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.     

医学图像配准技术研究进展

医学图像配准是近年来医学图像处理领域的重要研究课题。对目前深入研究的各种配准方法（空间变换、互信息、物理模型）,从其原理、优点、发展及改进方面做了详细论述,最后,对医学图像配准的发展趋势进行了展望。     

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。     

非刚性医学图像配准研究综述

非刚性配准技术是医学图像配准中的一个重要研究课题,是非刚性组织配准,不同个体之间的配准以及个体同图谱配准的基础。该文提出了多项式法、样条函数法等基于空间变换的配准方法,以及弹性模型、粘性流体模型和光流场模型等基于物理模型的配准方法两大类方法。同刚性配准相比,非刚性配准技术还不成熟,计算效率和稳定性还需要进一步提高,仍是一个非常活跃的研究领域。     

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。     

基于ITK的医学图像配准的应用

医学图像配准是指对于一幅医学图像寻求一种空间变换,使它与另一幅医学图像上的对应点达到空间位置上的一致。一致是指人体上的同一解剖点在两张图像上有相同的空间位置。The Insight Toolk it(简称ITK)是一个具有较强功能的医学图像处理类库,主要用于医学图像的预处理、分割及配准。主要研究图像配准算法以及ITK在医学图像配准中的应用。为采用ITK实现的一个医学图像配准的实例,对医学发展提供参考。     

医学图像配准的优化算法改进研究

在医学图像配准优化算法中通常采用Powell法,由于基本Powell法随迭代次数的增加,搜索方向容易趋于线性相关,为此提出了一种改进的Powell法,该算法随着迭代的增加,搜索方向的共轭程度逐渐增强可避免线性相关.将边缘检测与最大互信息相结合,提高原有算法的性能,较准确地完成图像配准任务.对提出的配准算法进行了Matlab仿真实验并对仿真结果做了分析.     

医学图像配准技术的研究与应用进展

图像配准是医学图像处理领域的一个重要研究课题。图像配准是多个图像对齐到一个共同坐标系、以检测其间的微妙变化。医学图像配准广泛应用于医疗诊断、指导神经手术、放射治疗计划的制定、病灶的定位、病理变化的跟踪和检查治疗效果等各个方面,为临床诊断提供功能和形态的综合信息。对医学图像配准技术的研究与应用进展进行了全面的综述。     

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。     

基于互信息的分层遥感图像配准方法

该文提出了一种基于互信息相似性判据的分层遥感图像配准方法,通过小波变换构造图像金字塔,从金字塔的最顶层开始搜索,根据互信息最大的原则确定图像间的变换参数,并作为下一层搜索的粗略位置,然后逐层细化,实现由粗到细的搜索过程。将此算法应用于遥感图像,得到了有效、精确的配准结果。从而证明了该文算法的可行性和有效性。     

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。     

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。     

医学图像配准技术进展

医学图像配准对提高临床诊断治疗、病情监测、外科手术水平等有积极作用.以一个医学图像配准配框架为主线,综述了配准框架各模块所涉及的经典算法、新技术,并对相关性能进行了分析.此外,还涉及医学图像配准开发平台、测试数据库及评估标准等.全面地总结了医学图像配准技术的最新进展.     

基于轮廓特征匹配的数字人多模态图像配准

医学多模图像配准技术是实现非同源图像的信息融合的前提条件和关键步骤。数字人断层影像学的3种图像数据(彩色切片数据、CT和MRI数据)本质上都是医学图像。基于多模图像信息互补的思路,通过将数字人的两种源图像(彩色切片和MRI图像)进行统一分辨率、维数和去噪等预处理后,提取有效轮廓信息,计算图像的周长、质心和主轴作为配准参数,利用仿射模型实现数字人多模图像的配准,为信息融合工作提供准确的图像信息,解决了关键的技术难题。由实验结果可以看出,配准算法准确,实现处理速度快,图像特征精确,图像配准的目标已达到。     

一种基于轮廓的医学图像弹性配准方法

提出了一种基于轮廓的医学图像弹性配准方法。该方法先对医学图像进行轮廓提取,计算轮廓所围部分(目标)的质心。围绕质心每隔一定角度抽得轮廓点作为特征点。通过计算相似度确定两组特征点的对应关系。采用Wendland提出的ψ函数作为弹性变换的基函数。通过两组对应点确定变换系数。最后根据配准参数对形变图像进行变换,从而得到配准图像。实验表明,本方法对具有形变的医学图像的配准是快速的、有效的。     

Medical Image Registration and Interpolation by Optical Flow with Maximal Rigidity

In this paper a variational method for registering or mapping like points in medical images is proposed and analyzed. The proposed variational principle penalizes a departure from rigidity and thereby provides a natural generalization of strictly rigid registration techniques used widely in medical contexts. Difficulties with finite displacements are elucidated, and alternative infinitesimal displacements are developed for an optical flow formulation which also permits image interpolation. The variational penalty against non-rigid flows provides sufficient regularization for a well-posed minimization and yet does not rule out irregular registrations corresponding to an object excision. Image similarity is measured by penalizing the variation of intensity along optical flow trajectories. The approach proposed here is also independent of the order in which images are taken. For computations, a lumped finite element Eulerian discretization is used to solve for the optical flow. Also, a Lagrangian integration of the intensity along optical flow trajectories has the advantage of prohibiting diffusion among trajectories which would otherwise blur interpolated images. The subtle aspects of the methods developed are illustrated in terms of simple examples, and the approach is finally applied to the registration of magnetic resonance images.Supported by the Fonds zur Förderung der wissenschaftliche Forschung under SFB 03, Optimierung und Kontrolle.Stephen Keeling was born in 1956 in Louisville, KY, USA. He received the B.S. in Biology and Chemistry from Eastern Kentucky University in 1978, the M.S. in Biomedical Engineering (bioelectric phenomena) from Case Western Reserve University in 1981, and the Ph.D. in Mathematics (numerical analysis for PDEs) from the University of Tennessee in 1986. His postdoctoral research at ICASE and at Vanderbilt University focused on active noise control until 1989. From 1989 until 1998 he worked as Senior and then Principal Scientist in the CFD Group at the Arnold Engineering Development Center specializing in flow control and imaging. From 1998 until 2001 he worked with the mathematics and radiology faculties of the University of Graz as a Research Associate of the Special Research Center on Optimization and Control. Since 2001 he is Assistant Professor at the Institute of Mathematics of the University of Graz. His research interests include early vision problems in medical imaging with emphasis on MRI applications.Wolfgang Ring was born on November 6, 1965 in Zeltweg, Austria. He received his Masters Degree from the University of Graz in 1991 and his Ph.D. in Mathematics from the Technical University of Graz in 1994. He worked as an Assistant Professor at the Institute of Mathematics at the Technical University of Graz between 1993 and 1996. Since 1997 he is Assistant Professor at the Institute of Mathematics at the University of Graz. His main scientific interests are geometric inverse problems, mathematical imaging and optimal shape design.     

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。     

用改进的粒子群算法实现多模态刚性医学图像的配准

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．提出了一种基于轮廓特征点和改进的粒子群优化算法((Particle Swarm Optimization,PSO))求解的配准方法．该方法首先用Canny算子提取图像的边缘,用ISODATA算法进行聚类分析提取出轮廓特征点,然后用两轮廓匹配点对的欧几里德距离平均值的极小值作为两个特征点对配准准则,并用改进的PSO算法求解配准所需的空间变换参数．实验证明;该方法配准精度能够达到亚像素级,能够避免陷入局部极小值而且速度得到明显改善,其应用于多模态医学图像的配准是可行的．