医学图像的匹配方法

医学图像匹配是医学图像处理中的一项基本任务，它可把来自于不同模态、不同时间或不同人的多幅图像进行配准。这些方法可以大致分成以下几类：立体定位方法，点方法，基于边界的方法，力矩和主轴方法，体素相似方法以及图谱方法。本文对以上各类匹配方法分别进行了综述，并大量分析了各类方法的不同应用实例。本文也对常用的匹配算法的测试技术进行了总结，分析了现有多种算法的比较结果。     

一种连续轮廓组的多边形逼近与匹配算法

提出一种适合于连续医学图像序列的轮廓匹配算法.基于笛卡尔坐标空间,首先对医学图像轮廓曲线进行离散化,运用多边形逼近算法提取点数最多轮廓的特征点,然后依据多边形相似度来提取剩余轮廓的特征多边形,使得相邻轮廓之间达到最好的匹配.实验结果表明,该算法可以得到很好的匹配效果.     

基于角点的医学显微图像拼接

目的：本文设计了一种基于角点的医学显微图像拼接方法。方法：先利用Harris算子和MIC算法相结合的方法来检测角点,接着对两组角点进行相关性分析,找出匹配的点,并根据匹配点进行拼接,融合。结果：实现了图像的增强与拼接。结论：实验证明,利用该方法对显微图像进行拼接时获得了理想的拼接效果。     

旋转扫描超声心脏图像的中轴匹配与图像插值

研究旋转扫描超声医学图像多维重建中图像中轴匹配方法和插值算法。首先 ,根据图像中轴的特征点分析其时域曲线 ,实现中轴的轴向匹配 ;相似矩阵用来寻找两幅图像中轴附近匹配的像素线。自相关函数和 Fouri-er谱用来对图像中轴的匹配进行评价。其次 ,针对旋转扫描原始图像空间分布的特殊性 ,提出了分区插值法。实验结果表明 :我们提出的图像中轴匹配方法切实可行 ,插值算法快速、精确 ,基于匹配的插值算法可大大改善重建质量     

排除模板迭代算法在数字减影血管造影中的应用

本文基于ＤＳＡ图象中由于选影剂的影响存在灰度差别的特点，提出了一种新的匹配算法－－排除板迭代算法，成功地实现了ＤＳＡ图象中的运动伪象和灰度伪象的校正。在我们的算法中利用排除模板将存在显著灰度差别的ＤＳＡ序列图像转换为可以 利用古典匹配算法的序列图象，而且在用排除模板进行匹配的过程中，逐次迭代，直至最佳匹配状态。整个算法实现了全自动，且匹配速度快，搜索范围大，精度可达１个象素点。实验结果表明，此方法     

小波变换在医学图像压缩中的应用

目的：探讨利用小波变换进行医学图像压缩的方法。方法：通过小波变换对图像进行时频局部化分析，将图像分解到多个尺度上。进行多分辨分析。然后对变换后的子图像的小波系数特点进行了分析，讨论了其适用于图像压缩编码的特性和优势。嵌入式零树小波图像编码算法是一种有效的图像压缩方法。在分析嵌入式零树小波图像编码算法的基础上，针对传统嵌入零树小波编码方法存在的不足之处，提出了一种改进的零树小波编码算法。结果：在获得较大压缩比的同时能保证医学图像的重建质量，可以较好地满足PACS对医学图像存储和传输的要求。结论：仿真实验表明，本方法是一种有效的医学图像压缩方法。     

基于中层特征的医学图像分割研究进展

图像的中层特征将图像中的全局信息和局部信息结合,同时具备代表性和特异性,能够更好地表达图像的信息。已有的研究工作成功地将中层特征用于医学图像的分割,主要的方法包括稀疏编码和空间金字塔匹配(spatial pyramid matching,SPM)算法,词典学习,以及神经网络等算法。中层特征的应用提高了算法性能。本文介绍了现有的基于中层特征的医学图像分割算法,并对今后的研究工作进行了展望。     

眼底图像配准方法的进展

本文引用大量科技文献，阐述了眼底图像匹配技术的发展。从算法的角度，着重介绍了基于血管特征的匹配算法，基于运动补偿的匹配算法，基于参数描述的匹配算法等算法的发展情况，并对其优缺点进行了比较。同时指出了新的值得解决的问题。     

基于医学图像的超分辨率重建算法综述

随着临床对医学图像高分辨率的要求,基于低分辨率医学图像的超分辨率重建算法已成为研究热点,该类方法在不需要改进硬件设备的情况下,可以显著提高图像分辨率,因此对其进行综述具有重要意义。针对医学图像领域中特有的超分辨率重建算法,首先分析了该类算法的研究现状,并将其分为三类:基于插值的超分辨率重建、基于重构的超分辨率重建和基于学习的超分辨率重建。同时,基于MR图像、CT图像、超声图像等细分医学图像领域,深入分析了超分辨率重建算法的研究进展,并对不同类型的算法进行了归纳总结和比对分析。其次,对超分辨率重建算法所对应的评价标准也进行了介绍。最后,展望了超分辨率重建技术在医学图像领域的发展趋势。当前应用于医学图像领域的超分辨重建算法已经发展到一定水平,逐步突破基于单一方法的研究形式,通过与机器学习和稀疏表示等理论的深度融合,形成了更高效的算法。     

医学图像配准方法分类

医学图像配准是医学图像融合的前提，具有重要的临床诊断和治疗价值，它可以把来自不同模态、不同人或不同时间的多幅图像进行配准。本文依据九个标准对医学图像配准的方法进行了总结。     

计算机辅助医学图像三维重建的算法分析

背景：三维重建技术是采用计算机技术对二维医学图像进行边界识别,重新还原出被检组织或器官的三维图像。 目的：分析在不同情况下进行医学图像三维重建时如何进行算法的选择。。 方法：采用计算机检索中国期刊全文数据库和Pubmed 数据库。中文检索词为“医学图像,三维重建,面绘制,体绘制”,英文检索词为“medical images, three-dimensional reconstruction, surface rendering, volume rendering”。 检索与医学图像三维重建算法相关的文献33篇,从面绘制重置方法和体绘制重置方法的实现原理、实现复杂度、实时显示情况等方面进行分析。 结果与结论：目前,医学图像三维重建根据绘制过程中数据描述方法的不同可分为三大类：面绘制方法、体绘制方法和混合绘制方法。通过对面绘制和体绘制方法中不同算法的分析,可以看到面绘制方法在算法效率和实时交互性上是优于体绘制的,虽然面绘制方法在绘制时候会丢失许多细节,使得绘制图像效果不理想,但是由于其算法比较简单,占用内存资源少,所以目前得到了广泛的运用。体绘制方法是对体数据场中的体素进行直接操作,可以绘制出三维数据场中更丰富的信息,因此体绘制方法的绘制效果优于面绘制方法。     

基于深度学习的多模态医学图像融合方法研究进展

医学图像融合方法可以将有用的信息整合到一张图上，提高单张图像的信息量。对多模态医学图像进行融合时，如何对图像进行有效的变换，提取到不同图像中独有的特征，并施以适当的融合规则是医学图像融合领域研究的重点。近年随着深度学习的快速发展，深度学习被广泛应用于医学图像领域，代替传统方法中的一些人工操作，并在图像表示、图像特征提取以及融合规则的选择方面显示出独特优势。本文针对基于深度学习的医学图像融合进展予以探讨，介绍了卷积神经网络、卷积稀疏表示、深度自编码和深度信念网络这些常用于医学图像融合的框架，对一些应用于融合过程不同步骤的深度学习方法进行分析和总结，最后，分析了当前基于深度学习的融合方法的不足并展望了未来的研究方向。     

医学图像三维重建方法的比较研究

医学体数据三维可视化技术有着广泛的应用前景。近年来为加快绘制速度、提高成像质量和节省存储空间提出了许多改进算法，本文讨论了医学图像三维表面绘制的两种重建方法及基本原理，并通过比较这两种重建方法对应的几种算法实现的复杂度、实时显示情况等，总结出各自的优势和弱点，分析不同情况下如何选择算法。     

医学图像多维重建中的插值问题研究进展

插值广泛应用于医学成像和图像多维重建中。本文首先对传统插值方法中基于形状的插值和弹性匹配插值作了比较深入的介绍，然后分析了旋转扫描超声心脏图像插值方法的特点、难点和研究现状，论述了插值和匹配的关系，分析表明准确的旋转扫描插值方法应该是基于匹配的方法，最后讨论了图像插值的几种评价方法。     

人工智能方法在医学图像处理中的研究新进展

目的:随着医学影像智能化诊断的快速发展,为了满足愈加复杂的医学图像分析和处理要求,人工智能方法成为近年来医学图像处理技术发展的一个研究热点。本文对近五年来人工智能方法在医学图像处理领域应用的新进展进行综述。方法:将应用在医学图像处理领域主要的几种人工智能方法进行了分类总结,讨论了这些方法在医学图像处理各分支领域的应用,分析比较了不同方法间的优缺点。结果:人工智能方法应用主要在医学图像分割、图像配准、图像融合、图像压缩、图像重建等领域;包括蚁群算法、模糊集合、人工神经网络、粒子群算法、遗传算法、进化计算、人工免疫算法、粒计算和多Agent技术等;涉及MR图像、超声图像、PET图像、CT图像和医学红外图像等多种医学图像。结论:由于医学影像图像对比度较低,不同组织的特征可变性较大,不同组织间边界模糊、血管和神经等微细结构分布复杂,尚无通用方法对任意医学图像都能取得绝对理想的处理效果。改进的人工智能方法与传统图像处理方法的结合,在功能上相互取长补短,将是医学图像处理技术重要的发展趋势。     

高分辨心电图中模板匹配算法的改进

在对心电信号进行相干平均处理之前,需要对信号进行时间上的对齐和异形波剔除。常用的方法先建立一个模板信号,然后令其它的心电波形与之比较,这种平均预处理过程被称为模板匹配。经典的模板匹配算法存在着对信号波形差异不敏感的问题,这必将影响预处理的效果。本文针对这个问题提出一种改进的算法,并且用实验的方法对改进算法的异形波判别灵敏度和信号对齐精度做了验证,同时与经典算法进行了比较。结果显示改进后的算法可以提高信号判别灵敏度和对齐精度,对在需要进行较严格模板匹配的应用中是一种可行的方法     

医学图像分割算法的损失函数综述

基于深度学习的医学图像分割方法已经成为了医学图像处理领域的强大工具。由于医学图像的特殊性质，基于深度学习的图像分割算法面临样本不平衡、边缘模糊、假阳性、假阴性等问题，针对这些问题，研究人员大多对网络结构进行改进，而很少从非结构化方面做出改进。损失函数是基于深度学习的分割方法中重要的组成部分，对损失函数的改进可以从根源上提高网络的分割效果，并且损失函数与网络结构无关，可以即插即用地运用在各种网络模型和分割任务中。本文从医学图像分割任务中的困难出发，首先介绍了解决样本不平衡、边缘模糊、假阳性、假阴性问题的损失函数及改进策略；然后对目前损失函数改进过程中所遇到的困难进行分析；最后对未来的研究方向进行了展望。本文将为损失函数的合理选择、改进或创新提供参考，并为损失函数的后续研究指引方向。     

基于先验的随机游走算法在医学图像分割中的应用

目的:常规的交互式图像分割算法通常只能对单个目标进行分割,或对多个目标的分割比较繁琐。针对该问题,本文期望提出一种基于随机游走算法的改进算法,以实现离散多目标的快速分割。方法:随机游走算法是使用最为广泛的交互式图像分割方法之一,在各类图像的分割中表现良好。而对于目标呈现离散分布的图像,该方法虽然也可以对其进行分割,但需要用户在各个离散的目标区域均选择种子点,因此分割效率低下。针对该问题,本文将初始种子点的灰度信息作为先验,初步估计待分割图像中像素点隶属于各类种子点的概率,并将其作为非图像空间项加入随机游走算法的目标函数,引导图像分割。使用改进方法分别对人工合成图像和临床医学图像进行分割,验证本文算法。结果:改进方法在减少交互的情况下,能有效地对人工合成图像和临床医学图像中的多个离散目标实现全部分割,且分割结果明显优于原始的随机游走算法。结论:本文提出的改进方法能有效地实现离散目标的医学图像分割,并且简化了分割的交互过程。     

医学图像重建评价技术综述

对医学图像重建，特别是二值重建的评价方法和评价准则进行了综述，根据评价准则的作用点与特性，本文将它们分为四类进行了介绍，同时分析了它们之间的关系，比较了它们的优缺点，为医学图像重建算法的设计与选择提供了依据。     

脉象特性分析和识别方法的研究

针对几种常见的脉象运用统计学习理论和方法进行了识别分类的研究。在特征提取方面本文采用了多种不同的信号分析方法，研究了脉象的特征提取。主要分析途径是，时域波形特征提取，频域与倒频域分析，小波域分析，基于AR模型的脉象信号建模以及波形的模板匹配研究。另一方面，研究了几种分类器，作为脉象识别的分类器。通过实验对不同特征的有效性和不同分类器的性能进行了对比。实验结果表明，模板匹配方法和时域特征提取方法较好。