形变医学图像配准方法设计与仿真

利用目前方法对形变医学图像进行配准时，没有提取形变医学图像特征，存在特征点获取结果与实际结果相差大、医学图像配准效果差和医学图像配准时间长的问题。为此提出基于角点检测与SIFT的形变医学图像配准方法。采用角点检测与SIFT相结合的方法对医学图像的特征点进行提取，在图像特征提取前，优先对尺度空间的极值点进行检测，其次生成角点特征，通过检测结果与最终特征点的方向完成医学图像特征点的提取，提升了医学图像配准精度。将提取的特征输入到构建的深度学习模型中，根据提取特征的训练及损失函数的优化实现形变医学图像配准。实验结果表明，通过对上述方法进行特征点获取结果与实际结果对比测试、医学图像配准效果测试和配准时间测试，验证了上述方法的准确性与有效性。     

基于深度学习的肝脏CT-MR图像无监督配准

多模态配准是医学图像分析中的关键环节,在肝癌辅助诊断、图像引导的手术治疗中具有重要作用。针对传统的迭代式肝脏多模态配准计算量大、耗时长、配准精度低等问题,提出一种基于多尺度形变融合和双输入空间注意力的无监督深度学习配准算法。利用多尺度形变融合框架提取不同分辨率的图像特征,实现肝脏的逐阶配准,在提高配准精度的同时避免网络陷入局部最优。采用双输入空间注意力模块在编解码阶段融合不同水平的空间和文本信息提取图像间的差异特征,增强特征表达。引入基于邻域描述符的结构信息损失项进行网络迭代优化,不需要任何先验信息即可实现精确的无监督配准。在临床肝脏CT-MR数据集上的实验结果表明,与传统的Affine、Elastix、VoxelMorph等算法相比,该算法达到最优的DSC值和TRE值,分别为0.926 1±0.018 6和6.39±3.03 mm,其平均配准时间为0.35±0.018 s,相比Elastix算法提升了近380倍,能准确地提取特征及估计规则的形变场,具有较高的配准精度和较快的配准速度。     

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.     

基于平衡系数的Active Demons非刚性配准算法

经典的Active demons算法利用参考图像和浮动图像的梯度信息作为驱动力,并使用均化系数调节两种驱动力之间的强度.该算法克服了Demons算法单一使用参考图像的梯度信息作为驱动力的缺点,但是Active demons算法中的均化系数无法同时兼顾大形变和小形变区域的准确配准,还会导致配准的收敛速度和精确度相互制约的问题.为此,本文提出一种新的Active demons非刚性配准算法.提出的算法在Active demons扩散方程中引入一个称为平衡系数的新参数,与均化系数联合调整驱动力,不仅可以兼顾图像中同时具有的大形变和小形变区域的准确配准,而且在一定程度上缓和了收敛速度和精确度相互制约的问题.为了进一步提高配准的收敛速度和精确度,避免陷入局部极值,在新的配准算法的实现中引入由粗到细的多分辨率策略.在Checkboard测试图像、自然图像和医学图像上的实验结果表明,提出的算法较经典的Active demons算法收敛速度更快,配准精度平均提高了54.28%,接近最新的TV-L1光流场图像配准算法的配准精度,解决了Active demons算法存在的问题.     

一种基于光流场的医学图像配准方法

提出了一种基于光流场的医学图像弹性配准方法。方法先对图像进行小波分解,从最低分辨率的近似图像开始,采用光流场的方法进行逐级配准,再对配准的各分量进行重构,直至得到最高分辨率的配准图像。实验表明,这种方法对于具有较小形变的医学图像的配准是有效的。     

密集结构改进双通道神经网络的遥感图像配准

针对部分传统算法对于遥感图像配准精度较低的问题,提出一种密集结构改进双通道卷积神经网络的遥感图像配准方法。对输入的图像采用密集结构改进的双通道卷积神经网络模型进行特征提取;用粒子群算法改进的随机一致性点漂移算法进行特征匹配得到仿射变换系数;使待配准图像能够根据该系数实现变换,达到配准目的。实验表明,改进算法比传统算法的配准精度平均提高了15%以上,对具有显著地貌差异的遥感图像对的配准精度可以有效地提高。     

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.     

基于VoxelMorph的可见光和红外遥感影像配准

由于可见光和红外的成像机理、成像波段不同,获取的遥感影像之间存在复杂的非线性辐射畸变,传统的配准方法难以实现两者的高精度配准。本文提出一种基于VoxelMorph的可见光和红外遥感影像配准方法,利用卷积神经网络对可见光和红外异源图像进行分步的精细化形变场计算,从而实现快速高精度配准。将可见光图像作为参考图像,利用U-Net网络计算待配准红外图像和参考（可见光）图像的形变场,实现全局对齐的仿射变换,然后通过空间转换网络进一步实现更高自由度变形。采用WHU-OPT-SAR数据集的实验结果表明,与基于尺度不变特征变换（SIFT）算法的传统配准方法相比,本文提出的基于VoxelMorph配准方法可以获得更好的配准效果,验证了基于VoxelMorph的配准方法在多源遥感影像领域的有效性。     

基于残差融合网络的定量磁敏感图像与T1加权图像配准

医学图像配准对医学图像处理和分析至关重要, 由于定量磁敏感图像 (quantitative susceptibility mapping, QSM) 与T1加权图像的灰度、纹理等信息存在较大的差异, 现有的医学图像配准算法难以高效精确地完成两者配准. 因此, 本文提出了一个基于残差融合的无监督深度学习配准模型RF-RegNet (residual fusion registration network, RF-RegNet). RF-RegNet由编解码器、重采样器以及上下文自相似特征提取器3部分组成. 编解码器用于提取待配准图像对的特征和预测两者的位移矢量场 (displacement vector field, DVF), 重采样器根据估计的DVF对浮动QSM图像重采样, 上下文自相似特征提取器分别用于提取参考T1加权图像和重采样后的QSM图像的上下文自相似特征并计算两者的平均绝对误差 (mean absolute error, MAE) 以驱动卷积神经网络 (convolutional neural network, ConvNet) 学习. 实验结果表明本文提出的方法显著地提高了QSM图像与T1加权图像的配准精度, 满足临床的配准需求.     

基于多尺度变形卷积的特征金字塔光流计算方法

针对现有深度学习光流计算方法的运动边缘模糊问题,提出了一种基于多尺度变形卷积的特征金字塔光流计算方法.首先,构造基于多尺度变形卷积的特征提取模型,显著提高图像边缘区域特征提取的准确性;然后,将多尺度变形卷积特征提取模型与特征金字塔光流计算网络耦合,提出一种基于多尺度变形卷积的特征金字塔光流计算模型;最后,设计一种结合图像与运动边缘约束的混合损失函数,通过指导模型学习更加精准的边缘信息,克服了光流计算运动边缘模糊问题.分别采用MPI-Sintel和KITTI2015测试图像集对该方法与代表性的深度学习光流计算方法进行综合对比分析.实验结果表明,该方法具有更高的光流计算精度,有效解决了光流计算的边缘模糊问题.     

集成注意力增强和双重相似性引导的多模态脑部图像配准

目的 医学图像配准是医学图像处理和分析的关键环节,由于多模态图像的灰度、纹理等信息具有较大差异,难以设计准确的指标来量化图像对的相似性,导致无监督多模态图像配准的精度较低。因此,本文提出一种集成注意力增强和双重相似性引导的无监督深度学习配准模型（ensemble attention-based and dual similarity guidance registration network,EADSG-RegNet）,结合全局灰度相似性和局部特征相似性共同引导参数优化,以提高磁共振T2加权图像和T1加权模板图像配准的精度。方法 EADSG-RegNet模型包含特征提取、变形场估计和重采样器。设计级联编码器和解码器实现图像对的多尺度特征提取和变形场估计,在级联编码器中引入集成注意力增强模块（integrated attention augmentation module,IAAM）,通过训练的方式学习提取特征的重要程度,筛选出对配准任务更有用的特征,使解码器更准确地估计变形场。为了能够准确估计全局和局部形变,使用全局的灰度相似性归一化互信息（normalized mutual information,NMI）和基于SSC （self-similarity context）描述符的局部特征相似性共同作为损失函数训练网络。在公开数据集和内部数据集上验证模型的有效性,采用Dice分数对配准结果在全局灰质和白质以及局部组织解剖结构上作定量分析。结果 实验结果表明,相比于传统配准方法和深度学习配准模型,本文方法在可视化结果和定量分析两方面均优于其他方法。对比传统方法ANTs （advanced normalization tools）、深度学习方法voxelMorph和ADMIR （affine and deformable medical image registration）,在全局灰质区域,Dice分数分别提升了3.5%,1.9%和1.5%。在全局白质区域分别提升了3.4%,1.6%和1.3%。对于局部组织结构,Dice分数分别提升了5.2%,3.1%和1.9%。消融实验表明,IAAM模块和SSC损失分别使Dice分数提升1.2%和1.5%。结论 本文提出的集成注意力增强的无监督多模态医学图像配准网络,通过强化有用特征实现变形场的准确估计,进而实现图像中细小区域的准确配准,对比实验验证了本文模型的有效性和泛化能力。     

配准算法对 PCA 单幅投影肺部重建的影响

肺癌放射治疗中,肺部肿瘤位置实成像对于临床意义重大。在一种利用单X射线投影进行成像的实时肺部3D成像算法中,图像配准过程引入的不准确对于PCA模型构建以及重建过程有重大影响。文章分析了光流法、Demons算法、水平集算法三种配准算法对重建效果的影响,并通过定性以及定量实验分析验证。结果表明,光流法配准在配准结果以及模型构建方面有较好的效果。     

基于显著性语义区域加权的图像检索算法

针对计算视觉领域图像实例检索的问题，提出了一种基于深度卷积特征显著性引导的语义区域加权聚合方法。首先提取深度卷积网络全卷积层后的张量作为深度特征，并利用逆文档频率（IDF）方法加权深度特征得到特征显著图；然后将其作为约束，引导深度特征通道重要性排序以提取不同特殊语义区域深度特征，排除背景和噪声信息的干扰；最后使用全局平均池化进行特征聚合，并利用主成分分析（PCA）降维白化得到图像的全局特征表示，以进行距离度量检索。实验结果表明，所提算法提取的图像特征向量语义信息更丰富、辨识力更强，在四个标准的数据库上与当前主流算法相比准确率更高，鲁棒性更好。     

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。     

结合多尺度与可变形卷积的自监督图像特征点提取网络

特征点提取是图像处理领域的一个重要方向,在视觉导航、图像匹配、三维重建等领域具有广泛的应用价值。基于卷积神经网络的特征点提取方法是目前的主流方法,但由于传统卷积层的感受野大小不变、采样区域的几何结构固定,在尺度、视角和光照变化较大的情况下,特征点提取的精度和鲁棒性较差。为解决以上问题提出了一种结合多尺度与可变形卷积的自监督特征点提取网络。本文以L2-NET为网络骨干,在深层网络中引入多尺度卷积核,增强网络的多尺度特征提取能力,获得细粒度尺度信息的特征图;使用单应矩阵约束的可变形卷积以提取不规则的特征区域,同时降低运算量,并采用归一化约束单应矩阵的求解,均衡不同采样点对结果的影响,配合在网络中增加的卷积注意力机制和坐标注意力机制,提升网络的特征提取能力。文章在HPatches数据集上进行了对比试验和消融实验,与R2D2等7种主流方法进行对比,本文方法的特征点提取效果最好,相比于次优数据,特征点重复度指标（Rep）提升了约1%,匹配分数（M.s.）提升了约1.3%,平均匹配精度（MMA）提高了约0.4%。本文提出的方法充分利用了可变形卷积提供的深层信息,融合了不同尺度的特征,使特征点提取结果更加准确和鲁棒。     

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。