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。     

梯度与曲率变形力相结合的图像配准方法

针对Demons算法将形变配准视作扩散问题,仅靠梯度信息确定浮动图像的位移,在梯度非常小时图像形变方向不能确定,会导致错误的配准变换这一弊病,将等照度线曲率作为一个控制形变的驱动力因素引入Demons扩散方程,建立了一个具有梯度与曲率双重驱动力的非线性扩散模型,将其应用于图像配准。实验结果表明,这一模型较经典Demons算法具有更好的配准性能。     

基于小波变换的图像配准

图像配准是信息融合处理中的重要环节。本文分析了图像配准的数学模型,并对小波变换进行了研究。基于小波理论,提出了一种高精度的图像配准方法。该方法利用小波变换将图像分成若干层次,按照互信息最大的原则对小波分解各层的近似分量求取其配准参数,最后通过迭代实现图像配准。实验结果表明,该方法配准精度高、可靠性好,较之传统的方法有明显的优越性。     

一种基于非下采样剪切波变换的医学图像配准方法

针对经典弹性配准方法在医学图像应用上计算复杂、方向信息不足的问题进行了研究,提出一种基于非下采样剪切波变换（NSSTR）的医学图像配准方法。利用剪切波能够对各个尺度、方向和位置实现较好定位的优势,先用该算法对医学图像作非下采样剪切波变换,得到各尺度、方向子带的剪切系数,然后对高频、低频的变换图像分别使用不同的配准方法,最后统一到变化网格上得到最终配准图像。实验结果表明,本方法与传统方法相比,不仅具有配准精度高、鲁棒性好的特点,而且计算效率更高。     

基于自适应分数阶的医学图像非刚性配准

现有的医学图像配准算法对于灰度均匀、弱边缘以及弱纹理图像易陷入局部最优从而导致配准精度低下、收敛速度缓慢. 分数阶主动Demons (Fractional active Demons, FAD)算法是解决该问题的有效方法, 并且适用于图像的非刚性配准. 但FAD中的最佳分数阶阶次是人工交互选取, 并且对整幅图像都是固定不变的. 为了解决该问题, 提出一种阶次自适应的主动Demons算法并将其应用到医学图像的非刚性配准中. 算法首先根据图像的局部特征建立分数阶阶次自适应的数学模型, 并逐像素计算最优阶次, 基于该阶次构造Riemann-Liouvill (R-L)分数阶微分动态模板; 然后将自适应R-L分数阶微分引入到Active Demons算法, 在一定程度上缓解了图像配准在弱边缘和弱纹理区域易陷入局部最优问题, 从而提高了配准精度. 通过在两个医学图像库上进行实验验证, 实验结果表明该方法可以处理灰度均匀、弱纹理和弱边缘的医学图像非刚性配准, 配准精度得到较大提升.     

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.     

大形变微分同胚图像配准快速算法

本文提出一种研究大形变图像配准算法. 大形变使得图像信息和拓扑结构有较大的改变, 目前该方面的研究仍然是一个难点. 基于严密数学理论的微分同胚Demons算法是图像配准的著名算法, 为解决大形变配准问题提供了重要基础. 基于对微分同胚Demons算法的研究结合流形学习的思想提出一种大形变图像配准的新算法(MRL算法). 新算法通过挖掘图像的局部和全局流形信息改进微分同胚Demons 速度场的更新, 更好地保持图像的拓扑结构. 对比实验结果表明, 本文所提出的算法能够快速高精度地实现大形变图像的配准.     

梯度与曲率变形力相结合的图像配准方法——大形变非刚性图像配准

Active Demons算法是Demons算法的改进形式,其将形变配准视作扩散问题,利用牛顿作用力与反作用力思想,仅依靠梯度信息确定浮动图像的位移,在处理大形变配准问题时存在配准精度不高的弊病。将等照度线曲率作为一个控制形变的驱动力因素引入Active Demons扩散方程,建立了一个具有梯度与曲率双重驱动力相结合的非线性扩散模型（Active G&C model）,并在Active G&C模型应用于大形变图像配准的算法实现过程中加入多分辨率策略,以提高大形变图像的配准精度。实验结果表明,这一模型较经典的Active Demons算法具有更好的配准性能。     

基于快速整数提升小波变换的医学图像融合

针对CT医学图像和MRI医学图像成像特点,提出了基于快速整数提升小波变换的融合方法。在CT和MRI两幅医学图像配准的前提下,利用提升小波变换把图像分解成低频和高频子图像,对于小波变换后的高频子图像,选择区域标准差大的作为融合后的子图像;对于低频子图像,采用加权融合,最后进行小波逆变换,得到融合后的图像,并对融合后图像用信息熵、平均梯度、相关系数的指标进行评价。实验结果表明,基于快速整数提升小波变换融合中,小波高低频系数采用不同的规则能够取得更好的融合效果,其轮廓清晰。该算法能够提升融合后的医学图像信息量,同时有效地保护图像的细节信息,在执行时间和图像质量上均优于普通小波算法。     

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。     

基于霍特林变换的三维医学图像快速配准算法

提出了一种新的基于霍特林变换的三维医学图像快速配准算法,这是将数据压缩技术用于图像配准的一种创新性尝试。传统的基于灰度的方法需要考虑整个三维数据的灰度信息,计算复杂度大,无法满足临床需要。论文将Otus算法与互信息量技术相结合提出了一种新的图像分割算法,用于提取待配准物体,从而得到物体的向量表示;然后通过霍特林变换的平移和旋转性质完成配准。实验结果表明此方法能准确,快速地处理图像刚性配准问题,特别适用于三维医学图像的配准。     

基于特征块与小波变换的图像拼接算法

为了改进现有的基于灰度的图像拼接方法速度过慢的缺点,综合考虑了图像拼接过程中速度与精度两个因素,提出了一种基于小波变换和特征块的图像拼接算法.该算法对图像进行小波变换,在高频信号上利用简单边缘阈值法提取特征块,在低频信号上进行配准,并根据低频图像配准位移完成原始图像的配准.最后将实验结果与传统的基于灰度的图像拼接方法进行比较,结果表明了该算法在保证图像拼接精度的同时,大大提高了图像拼接速度.     

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。     

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。     

医学图像配准中基于图像梯度的灰度压缩

基于互信息的医学图像配准,其配准精度可以达到亚像素水平,精度高且鲁棒性好,但互信息的巨大计算量使配准速度较慢,不能达到临床使用要求,而互信息的计算速度与图像的灰度阶数有关。为此,针对互信息由于图像灰度级数过多造成互信息计算量大的问题,提出一种基于图像梯度的灰度压缩算法。算法采用图像的梯度信息,根据图像梯度对图像进行非线性灰度映射,同时利用小波对差异图像进行分解和重构。实验结果证明,该算法能减少图像灰度阶数,同时较好地保留图像的细节信息,在保持配准精度的前提下减少配准时间。     

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。     

基于灰度互信息和梯度相似性的医学图像配准及其加速处理

研究基于归一化互信息的医学图像刚性配准算法,提出改进配准速度和改善配准精度的相应措施．配准处理包含3项主要计算处理,即空间变换、互信息计算以及优化搜索．针对不同计算处理分别研究了相应加速策略,提高其计算速度,实现三维体数据的快速配准．并且,针对传统基于互信息测度配准方法未利用图像灰度空间分布信息,提出将灰度变化梯度相似性与互信息相结合的配准方法,从而进一步提高了配准算法的精度和鲁棒性．实验结果表明了算法的有效性．     

基于FFT与互信息准则的分层遥感图像配准

提出了一种基于傅立叶变换和互信息准则的分层遥感图像自动配准方法。通过小波变换构造图像金字塔;在小波分解的最顶层,采用基于傅立叶变换的方法确定图像间的变换参数,并作为下一层搜索的粗略位置;然后根据互信息最大的原则逐层细化,直到最底层。试验结果表明:采用所提的方法,克服了基于互信息准则的分层配准方法耗时长的缺点,且利用分层细化的搜索策略增加了基于傅立叶变换的误差修正过程,提高了配准精度。     

基于深度卷积特征光流的形变医学图像配准算法

光流法是一种基于光流场模型的重要而有效的形变配准算法。针对现有光流法所用特征质量不高使得配准结果不够准确的问题，将深度卷积神经网络特征和光流法相结合，提出了基于深度卷积特征光流（DCFOF）的形变医学图像配准算法。首先利用深度卷积神经网络稠密地提取图像中每个像素所在图像块的深度卷积特征，然后基于固定图像和浮动图像间的深度卷积特征差异求解光流场。通过提取图像的更为精确和鲁棒的深度学习特征，使求得的光流场更接近真实形变场，提升了配准精度。实验结果表明，所提算法能够更有效地解决形变医学图像配准问题，其配准精度优于Demons算法、尺度不变特征变换(SIFT) Flow算法以及医学图像专业配准软件Elastix。     

一种基于区域分割和M带小波变换的图像融合算法

针对目前小波域图像融合所存在的问题,文中阐述了一种基于区域分割和M带小波变换的图像融合算法,在图像配准的基础上对各幅源图像进行M带小波分解,由分解结果产生图像纹理向量,对纹理向量进行聚类,形成源图像的多尺度区域分割,通过区域重叠得到指导融合的联合区域分割图像,然后进行图像融合;此算法充分利用了图像中体现象素间关系的区域信息和M带小波变换在能量紧致性和方向选择性等方面的优势;仿真实验表明,该算法的结果不论在主观视觉效果还是在客观评价指标方面都优于传统的二带小波融合算法.