1. 网站地图
  2. 设为首页
  3. 关于我们


基于超分辨率的 CBCT 与 PCT 医学图像配准 算法研究

发布时间:2022-08-09 09:55
课题来于国家自然科学青年基金,项目名称是基于分数阶微分和深度学习的糖尿病视网膜图像分析算法研究,基金号:61806060。肿瘤一直是最令人害怕,令医生烦恼的病症,很多的肿瘤病症都让人束手无策[1]。目前有手术、化学和放射治疗三种主要治疗肿瘤的方法。随着临床医学影像技术的快速发展,图像引导放射治疗(Image-guided Radiotherapy,IGRT)成为一种主流的治疗肿瘤手段,IGRT 的特点是能够将医学影像设备和放射治疗技术结合,在临床医学上通过医学器械拍摄肿瘤区域跟踪患者的病变情况,能够及时的诊断出病情并制定治疗计划[2, 3]。IGRT 主要分为两个步骤:图像引导放疗实施前和图像引导放疗实施中。在放疗前需要将扫描得到医学图像与病人前规划的医学图像作为放疗计划输入,但是在 IGRT 中存在的一些组织形变、剂量分布误差、分次放疗摆位误差等降低了放疗的精确度。目前,图像配准技术已然成为IGRT 中校正靶区误差分布和医学图像解析的重要技术[4]。

1.2 研究的目的和意义
任何一种医学图像都可以提供不同的信息,在放射治疗中,为了提高肿瘤患者治愈率,针对于在校正放疗系统中存在的治疗误差问题,如何提升IGRT 中医学图像配准的配准精确度是首要任务,其次在放疗中采集到病人实时性的图像数据也是一个重要问题。目前,图像配准技术是放疗中校正靶区误差和保证靶区辐射精准性的重要技术,得到了放射临床医学的高度重视。锥形束CT(ConeBeam CT,CBCT)作为在IGRT 中的一项重要工具,在图像引导的放射治疗起到了无可代替的作用。CBCT 是先将锥形束射线围绕着患者体位扫描一周,然后经由平板探测器接收到二维的投影图像数字信息。CBCT 目前主要应用在两个方面:一是在放疗中与计划CT(Planning CT,PCT)进行图像配准,跟踪治疗患者病变情况,帮助做出实时的治疗方案提高医学诊断效率;二是在放疗中利用 CBCT 图像观察靶区,对靶区的方向位置变换跟踪,避免患者在治疗中其他部位受到射线照射危害。在 CBCT 应用中,图像软组织对比度低,易受噪声干扰,伪影严重,以上问题会造成CBCT 与放疗前的PCT 进行配准时靶区位置
 
哈尔滨理工大学工学硕士学位论文
定位和摆位误差校正的困难,进而影响放疗治疗效果,所以对于提高 CBCT 的图像质量对于 IGRT 准确率有着重要的意义。临床医学图像配准算法在实际应用时,存在着算法流程计算复杂度高、耗时长、准确度不高等问题,对于 IGRT 的发展造成了阻碍。医学图像配准算法对提高图像引导放射治疗的结果精准性和放疗过程效率、保证图像采集的实时性以及动态变换误差快速校正同步尤其重要,配准技术可以利用图像各自的优势,对于医学图像分析、图像融合和图像生成都有重要作用,医学图像配准还可以通过匹配结合不同模态的医学图像联合显示患者病理信息,在 IGRT 中跟踪患者病情发展状态,帮助医生做出更可靠值得信赖的诊断和治疗方案。除此之外,对于未来其他领域,如:卫星遥感图像融合、计算机视觉也有着重要的作用。同时不断地推动临床医学影像的发展,提高 IGRT 的治疗效率,能够进一步完善复合诊断,所以深入研究医学图像配准算法技术具有重要的理论和应用价值。随着科学技术和人工智能化的到来,医学上相继出现了不同的影像。每一种影像都有着各自的特性和使用场景。目前常见的图像有以下几种:磁共振成像(Magnetic Resonance,MRI)、功能核磁共振(functional Magnetic Resonance,fMRI)、正电子发射断层成像(Positron Emission Tomography,PET)、计算机断层扫描(Computed Tomography,CT)、超声成像(Ultrasonic Image,UI)。以上医学图像的优缺点如表 1-1 所示。表 1-1 五种医学影像特点Table 1-1 Five medical imaging features成像技术 优缺点MRI 清晰反映软组织;成像依靠磁场,无射线损伤;成像时间长
fMRI 成像过程无辐射、时空分辨率高PET 可获取组织代谢水平和血流状况信息;需注射放射性示踪剂;成像速度慢CT 密度分辨率高,清晰反映骨骼结构;成像速度快;骨组织敏感UI 伤害小、常用获取胚胎图像;可获取流体的速度信息;成本低

1.3 国内外研究现状
1.3.1 CBCT 图像增强方法研究现状
在临床医学的图像引导放射治疗中,CBCT 作为关键的工具,它本身存在着哈尔滨理工大学工学硕士学位论文图像质量较差、软组织密度低等问题,研究学者提出很多提升 CBCT 图像质量的方法。其中主要对于 CBCT 图像增强的方面有硬件设施和软件操作处理。2016年 Jing Zhang[5]在 CBCT 成像系统中加入单能束光谱强度,减少了伪影,提高了图像质量;Ruola Ning[6]将小波域去噪和数字重建滤波器结合,对 CBCT 去噪;这两种方式都是改变硬件系统来提升图像质量的方式,实现方式不够普遍常见,花费成本过高。Ercument Yilmaz[7]提出了一种自适应的偏微分方程去噪算法,实
现扩散方程的自适应终止,对 CBCT 去噪有较好的效果;随后 Yi Liu[8]在自适应方程的基础上,增加了拉普拉斯金字塔限制修改偏微分方程的扩散函数,图像去噪效果更好同时可以保留图像边缘信息。随着图像重建算法的兴起,目前图像重建技术有两个主流,一是以 Radon变换和中心切片理论为基础的数学反计算,另一个是通过一系列的级数展开进行数学计算。两种方法各有利弊,很多学者也不断在前人基础上继续深入研究。张东平等人[9]在 2008 年,提出的图像重建算法主要是采用 FDK 对单圆扫描的投影数据进行重建,利用外推方式得到缺失数据,这种反投影算法重建图像过程最后得到的是两部分的叠加,实验表明该算法能够抑制 CBCT 图像的部分伪影。随后,马建华[10]提出了改进的 FDK 框架重建算法,在张东平的算法的基础上结合了二维 LT 算法,避免了公式中投影数据的反复运算,该算法在保证图像质量的前提下提高了 CBCT 图像重建的速度。2011 年的时候,杨海等人[11]提出了变螺距螺旋 FDK 图像重建算法对 CBCT 进行了研究。他们的实验结果做到了能同时使重建图像的时间和空间分辨率更好。赵芳[12]提出一种 CBCT 重建方法,算法的原理是一个基于混合高斯/泊松最大似然函数的保真项和一个基于三维全变分正则化方法的约束项,保真项让重建值与观测值最大程度相似,该法能去除噪声,同时保留下图像的边缘和细节信息。在当时的图像处理系统硬件设备发展的水平下,设备系统满足不了以上方法对硬件的需求。所以随着各种新兴技术和模型的出现,图像处理的研究方向从传统的去噪处理方式,转变为基于深度学习的图像处理方向Chee[13]利用 3D 脑磁共振图像,用仿射配准网络估计值和标准仿射变换之间的均方误差训练网络,结合深度学习的医学图像配准方式凭着其参数共享,效率高的优势迅速成为热门。Sloan[14]用深度网络回归刚性变换参数,对 T1 和 T2 加权脑 MR 图像进行配准,研究了单模和多模配准。Mok[15由 SYN 的启发提出了对称微分同胚图像配准网路框架 SYN-Net。Guha[16]之后提出图像配准模型 Voxelmorph,提出的网络能够实现体素之间的无监督配准。早在 1984 年对于超分辨率图像重建技术就不断被提出,超分辨率是利用数
 
哈尔滨理工大学工学硕士学位论文
字图像处理的方法,主要是通过对低分辨率图像中的信息进行提取、学习和训练,重建出相较于低分辨率的高分辨率图像。超分辨率图像重建算法不依赖于成像设备,能够避免因改动成像设备带来的巨大花费,所以不同类型的超分辨图像增强算法不断被提出。在医学图像中,超分辨率重建技术也因能提升医学图像的细节信息达到医学图像增强的目的而被广泛应用。超分辨率图像增强算法主要用于对多幅图像和单幅图像超分辨率,在对单幅的超分辨率算法的研究中,因其对图像的细节信息和纹理特征方面效果明显,近年来广大研究学者的研究热度逐渐增长[17, 18]。


1.3.2 图像引导放射治疗技术研究现状
放射治疗技术是从三维适形放疗到强调放射治疗,然后是 IGRT 的一个演变历程。放射治疗利用放射线进行局部肿瘤治疗可以最大程度的将放射线集中到患者病变靶区位置,在保护其他组织细胞的同时射杀肿瘤细胞。三维适形放疗和强调放射治疗在放疗中很容易受到不确定因素如呼吸运动、肌肉不自主收缩、病人心脏跳动等不确定因素影响,治疗效果不佳[19]。随着各种医学影像的,IGRT 技术也逐渐的变成医学上的热点技术,图像引导放疗技术是利用各种先进的影像采集设备在患者治疗前和治疗中,对肿瘤以及正常器官进行实时监控和观测。精准治疗目前是现代医学治疗的主要发展向。王成都[20]研究发现经过 IGRT 可缩小计划靶区外扩边界,在不影响靶区剂量基础上,显著性的降低对周边器官的危害,并改善肿瘤靶区的剂量分布;王法宁[21]在 IGRT 技术中研究对象是患者的头颈部肿瘤,由患者头颈部肿瘤体积及腮腺平均消退率的降低得到结论是 IGRT 可纠正摆位误差,同时减少伤害正常器官;盛馨[22]研究的是耳鼻喉部,实验结果得到增加 CBCT 扫描频率可有效减少因重复影像带来的系统随机误差。以上种种都表明 IGRT 未来在临床医学上的应用发展前景依然可观。

1.3.3 CBCT 与 PCT 医学图像配准研究现状
图像配准是图像引导治疗、图像融合、器官图谱生成、骨骼生成监测、临床医学等领域的关键技术。在 IGRT 中,放疗前规划的 PCT 和放疗中的 CBCT 的医学图像配准是实现精确摆位的关键技术。在 IGRT 中,通过 CBCT 与放疗前制定的 PCT 进行配准,能够实时的监测到病人病变情况和病情发展,指导摆位误差信息[23]。CBCT 在图像引导的放射治疗中与 PCT 的配准能跟踪引导治疗,
 
哈尔滨理工大学工学硕士学位论文
会大大提高肿瘤治疗的治愈率。在仿射配准网络中估计值和标准仿射变换之间的均方误差来训练配准网络,结合深度学习的医学图像配准方式凭着其参数共享,医学图像配准效率高的优势迅速成为热门。深度网络回归刚性变换参数,研究医学图像单模和多模配准。之后的图像配准模Voxelmorph,可应用在多种医学图像配准,实现体素之间的无监督配准。这些在深度学习上提出的医学图像配准网络模型和算法一部分已经被证实了其正确性,有些已经被应用在临床医学影像处理上,并且对图像配准精度提升也有帮助,所以结合深度学习的优势和特点对医学图像处理分析配准融合等一系列的操作具有深远的价值意义。综上所述,在IGRT 中,CBCT 与PCT 的配准技术可以有效提升肿瘤治愈率,很多的研究学者为了提高配准的精度,同时也为了提高肿瘤治愈率,尝试从多个角度切入,诸如很多的国内外研究学者对于 CBCT 的去噪算法,配准的网络模型算法和配准模型的设计改进等方面都提出了不少的方案,随着临床医学精度的要求不断提高,配准精度的要求也在不断地提升,依据深度学习在图像处理中的优势和特点,基于深度学习的医学图像配准应运而生。因此,本文在以上对于图像去噪和模型优化方面的研究基础上继续进行深入探索。


1.4 本文研究的主要内容
本课题针对提高在IGRT技术中医学图像CBCT与PCT的配准精度和效率问题,提出超分辨率图像增强算法,结合改进弹性配准网络模型和模型的输入数据维度等方面进行研究。本文每章的具体内容包括:

(1) 阐述课题研究背景和目的意义。分析目前国内外在CBCT增强和IGRT中CBCT与PCT配准的研究现状,以及在图像引导的放疗中研究深度和面临挑战。
(2) 基本的医学图像配准理论知识。目前临床医学发展上各种医学影像的成像原理和作用,图像配准的流程分类,在深度学习的基础上与图像配准的结合。为后续章节奠定理论基础。
(3)在基于对CBCT图像质量提升上提出超分辨率图像增强算法。首先是原始医学图像数据集的处理和刚性配准中的仿真实验。在处理原始图像数据集时设计掩膜对图像去背景,数据剪裁和像素信息归一化等处理操作,然后结合提出的SR图像增强算法设计有无SR的刚性配准对比实验,结论根据评价指标得出有超分辨率图像增强对于刚性配准的精度有提升。
(4) 改进无监督弹性配准网络模型的测度函数。首先在原始的可变形图像配准框架中,把模型中使用的相似性测度函数得出的图像配准精度结果跟提出
哈尔滨理工大学工学硕士学位论文
的新测度函数配准结果对比。然后结合提出的超分辨率图像增强算法,在无监督的弹性配准模型上实验上得出新测度函数和超分辨率图像增强算法结合可以更大程度的提升图像配准精度。
(5)在基于二维弹性配准的基础上改变输入图像数据的维度和引入SR增强处理移动图像。首先改变图像CBCT和PCT存储成三维格式NII,能够进一步获得图像的空间和结构信息,然后将实验数据由五例病人扩充到15例,实验前后对比二维和三维图像配准的结果,最后结合提出的超分辨率图像增强,对比分析实验结果得到输入数据维度提升有助于图像配准精度提升。
 
哈尔滨理工大学工学硕士学位论文
第2章 医学图像配准理论基础
医学图像配准是图像融合的前驱步骤。在临床放疗计划设定、图像引导治疗、外科手术导航、病情追踪等方面都具有重要的意义。目前在不同的领域和科研研究中,对于医学图像的配准研究越来越深入和广泛。本章主要讲述医学图像配准的理论基础,包括医学图像配准的模态类型、概念、流程和分类;图像配准主要框架有特征空间选取、图像插值和相似性测度寻优;图像配准中需要注意的关键问题是特征提取、智能优化和约束策略三个方面。

2.1 医学图像配准基础知识
2.1.1 医学图像模态在临床医学诊断中,目前的医学器械设备得到的医学影像大多包含的信息不全面,医学影像分为解剖结构影像和功能影像,两种影像作用不同,单独的使用某一种影像都会造成患者病理信息上的遗漏。多模态或多类型图像的匹配融合有助于医生的诊断。目前常见的医学图像有MRI、PET、fMRI、CT[24-26]。
(1)核磁共振
核磁共振成像技术最早是在1946年美国科学家Bloch和Purcell第一次发现的。核磁共振主要原理是人体主要成分是大量的水和碳氢化合物,用特定频率的射频脉冲激发,小磁体的氢原子核会吸收一定的能,随之就会产生磁共振现象。除此之外由于人体各个部位的水含量不同,组织结构有差别,那么氢核的数量也是不一样的,在接收到射频脉冲的激发时,产生的信号强度不同,将这种差异作为一种度量,把人体各种组织分开,就可以得到磁共振图像。CT只能扫描得到横向的断层图像,而MRI可以得到任何方位的组织切片和三维图像,且对比度更好且软组织分辨能力更高。此外,MRI与核医学原理也不同,MRI成像中用的是稳定的核子和变化的磁场,因为稳定的核子放射性可以忽略不计,所以对人体不会产生多余的电离辐射伤害[27]。

(2)功能性核磁共振
功能性核磁共振成像是神经影像技术,它是利用磁振造影来测量神经元活动所引起人体血液动力的改变。因fMRI的非侵入性、没有辐射暴露问题等优势被广泛的应用在医学诊断上。1991年美国麻省总医院的磁共振研究中心做出的反映脑血流变化的图像也是利用磁共振成像原理的。虽然是一种非介入影像技
 
哈尔滨理工大学工学硕士学位论文
术,但是能对特定的大脑活动的皮层区进行精准、可靠的定位。相对于其他的影像技术,fMRI在监测和查看大脑活动时,时间分辨率比其他医学影像优势更高,同时空间分辨率也能达到毫米水平级别,并且能够以各种不同的方式对物体进行反复扫描。

(3)正电子放射断层
正电子发射断层成像是核医学发展史上另外一种功能成像技术。PET图像主要是用来分析人体组织的功能信息。上世纪20年代物理学家从理论上推断出带有正电荷的正电子是存在的。有两位学者1953年根据此成像原理研制出第一台用于脑正电子显像的临床医学机器,90年代中期,PET已经成为发达国家重要的影响学诊断技术。PET是利用正电子同位素衰变出的正电子与人体内负电子发生湮灭效应,标记出能产生  放射性核素的示踪物进入人体后,跟随血流到全身,根据人本身的生物学性质,“靶向”定位于特定组织细胞,参与特定的生物过程;这些放射性核素在衰变时会产生正电子,之后与人体组织中的电子相遇时就会发生正负电子对湮灭反应,从而产生在同一直线上两个能量为511kev飞行方向相反的 光子,由这两个方向相反的 光子确定出一条反应线,随后经后端的图像重建程序,在线重建出辐照离子空间分布的影像。PET就是通过这样的方式重建得到的。PET图像可以清晰的显示人体内的化学变化及代谢状况,安全性能较好。

(4)计算机断层扫描
计算机X线断层扫描,简称是X-CT或CT,CT这一名词最初是在1979年度的诺贝尔医学奖获得者柯尔马克和霍斯费尔德发明的。这是X-射线医学影像史上一个里程碑的突破。CT成像原理是通过X射线束对人体断层扫描。通过断层的形式能够清晰的展示出人体组织的细微差别,使用CT值来区分不同密度的组织,单位是Hu ,范围在-1000到+1000之间,三个临界点是空气、水和骨骼。亨氏定义水的CT值为0 Hu ,其他不同密度组织都同水进行比较,大于水的定为正值,小于水的定为负值,即空气是-1000Hu ,骨骼是+1000Hu [28]。正是由于身体的组织部位和结构密度组成不同,在X射线光束通过身体前进的过程中,骨骼或者组织越多,光子被吸收和反射的越多,穿透过去的光子束就越少,所以透射过身体之后得到的X射线不再是等密度的。医学上用于诊断病情拍摄得到的CT图像是透射过身体的光子,由模拟信号变成数字信号,然后通过计算机计算出每一个像素的衰减系数,最后重建得到的。根据以上几种临床医学上新兴的影像成像技术,每一种临床医学成像技术都有不同的成像原理和应用场景。在IGRT中,综合考虑成像技术优缺点和对人
 
哈尔滨理工大学工学硕士学位论文
体造成的影响以及花费成本等因素,目前在治疗肿瘤使用最多的是计算机断层扫描成像。因其在拍摄时对人体的辐射程度较轻,并且能够方便的应用在图像引导的放疗技术中心,拍摄的人体组织结构清晰也能帮助医生观察诊断提高肿瘤治疗效率。

2.1.2 医学图像配准概念和流程
分析和处理医学图像时,必然需对患者的多幅医学图像进行整合分析,以便获得全面可靠的患者病理信息。医学图像配准是对医学图像进行分割、融合、生成等操作的前提,其主要目标是去除或最大抑制待配准图像在空间几何上的不一致。医学图像配准是利用最佳算法,基于一种评估标准,将一副或者多幅来自不同时间、不同视角和不同设备得到的图像映射到目标图像上,这种图像之间的映射关系就是图像配准中寻求的最优变换[29-31]。如图 2-1 所示移动图像和固定图像的配准示意图。(a)移动图像 (b) 固定图像
 
2.1.3 医学图像配准分类
图像配准的分类方式不胜枚举,依据不同的分类标准就可以划分出不同的医学图像配准范围。自 1992 年始,研究学者就对图像配准技术的分类就做出了比较客观的总结,而后在 2003 年和 2015 年间都陆续有学者总结定义图像分类方式。在深度学习之前,学者们总结出九种不同的医学图像配准方法分类依据。这九类标准分别是配准图像空间维数、配准的基准、空间变换类型、待配准图像模态、空间变换区域、流程交互性、配准算法优化方案、待配准图像来源、配准的主体来源。随着深度学习的快速发展,凭借着其能够让计算机自动学习特征,并且将特征融于建立的网络训练模型中,可以很大程度上降低人为设计特征造成的不完备性等优点,深度学习和医学图像配准的结合使用方式逐渐成为热门,目前深度学习医学图像配准精度和速度已经超越了传统的图像配准算法基于深度学习的医学图像配准也成为研究学者关注的重点。本文基于研究学者已经总结出的九种图像配准分类方法,结合基于深度学习的图像配准方法,总结十种图像配准分类标准。如图 2-3 所示:
 
 
2.2 医学图像配准主要框架
2.2.1 特征空间选取
在医学图像配准的主要框架中,特征空间占据不可替代的地位,特征空间首先从移动和固定图像中提取出来,然后用在图像配准中。根据图像配准的类别不同,特征空间的选取方式也不同,基于灰度的配准中选取图像的灰度值作为特征空间,基于特征的配准方法中,选取点、线、面作为图像配准的特征空间。根据实际配准中的要求,应满足提取简单快捷、匹配计算量小、数据量适当以及不会受到噪声和光照等外界因素的影响等,理想状态下的选取出的特征空
-
哈尔滨理工大学工学硕士学位论文
间需要满足以上条件。特征空间选取的好坏与否对图像配准有着直接的影响,这主要是选取的特征空间会影响图像中敏感区域和感兴趣区域,也会直接影响到配准算法的灵敏性,同时还影响配准算法的鲁棒性。

2.2.2 图像插值技术
插值是利用已知数据去预测未知数据,而图像插值是给定一个像素点,根据周围像素点的信息做出对未知像素点值的预测。最近邻插值、双线性插值和双三次插值是常见的插值方式[32]。实际应用中,根据不同的图像处理要求和计算复杂度选择不同的插值方法。

(1)最近邻插值
最近邻插值是这几种插值中是最简单的一种方式,它的计算量可以忽略不 计,做法是在待求像素点的四个邻近像素中,将距离待求像素最近的像素灰度给与待求像素[33]。设i u 、 j v (i, j 为正整数,u,v 为大于零小于 1 的小数)为待求像素点坐标,则待求像素点的灰度值 f (i u, j v),如图 2-4,假设插入点的值落在A 区,那么u  0.5,v  0.5,其他区同理。这种插值方法由于是以最近点作为新的插入点,边缘不会出现缓慢过渡区,图像灰度不连续,放大插值后图像会出现明显的锯齿现象,缩小后的图像会有较为严重的失真。
u  0.5 u  0.5
 
(3)双三次插值 (2-6)
双三次插值又叫双立方插值,用于在图像中插值或增加图像像素数量的一种方法。它是双线性插值的延伸,双线性插值选取的是最近的四个点,而双立
 
哈尔滨理工大学工学硕士学位论文
方插值选取的是最近的 16 采样点加权平均后的值为所求像素点。
图中 P 点表示目标图像在(x, y)处对应与源图像中的位置,把 P 点的坐标设为 (i  u, j  v) ,其中i, j 分别是整数部分,u,v 分别表示小数部分。找到最近的16 个像素点,用a 表示(m.n  0,1, 2,3, 4...)。双三次插值是通过找到一种关系或mn者系数,能够将这 16 个像素点对应P 处像素点的影响因子找出来,然后由影响因子获得目标图像对应点的像素值实现图像缩放。

2.2.3 相似性测度和算法寻优
相似性测度是衡量每次变换结构优劣的准则,用来评价固定图像和移动图像间的相近程度,通过对图像变换的结果进行计算评估,作为搜索策略下一步的凭证依据[35]。事实上理想期望相似度值最大,也即图像配准的准确率最高。相似性测度的分类方式有两种经典划分:基于特征距离的和基于像素灰度的测度。均方误差、互信息、互相关、结构相似性、联合熵、相关性、欧氏距离、梯度互相关等都是图像配准中普遍的测度。平方差的理想状态就是两幅图像完美对齐时,只适合单模态且灰度差异相对较小的两幅图像;互信息是两个随机变量中互相包含对方信息的相关性测度函数;互相关通过计算图像内窗口间互相关函数的极大值,利用待配准图像之间对应像素的灰度值表示变量相关性;联合熵是衡量随机变量的不确定信息期望值,值越大时表示不确定性就越大,此时图像的灰度分布也较均匀;马氏距离度量未知样本集的相似度的原理是根据协方差矩阵,欧氏距离是当协方差矩阵为单位矩阵时的马氏距离。配准问题的实质是求解相似性测度最优值的问题,即通过搜索算法找到目
 
哈尔滨理工大学工学硕士学位论文
标函数的最大值和最小值,得到待配准图像之间最优的空间变换参数。图像配准算法的速率跟搜索策略的选取有关,前人们将优化方法分为连续优化方法和离散优化方法。常用到的连续优化方法有伪牛顿、共轭梯度、梯度下降、随机梯度下降等。这些连续优化算法如随机梯度下降就为减少计算量做了贡献。离散的优化方法有基于图的算法、消息传送方法、进化算法、遗传算法、蚁群算法和抛物线法。无论是离散的还是连续的优化算法,都一定程度上推动了图像配准研究的发展和进步。


2.3 医学图像配准中一些关键问题
2.3.1 医学图像配准的特征提取
特征提取是计算机视觉中一项关键技术,主要是指利用计算机提取图像中属于一种属性类别的特征性信息的方法和过程。但是如何定义属于一个特征属性或者类别至今没有一个精确的定义。特征提取有“可重复性”特质,即在同一场景中提取不同的图像,提取到的图像特征是一样的。特征提取是先提取图像特征信息,然后通过理论基础的影像分析和变换,由此找到提取需求特征的方法[36, 37]。精准而又高效的特征提取会对后续提升医学图像配准精度铺垫良好的基础。实际情况下,根据不同的图像处理需求,特征提取方法不同计算复杂性和可重复性也是不同的,所以需要考虑实际情况对图像采取不同的图像特征信息提取的方法,一般图像处理时提取的特征种类是点、直线段、轮廓、边缘、角、区域和脊等[38, 39]。在特征点检测方法中,有基于模板的、基于边缘的、基于灰度的和基于空间变换的方法等。特征提取方法的选择、特征点的检测方法以及图像特征的匹配都会对图像配准的准确性产生影响。自 21 世纪之后,很多的医学图像配准算法采用的主要是基于特征的,这些图像特征主要是利用图像的线特征、面特征、边缘特征等找出配准图像和待配准图像之间最佳空间变换关系。传统的图像提取关键点的技术有 SURF、SUSAN角点和 BRISK 检测等[40-44]。综合考虑到以前的基于特征的图像配准方法效果来看,基于特征的医学图像配准算法自由度较高,与其他的方法比具有良好的尺度不变特征和抗噪能力。

2.3.2 基于物理模型配准方法的改进
为了提高配准精度,以前的研究学者从配准算法框架各个部分着手探索改哈尔滨理工大学工学硕士学位论文进。基于物理模型的配准方法就由于其较好的配准效果而受到重视。目前有三种普遍常见的物理模型分别是弹性模型、粘性流体模型、光流场模型。这三种常见的物理模型配准实质是用变分法求解代价函数,最终的结果是求解一个分线性偏微分方程[45]。
(1)弹性模型
假设固定图像和移动图像是两个不同的弹性体,用Navier-Cauchy 偏微分方程式(2-7)表示物体的形变,将待配准的图像看作是可以拉伸的弹性材料,过程中由施加在配准图像上的外力和图像克服拉伸变形共同产生的内力支持着。当两方力量相当,拉伸的配准图像能够达到一个稳定的状态,待配准图像拉伸变形结束。式(2-7)是弹性模型公式。    式中: 和 是拉梅弹性算子,表示的是弹性物体的特性,对弹性配准模型起决定作用;u 是位移场,v是泊松比,X 和Y 代表固定和移动图像某点的像素。

(2)粘性流体模型
在小线性形变情况下,使用线性弹性模型是可行的,当大形变的弹性变换时,线性变换已经不能满足要求,Yanovsky 随之提出非线性弹性模型,而后Christensen 等采用流体粒子对单个图像像素进行运动建模,提出用于解决大形变的粘性流体模型。粘性流体模型用粘性不可压缩流体动量守恒方程(2-8)表示。式中:∆为拉普拉斯算子,∇为梯度算子,v是位移场, f (x) 是外力。(3)光流场模型随着临床医学的需求不断提高,图像配准的研究深度一直不断的深入。光流场作为运动图像分析的有效方式很快被研究学者与医学图像的配准模型联合到一起。随后有人利用凸显灰度和速度场结合的方式,在其中引入光流约束方程,总结出光流法计算的基本原理。光流场模型的基本原理是:在一张二维图像上,由于像素粒子运动不同造成图像灰度不同,所以在医学图像上一个二维的光流场可以代表空间中的运动场。也就是医学图像配准中求解的图像变形位移场即光流场的速度场。光流场理论的前提假设是图像灰度一致性,保持像素灰度在运动中的不变性。一个像素I(x, y,t)移动了(x,y)用了t 的时间。
 
 
在基于以上三种物理模型的配准方法改进方法上,涉及到对医学图像配准算法精度提升的研究越来越深入,研究学者们不断地尝试着在医学图像处理中结合不同的配准模型和配准策略,这些尝试都或多或少的推动着医学图像配准算法深入探索。而后随着深度学习技术的崛起、快速发展和在数据集量大中表现出来的优势,有不少的科研学者首次尝试将深度学习技术应用在医学图像处理中。之后应用在图像处理中的深度学习的网络框架不断地被提出。例如基于深度学习的网络模型在图像分类,分割和检测方面都表现很好。所以在对图像配准的网络模型探索中,研究学者开始转向了基于深度学习的框架,结果也得到了很多的精度和速率方面的提升。

2.3.3 智能优化与特征约束策略
人工智能飞速发展的今天,研究学者通过充分的利用计算机学习和训练网络,使配准优化算法和搜索策略得到改善。智能优化算法也是影响图像配准算法的一个重要因素。常见的智能优化算法有模拟退火、蚁群算法、进化规划、粒子群和禁忌搜索等。以上所有的智能优化算法背后的数学理论基础都不同,他们借鉴的理论推导和延伸原理也不同,例如遗传算法是由生物进化论启发得来的,是基于适者生存的高度并行、随机和自适应优化算法;粒子群算法通过模拟鸟类迁徙行为而衍生出的优化算法;蚁群算法是观察蚂蚁运动过程在路上做出的释放标记推演出的算法;禁忌搜索算法是一种对局部领域搜索的扩展,一种全局迭代寻优的算法。根据特征选择和特征提取相关知识,我们知道如何处理图像的特征,决定提取待配准图像的特征区域对于图像的配准精度影响很大。
 
2.4 本章小结
本章主要讲述医学图像配准的概念和临床上图像配准的流程步骤,总结已有的九种图像配准分类方法,然后结合基于深度学习的图像配准分类,重新整理了医学图像配准分类方法。接着介绍图像配准的主要框架,分别是特征空间选取、插值算法、算法寻优相似性度量。从物理模型配准改进、智能优化特征约束以及特征提取方式三个方面总结图像配准目前研究的关键技术问题。本章介绍的所有医学图像配准基本知识都是为了后续章节埋下铺垫,并奠定本文研究的理论基础。
高校学术论文网提供专业的硕士毕业论文写作、毕业论文辅导写作、博士论文写作发表、硕士论文写作发表、SCI论文写作发表、职称论文写作发表、英文论文润色的服务网站,多年来,凭借优秀的服务和声誉赢得了社会的广泛认可和好评,为毕业生解决写论文的烦恼
【本文地址:https://www.xueshulunwenwang.com//yixuelei/linchuangyixue/2799.html

上一篇:评职称发表|临床医学论文写作指导

下一篇:居民临时志愿者角色形塑与互动研究 ——以 W 市 Q 区社区防疫经验为例

相关标签: