改进的自适应遗传算法医学图像配准研究

研究图像配准精度问题。图像配准技术一直被广泛应用在医学图像和遥感图像等众多领域,由于不同的模式设备对人体内的组织会存在不同的灵敏度和分辨率,造成了图像的分辨率不同,而传统的配准算法对于具有不同的分辨率的图像配准的精度度难以提高。为此提出了一种将改进的自适应遗传算法并应用到图像配准的优化过程中,该算法首先采用进化前后期分别调整交叉概率和变异概率来克服传统遗传算法容易陷入局部最优的缺点,同时采用了刚体旋转方法对图像进行旋转匹配,使得图像可以进行局部的匹配。仿真结果表明了该算法有效的提高了图像配准的精确度,验证了该算法是一种可行性有效的图像配准算法。     

自适应遗传算法在多模图像配准中的应用

提出一种改进的自适应遗传算法并应用到多模图像配准的优化过程中,解决经典遗传算法后期存在的收敛过早的问题,该方法采用进化前后期分别调整交叉概率和变异概率、二次交叉以及移民策略等来克服传统遗传算法容易陷入局部最优的缺点.实验结果表明该算法具有一定的可行性和有效性.     

遗传算法和最大互信息医学图像配准算法的研究

针对人脑的二维图像设计了一种遗传算法和最大互信息相结合的医学图像配准算法,采用互信息配准模型,以图像的灰度统计信息为配准依据,用改进的遗传算法搜索图像间的最优变换参数,并用最大互信息作为目标函数指导最优变换参数的搜索。通过实验验证了算法的可行性和稳定性。     

基于遗传算法的互信息医学图像配准

本文首先介绍了医学图像配准的基本概念及方法流程;然后介绍了基于遗传算法寻优的图像配准,其适应度函数为两配准图像的互信息;最后通过基于遗传算法的脑部二维图像配准实验说明该算法的高效性.     

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。     

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。     

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.     

图像配准技术研究

图像配准技术是图像拼接技术最关键的步骤,图像配准的好坏直接决定了图像拼接结果的优劣。对图像配准工作进行了总结,介绍了基于区域的图像配准和基于特征的图像配准方法,并分析了各个方法的优缺点,同时指出了现有图像配准算法存在的问题和发展的方向。     

改进遗传算法的医学图像配准

采用遗传算法的医学图像配准时,遗传算法存在收敛速度慢,易早熟的问题,有可能导致误配.提出改进遗传算法(IGA),该方法将外推搜索和黄金分割搜索与标准遗传算法(SGA)相结合,既提高了遗传算法的收敛速度,又有效地防止了早熟.实验结果表明,改进算法具有更好的有效性和精确性.     

基于遗传算法的深度图像配准方法研究

深度图像配准主要应用于物体三维建模、历史建筑修复重建、虚拟博物馆、利用虚拟现实界面教学,以及复杂结构分析等广泛领域.遗传算法多用于深度图像粗配准,但通过加强其局部搜索能力,也能实现细配准.系统论述了遗传算法在深度图像图像配准的应用,并通过实验加以具体说明.     

基于Dividing Rectangles的多模态

为了准确、可靠地配准多模态医学图像,提出了一种基于互信息的全局优化配准算法。该算法首先提取出目标物体的外轮廓面,再用迭代最近点方法初步对齐图像;然后用确定性的全局优化方法—Dividing Rectangles搜索归一化互信息的全局最优解。该算法利用图像的特征信息,为Dividing Rectangles方法提供了一个较好的初始配准位置,并充分利用了Dividing Rectangles方法在小范围内的高效搜索能力。实验结果表明,对于3维人体脑部数据,该算法配准精度高、速度快,而且有效地避免了配准过程中出现的局部极值。     

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。     

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．     

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.     

多模态图像配准技术

多模态图像配准近年来成为了图像处理领域的热点与难点；尽管这方面的研究已经有了一些成果，但目前所应用的主要方法仍然存在很多不足；对现有图像配准方法的意义、原理、分类及配准的流程做了详细的介绍，并对各种方法进行了比较，提出了各种配准算法适用范围，对它们各自的性能进行了分析和评价，力求为该领域提出一个较详实的背景材料。     

PET-CT双模图像配准

目前,医疗图像设备层出不穷,各种图像格式相继诞生.医疗图像所包涵的信息丰富程度和准确度直接影响到医生诊断治疗的结果.此篇文章以提供信息更为丰富、更为准确的多模图像,以便于医生临床的诊断治疗为目的,应用了刚性校正与双线性插值算法,以及聚类算法实现单模态PET与PET图像之间的配准,CT与CT图像之间的配准,与PET-CT图像的双模配准, 这些方法在实际临床医学应用中有着重要的用途,对医生判断病灶的情况和确切位置有很大的帮助.     

Curvature Based Image Registration

A fully automated, non-rigid image registration algorithm is presented. The deformation field is found by minimizing a suitable measure subject to a curvature based constraint. It is a well-known fact that non-rigid image registration techniques may converge poorly if the initial position is not sufficiently near to the solution. A common approach to address this problem is to perform a time consuming rigid pre-registration step. In this paper we show that the new curvature registration not only produces accurate and smooth solutions but also allows for an automatic rigid alignment. Thus, in contrast to other popular registration schemes, the new method no longer requires a pre-registration step. Furthermore, we present an implementation of the new scheme based on the numerical solution of the underlying Euler-Lagrange equations. The real discrete cosine transform is the backbone of our implementation and leads to a stable and fast O(N log N) algorithm, where N denotes the number of voxels. Finally, we report on some numerical test runs.