基于自适应自由变形法和梯度下降法的胸部多模医学图像配准*

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法和梯度下降法的配准方法。首先采用GVF Snake与Canny算子实现边缘提取,并自动配对特征点;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。     

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。     

利用高维互信息的多模态医学图像配准

互信息相似性测度在多模态医学图像配准中获得了广泛的应用,然而其不足之处在于没用充分利用图像固有的空间信息。针对这一不足,提出了利用图像邻域信息的高维互信息配准方法。首先用图像像素及其邻域构成高维向量的集合,然后利用基于最近邻的熵估计法来估计集合的高维熵,并采用近似最近邻搜索算法来加快高维熵的计算。实验结果验证了新的相似性测度的有效性。     

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。     

利用局部区域约束的医学图像弹性配准

根据人体不同器官具有不同的弹性这一特点构造了一种基于局部区域约束的图像配准算法。首先抽取骨骼边缘上的点作为标志点,利用软对应匹配算法计算出每一个骨骼与其对应骨骼的刚性变换;然后通过薄板样条插值得出整幅图像的变形场;由于同一器官的位移大小相近,将这一区域的均值作为区域内每一点的位移量;将更新后的初始位移场代入到基于B样条的自由形变模型中,得到新的位移场;以Bhattacharyya距离为目标函数,一直迭代下去直到目标函数值达到最优。通过对临床数据的实验表明该方法能够满足临床医生的要求。     

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。     

基于多层P样条和稀疏编码的非刚性医学图像配准方法

针对传统相似性测度易受灰度偏移场的影响而造成误配,和单层P样条变换模型中通常无法准确选择初始化网格密度的问题,提出了多层P样条和稀疏编码的非刚性医学图像配准方法。该方法将稀疏编码作为相似性测度,首先把待配准的两幅图像划分图像块,然后使用“K-SVD”算法训练图像块得到分析字典并寻找稀疏系数,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,与单层P样条几何变换和Sparse-induced、Rank-Induced相似性测度相比,所提方法能够准确选择网格密度并有效克服灰度偏移场对配准的影响,降低了均方根误差,提高了配准的精度和鲁棒性。     

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.     

基于互信息的N维多模医学图像配准

目前多模医学图像配准都定位在两幅图像配准的研究,很少涉及N维(3维及3维以上)图像的配准.当用扩展的N维互信息测度(E-NMIM)进行多个图像配准时,不能保证互信息(MI)值的非负性,并且运算速度慢,达不到临床要求.本文提出一种新的N维互信息测度(N-NMIM),不仅保证了MI值的非负性,而且在[1,2]有界范围内,也提高了配准的速度.通过腰椎部位的CT,T1加权的MRI和T2加权的MRI图像进行实验,验证了这种配准方法的有效性.     

基于B样条的快速弹性图像配准方法

论文提出了一种基于B样条的医学图像快速弹性配准方法。该方法在原有方法的基础上引入“分块计算,部分更新”的策略来提高运行速度。实验结果表明,论文方法与原有方法相比,配准效果相似,但配准速度却显著提高,因此是一种实用的弹性配准方法。     

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。     

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。     

基于局部特征描述的多模态视网膜图像配准*

提出了一种基于局部特征描述的多模态视网膜图像配准方法,该方法采用圆环结构划分关键点周围区域,通过局部梯度方向直方图构造特征描述子,并对所提取的特征向量进行规范化。实验证明,该算法在多模态视网膜数据集上提高了配准的成功率,相比于经典算法提高了算法的速度和鲁棒性。     

基于人工免疫及最大互信息的胸部多模图像配准*

为了实现胸部医学图像的自动配准,提出了一种基于人工免疫及最大互信息的配准方法。首先定义了最优配准的目标函数,接着运用人工免疫算法,结合最大互信息熵函数产生最优的仿射变换系数,从而实现医学图像自动配准。该人工免疫算法中,抗原是指最大互信息熵目标函数,而抗体是指最优的仿射变换系数。实验证明该方法配准效果较好。     

自适应特征点检测的可见-红外图像配准

目的 针对可见—红外图像之间配准点的数量不足、分布严重不均匀以及配准点之间的错配率高这3个核心问题,提出一种基于自适应特征点检测的可见—红外图像配准方法。方法 本文提出的自适应特征点检测方法,以Harris corner作为基本特征点;以特征点数目与空间分布为检测目标,从而自动地估计合适不同空间位置的特征点的检测阈值。在特征点对匹配中,将梯度方向与互信息相融合有效地添加了相似性函数的空间位置信息。结果 自适应Harris corner检测方法能够有效地提供空间分布均匀、数量充足的特征点。而梯度方向与互信息相融合的相似性匹配函数提高特征点的匹配率20%,降低配准误差50%。结论 本文提出的多传感器图像配准方法能够快速、准确地实现可见光图像与红外图像之间的配准,在CCD-IR图像融合领域具有很好的实用价值。     

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。