改进头脑风暴优化算法与Powell算法结合的医学图像配准

针对现有医学图像配准算法精度较差、易陷入局部极值和收敛速度慢的问题,结合多分辨率分析,提出改进头脑风暴优化（MBSO）算法与Powell算法结合的图像配准算法。MBSO算法通过改变个体生成方式调节参与局部和全局搜索的个体比例,应用可变步长加强搜索能力,达到跳出局部最优和加速收敛的目的。首先,在低分辨率层利用MBSO算法进行全局搜索;然后,将搜索结果作为Powell算法的初始点在高分辨率层进一步搜索;最后,在原始图像层利用Powell算法搜索并定位全局最优值。与粒子群优化（PSO）算法、蚁群优化（ACO）算法、遗传算法（GA）与Powell算法结合算法相比,所提算法平均均方根误差分别减小了20.89%、30.46%和18.54%,平均配准时间分别缩短了17.86%、27.05%和26.60%,并且达到了100%的成功率。实验结果表明,所提算法具有很强的鲁棒性,能够快速、准确完成医学图像配准任务。     

遗传算法对Powell图像配准方法的改进

针对Powell算法在搜索过程中具有初始值依赖和容易陷入局部极值的问题,提出了使用遗传算法改进Powell算法在图像配准中的应用。利用图像的归一化互信息作为遗传算法的适应度,全局、并行搜索图像配准参数作为Powell算法的初始值,再使用Powell算法局部逼近近似最优解。实验结果证明,改进后的Powell算法能有效地减少图像配准的时间,提高配准的精度,精度能达到亚像素级。     

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。     

医学图像配准的混合量子粒子群优化算法研究

基于互信息的配准方法具有精度高、鲁棒性强等特点,但互信息的配准函数存在局部极值,给配准的过程带来了很大的困难。针对此问题提出了以归一化互信息作为相似性测度,将具有较强全局搜索能力的量子粒子群优化（QPSO）算法用于求解低精度的配准参数,再利用具有较强局部搜索能力的Powell法获得高精度配准参数的方法,应用到医学图像的配准中。实验结果表明,提出的混合算法能够有效地克服互信息函数存在的局部极值和Powell方法存在的初始点依赖问题,提高了配准的成功率,具有较高的配准精度和较快的速度。     

基于QPSO的多模态医学图像配准研究

本文提出一种基于QPSO的形态金字塔多模态医学图像配准算法,该方法以梯度互信息作为相似性度量标准,运用全局仿射变换建立数学模型,充分利用形态金字塔的非线性、多分辨率等特性将图像进行分层处理,并且利用QPSO和Powell算法结合逐层获取参数解。实验结果表明在任意初始值的情况下,基于QPSO的寻优算法比Levenberg-Marquardt寻优算法运行速度快,并且配准精度更高。     

基于逐级变异布谷鸟搜索和Powell的医学图像配准

针对基本布谷鸟搜索算法容易陷入局部极值的不足,提出一种逐级变异方法,采用逐级变异方法改进基本布谷鸟搜索算法,进而提出一种逐级变异布谷鸟搜索算法。针对医学图像配准问题,采用互信息作为相似性测度,结合逐级变异布谷鸟搜索算法和Powell法提出融合优化方法,将该融合优化方法应用于医学图像配准中,提出一种基于逐级变异布谷鸟搜索和Powell的医学图像配准方法。通过仿真实验证明该方法实现的医学图像配准精度和准确度更高,性能更好。     

互信息医学图像配准研究与局部极值的克服

研究了基于互信息的三维医学图像配准,并克服了的局部极值问题。改进了互信息和归一化互信息的公式,减小了计算量：对Powell算法的方向替换策略进行矫正,最大限度地保持原搜索方向;采用预谩旋转量的方法有效解决了插值赝像局部极值问题。采用背景阚值策略,减小了互信息的计算区域,应用形态学方法,去除了PET图像的背景伪迹,使用了多分辨率策略,有效地提高了配准的速度。实验表明,用谊改进的算法进行三雏医学图像配准可以达到亚像素精度,且在速度上有了明显的提高。     

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。     

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．     

互信息医学图像配准的实时性研究

基于互信息的医学图像配准是一种高精稳健的自动配准算法,可以达到亚像素级精度且无需提取解剖特征而倍受重视,但其最大问题是速度慢,致使其不能满足临床的实时需求。在分析影响其速度因素的基础上提出一套加速方案,即采用快速粗配准来缩小互信息的搜索范围、利用非等间隔的灰度压缩来加快互信息的计算、通过混合遗传算法和单纯形算法来加快互信息的搜索。实验表明,改进后的算法在保证配准精度的前提下能显著提高配准速度。     

基于粗配准和互信息的脑部MR图像配准算法

现有的医学图像配准算法一般都存在需要人工介入、配准时间过长等问题.为了寻找快速、精确、鲁棒性强的自动配准算法,在采用主轴矩方法进行脑部MR(核磁共振)图像的初始配准的基础上,提出局部搜索算法对图像求得更精确的配准.实验表明,该方法的配准精度和现有的Powell算法都可以达到亚像素级,但局部搜索方法和Powell算法相比较,平均配准时间大大缩短;即便和采用了主轴矩粗配准的Powell算法相比较,配准效率也提高了一倍左右.主轴矩粗配准算法提高了配准效率,局部搜索算法则保证了配准的精度.     

结合形态学梯度互信息和多分辨率寻优的图像配准新方法

对互信息配准法进行算法改进. 在互信息基础上结合形态学梯度作为新的图像配准测度, 不仅考虑所有体素信息, 而且有效结合像素在空间位置的相互关系. 将粒子群优化 (Particle swarm optimization, PSO) 算法这种全局寻优算法和 Powell 这一局部寻优算法相结合, 前者的配准结果为后者的算法优化提供了非常有效的初始点, 优化时间大为减少. 借鉴小波变换中多分辨率的思想, 在低分辨率图像中粗略配准后, 上升到高分辨率图像上进一步细化配准结果, 增加算法鲁棒性. 实验结果证明, 本文算法效果良好, 寻优过程在数分钟内完成, 能够满足诊断和科研的实时性要求.     

采用混合编程的医学图像配准

在确保低误配率的前提下,如何提高医学图像配准的精度与效率,是一项值得研究的重要课题。为了满足临床需要,提出一种混合编程的配准策略,即通过质心提取技术和小波分解图像的细节增强技术相结合的方式进行预配准,并在这个基础上基于图像的灰度信息,利用Powell优化算法和传统的基于最大互信息的相似性测度方法进行细配准,从而得到配准结果。另外,对Powell算法的一维搜索方式提出了有别于传统Brent算法的改进,使之在保证精度与效率的前提下更适用于图像配准。实验证明,提出的配准策略能很好地避免误配准,配准精度达到了亚像素级,配准的效率也符合临床需求。     

基于改进的Zernike矩的局部描述符与图割离散优化的非刚性多模态脑部图像配准

针对脑部图像中存在噪声和强度失真时，基于结构信息的方法不能同时准确提取图像强度信息和边缘、纹理特征，并且连续优化计算复杂度相对较高的问题，根据图像的结构信息，提出了基于改进Zernike距的局部描述符（IZMLD）和图割（GC）离散优化的非刚性多模态脑部图像配准方法。首先，将图像配准问题看成是马尔可夫随机场（MRF）的离散标签问题，并且构造能量函数，两个能量项分别由位移矢量场的像素相似性和平滑性组成。其次，采用变形矢量场的一阶导数作为平滑项，用来惩罚相邻像素间有较大变化的位移标签；用基于IZMLD计算的相似性测度作为数据项，用来表示像素相似性。然后，在局部邻域中用图像块的Zernike矩来分别计算参考图像和浮动图像的自相似性并构造有效的局部描述符，把描述符之间的绝对误差和（SAD）作为相似性测度。最后，将整个能量函数离散化，并且使用GC的扩展优化算法求最小值。实验结果表明，与基于结构表示的熵图像的误差平方和（ESSD）、模态独立邻域描述符（MIND）和随机二阶熵图像（SSOEI）的配准方法相比，所提算法目标配准误差的均值分别下降了18.78%、10.26%和8.89%，并且比连续优化算法缩短了约20 s的配准时间。所提算法实现了在图像存在噪声和强度失真时的高效精确配准。     

残差密集相对平均CGAN的脑部图像配准

目的 针对图像合成配准算法中鲁棒性差及合成图像特征信息不足导致配准精度不高的问题,提出了基于残差密集相对平均条件生成对抗网络（residual dense-relativistic average conditional generative adversarial network,RD-RaCGAN）的多模态脑部图像配准方法。方法 相对平均生成对抗网络中的相对平均鉴别器能够增强模型稳定性,条件生成对抗网络加入条件变量能提高生成数据质量,结合两种网络特点,利用残差密集块充分提取深层网络特征的能力,构建RD-RaCGAN合成模型。然后,待配准的参考CT（computed tomography）和浮动MR（magnetic resonance）图像通过已训练好的RD-RaCGAN合成模型双向合成对应的参考MR和浮动CT图像。采用区域自适应配准算法,从参考CT和浮动CT图像中选取骨骼信息的关键点,从浮动MR和参考MR图像中选取软组织信息的关键点,通过提取的关键点指导形变场的估计。从浮动CT图像到参考CT图像估计一个形变场。类似地,从浮动MR图像到参考MR图像估计一个形变场。另外,采用分层对称的思想进一步优化两个形变场,当两个形变场之间的差异达到最小时,将两个形变场融合得到最终的形变场,并将形变场作用于浮动图像完成配准。结果 实验结果表明,与其他6种图像合成方法相比,本文模型合成的目标图像在视觉效果和客观评价指标上均优于其他方法。对比Powell优化的MI（mutual information）法、ANTs-SyN（advanced normalization toolbox-symmetric normalization）、D.Demons（diffeomorphic demons）、Cue-Aware Net（cue-aware deep regression network）和I-SI（intensity and spatial information）的图像配准方法,归一化互信息分别提高了43.71%、12.87%、10.59%、0.47%、5.59%,均方根误差均值分别下降了39.80%、38.67%、15.68%、4.38%、2.61%。结论 本文提出的多模态脑部图像配准方法具有很强的鲁棒性,能够稳定、准确地完成图像配准任务。     

一种改进的心脏磁共振图像亚像素匹配方法

心肌灌注磁共振图像系列的配准是心脏分析诊断的重要辅助手段。针对心脏磁共振时间序列图像,提出了一种结合力矩主轴法与互信息法的序列图像亚像素配准新方法。给出了一种由粗配准到精配准的混合配准策略。采用力矩主轴法进行粗配准,避免那些远离全局最优点的局部极值;采用Powell算法和模拟退火算法相结合的搜索策略,以互信息的值作为目标函数,对结果进行优化。使得图像配准精度和速度有极大的提高。     

基于特征点互信息的医学图像配准

针对互信息配准方法耗时较长、容易陷入极值的缺陷,提出采用ReNet的方法提取图像边缘,构建边缘特征点互信息能量函数,通过改进Powell算法对配准进行优化.通过实验,基于特征点互信息的医学图像配准方法与结构互信息相比,在配准准确率大致相同的情况下,配准所需时间大幅降低.