损失监督网络训练。目前,无监督医学图像算法已经成为医学图像配准领域的研究重点,在无需获得代价高昂的标注信息下就能够取得与有监督和传统方法相当甚至更高的配准精度。在此基础上,本文进一步讨论了医学图像配准研究后续可能的4个未来挑战,希望能够为更高精度、更高效率的深度医学图像配准算法的研究提供方向,并推动深度医学图像配准技术在临床诊疗中落地应用。     

一种基于外形区域的图像配准方法与实现

医学图像配准是医学图像处理与分析的重要组成部分.但由于医学图像的复杂性,在配准精度和配准速度两方面均优的算法很少.提出了一种基于分割所得二值图像的配准算法,并提出了一种适合二值图像配准的相似化测度,最后详细讨论了此算法的实现问题.与现今最流行的基于互信息的配准方法相比,文中的算法更易于实现,且具有良好的特性:适用于单模和多模图像配准;亚像素级精度;快速的配准速度.     

一种简单的医学图像刚体配准方法

医学图像配准技术是当前医学图像处理研究的热点.从二维医学图像的刚体变换出发,针对单模态医学图像的配准,研究了基于投影的医学图像配准方法.该方法通过二值化参考图像和浮动图像,沿X轴和y轴投影得到投影向量,然后根据投影向量元素的大小和位置,分别检测图像间旋转、平移运动的大小.仿真实验证明,该方法不失为一种简单有效的图像配准方法.     

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.     

医学影像处理与分析开发包MITK的设计与实现

随着VTK(visualization ToolKit)和ITK(insight segmentation and registration ToolKit)两个软件开发包的成功,医学影像领域内的研究人员越来越重视本领域内的软件包的开发问题.介绍了所开发的集成化的三维医学影像处理与分析开发包MITK(medical imaging ToolKit),其目的主要是提供一个一致的框架,整合医学图像分割、配准、可视化等功能.给出了MITK的设计目标、整体框架和关键技术的实现,以及一些应用实例以展示MITK的功能.希望MITK能成为本领域内研究开发人员的另外一个可选择的开发包.     

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.     

基于非刚性配准的交互式医学图像序列分割

提出了一种新的交互式医学图像序列分割算法,该算法将非刚性配准技术和解剖先验知识相结合把图像分割问题转化为图像配准问题。首先采用Demons算法进行图像配准,用光流法计算瞬时位移,设计了一个新的停止准则使其能自适应地确定迭代次数,并将它在金字塔型的多尺度框架下实现。然后用配准得到的形变域对已精确分割的图像进行形变就能自动地获得未分割目标图像的分割结果。扩展上述过程就可实现整个图像序列分割。试验结果表明该算法用户干预少、分割速度快、分割结果准确。     

Dynamic meshing for deformable image registration

Finite element method (FEM) is commonly used for deformable image registration. However, there is no existing literature studying how the superimposed mesh structure would influence the image registration process. We study this problem in this paper, and propose a dynamic meshing strategy to generate mesh structure for image registration. To construct such a dynamic mesh during image registration, three steps are performed. Firstly, a density field that measures the importance of a pixel/voxel’s displacement to the registration process is computed. Secondly, an efficient contraction–optimization scheme is applied to compute a discrete Centroidal Voronoi Tessellation of the density field. Thirdly, the final mesh structure is constructed by its dual triangulation, with some post-processing to preserve the image boundary. In each iteration of the deformable image registration, the mesh structure is efficiently updated with GPU-based parallel implementation. We conduct experiments of the new dynamic mesh-guided registration framework on both synthetic and real medical images, and compare our results with the other state-of-the-art FEM-based image registration methods.     

用于医学影像配准的快速框架

图像配准是医学影像处理中的一项常见技术,由于配准操作计算量大,非常耗时,因而设计了一种快速配准框架。输入框架的数据包括一幅固定图像和一幅待配准图像（移动图像）,输出数据是包含两张图像差异结果的图像。除了输入和输出数据,整个框架包括四个组成部分：插值器、度量器、优化器和变换器。插值器用于测定移动图像映射后像素点的灰度值,度量器用于评价变换之后的移动图像和固定图像之间的匹配度,优化器用于优化度量规则,变换器对目标图像实施各种几何变换处理。这四个组成部分在图像配准操作中分别担任不同的角色,从而构建出一个简单、快速、稳定的医学影像配准框架。和其他图像配准框架相比,该框架在结构上更简单,在配准处理和程序开发方面更快捷,在实际应用中取得了良好的效果。     

加权熵互信息在医学图像配准中的应用

基于互信息的医学图像配准方法具有自动化程度高、配准精度高等优点。采用部分体积插值法和香农熵计算得到的互信息,无法避免会出现一些局部极值,可能导致错误的配准。提出了一种用加权熵代替香农熵的互信息计算方法,并将其应用于图像配准实验。实验结果表明,该方法能够有效平滑互信息的局部极值,减少错误的医学图像配准。     

一种基于混合量子行为粒子群优化算法的图像配准方法

针对多模医学图像配准的高精度要求,以最大化互信息图像配准方法为基础,提出了一种基于混合量子行为的粒子群优化(HQPSO)算法的多模医学图像配准新方法。实验结果表明,在多模医学图像配准应用中,新算法的实际性能不仅优于传统的Powell算法和PSO算法,也比QPSO算法有一定的优势。上述结论为医疗图像诊断分析提供了一种新的有效方法。     

Image registration by compression

Image registration consists in finding the transformation that brings one image into the best possible spatial correspondence with another image. In this paper, we present a new framework for image registration based on compression. The basic idea underlying our approach is the conjecture that two images are correctly registered when we can maximally compress one image given the information in the other. The contribution of this paper is twofold. First, we show that image registration can be formulated as a compression problem. Second, we demonstrate the good performance of the similarity metric, introduced by Li et al., in image registration. Two different approaches for the computation of this similarity metric are described: the Kolmogorov version, computed using standard real-world compressors, and the Shannon version, calculated from an estimation of the entropy rate of the images.     

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。