基于特征提取的脑部医学图像配准研究

目的 基于特征的配准算法具有鲁棒性强、针对性好等显著优势,在图像配准领域被广泛应用,但是该类方法的精度受图像间特征构建和环境噪声影响大,该研究旨在对其缺点进行改进。方法 该研究基于SURF和ORB两种算法,提出了SURF-ORB算法,将参考图像与待配准图像分成上下两部分分别配准。在配准过程中,首先对SURF提取的图像特征点的Harris响应值进行优化,并使用灰度质心法确定特征点主方向。然后计算rBRIEF（旋转BRIEF）描述子,并使用汉明距离进行特征点匹配。最后加入RANSAC精匹配算法,剔除误匹配点。结果和结论 该研究通过对比分析SURF、ORB、SURF-ORB这3种算法的配准结果、抗噪声能力及多模态配准能力,验证了SURF-ORB算法具有较高的配准精度、配准速度和抗噪声能力。文章的创新之处该研究首次将SURF和ORB两种算法进行结合并应用于脑部横断面图像。     

一种适用于肝脏CT图像配准改进的尺度不变特征变换算法

针对肝脏CT图像特点,在传统的尺度不变特征变换(scale-invariant feature transform,SIFT)算法基础上,结合K-means聚类算法,提出了一种改进的特征点匹配算法。该算法通过聚类SIFT特征点坐标,将配准图像分为4个区域,特征点分块配准。与原算法相比,该算法增加了特征点匹配数量,有效隔离了特征点跨区域的错误匹配,时间复杂度也得到了一定的降低。该算法还减少了肝脏CT图像配准中错误匹配对配准结果的影响,提升了肝脏CT图像的配准精度。     

一种病变眼底图像的配准方法

对于具有病变的眼底图像,血管结构不够清晰,采用基于血管分割和血管分支点、交叉点等眼底图像配准方法具有一定的局限性。为了解决这个问题,提出一种基于不变特征的眼底图像配准方法。提取眼底图像的尺度不变特征(SIFT)作为特征点,提出双边或的Best-Bin-First(BBF)算法进行特征点匹配,并根据特征点具有旋转不变性的方向特征和空间斜率及空间距离等几何特性的一致性检测去除误匹配,精化匹配特征,利用得到的匹配特征进行M估计得到眼底图像的变换关系。通过对不同程度病变的眼底图像数据进行配准实验,观察配准结果,对比匹配特征的正确匹配数量和分析衡量配准精度的均方根误差。结果表明,该方法实现了良好的细节对齐,保留了足够的正确匹配对,对实验的病变眼底图像配准成功后的均方根误差均小于1,且浮动于0.5左右,验证了方法的精确性和有效性。     

一种射野图像和参考图像的自动配准方法

目的:及时纠正放射治疗过程中患者的摆位误差,提高放射治疗效果.方法:本文对放疗中射野图像和参考图像的进行配准,应用Canny算子进行两幅图像的边缘提取,将提取的图像边缘作为配准的基准点,以射野图像与参考图像的最大互信息为配准准则,应用模拟退火法优化配准参数,搜索图像最大互信息.结果:本文对29例宫颈癌和前列腺癌患者的射野图像与参考图像进行了配准,结果表明该方法配准精度高,提高了配准的速度.结论:该配准方法适用于放疗临床摆位误差的在线分析.     

基于互信息与边缘梯度相结合的多模医学图像配准方法

针对传统互信息配准方法未利用图像空间信息的缺点,本文研究了图像边缘信息的梯度相似性.首先采用小波模极大值边缘检测提取出图像边缘,提出将边缘图像的梯度相似性系数与传统的互信息相乘作为图像配准的目标函数.然后通过使用Powell优化算法对目标函数进行寻优,得出配准变换参数.最后在互信息的基础上引入图像边缘梯度信息,突出了全局最优解.实验结果表明,该方法可以得到精确、有效的配准结果.     

一种基于感兴趣点旋转不变性特征的图像配准新方法

目的:图像配准是图像处理领域重要的研究方向,是图像融合、图像重建和图像分析等研究的基础。在图像配准的主要方法中,基于图像特征的配准方法和基于图像灰度的配准方法各有优缺点,通过结合这两种方法的优点,我们提出了一种基于感兴趣点的旋转不变性特征图像配准的新方法。方法:首先利用Harris角点检测技术,提取模板图像和目标图像的感兴趣点。然后把感兴趣点的旋转不变形特征和灰度值组成图像的特征描述向量,并提出新的代价函数。最后采用分级优化的策略优化代价函数,在配准初期,采用显著的特征点进行配准,以保证配准的速度与鲁棒性,随后通过逐步增加特征点的数量,则保证了配准的精度。结果:为显示本文方法的优越性,实验利用本文方法和基于互信息的B样条方法分别对标准测试图像进行配准,实验结果表明,本文方法较基于互信息的B样条方法在配准精度上有明显提高。结论:本文方法在保持配准鲁棒性的前提下,获得了较高的配准精度。     

基于隐含形状表示和边缘信息融合的非刚体图像配准

本研究提出基于隐含形状表示和边缘信息融合的多分辨率网格非刚体图像配准算法，使用从全局到局部的层次变换模型覆盖整个变换域，解决有较大局部形变的图像配准问题。首先用隐含形状表示图像的外部轮廓，将轮廓作为距离函数的零水平集隐含地嵌入到高一维的距离变换空间，在该隐含嵌入空间中使用互信息方法，实现了一个具有平移、旋转、尺度不变性的全局配准框架，对齐图像外部轮廓。然后选择基于B样条的多分辨率网格FFD模型进行局部配准，兼顾了结果精确度和计算效率。算法采用了与图像边缘信息融合的方法，强调图像边缘信息在配准中的贡献，得到平滑、连续且保证一对一映射的变换域。最后将该算法分别应用于脑部MR、CT图像的配准，得到令人满意的效果。     

肝脏动、静脉相CT图像配准与融合方法研究

目的 研究肝脏CT扫描序列图像轮廓提取、配准与融合问题.方法 采用图像滤波去噪、增强图像边缘及提取图像外轮廓等方法对CT序列图像进行预处理.对肝脏CT扫描序列图像动脉相位期与静脉相位期的图像轮廓进行配准,选取最优配准参数确定不同相位期图像的对应关系,以实现配准.将配准后对应的动、静脉相位期图像融合.结果 融合后的图像展现了同一位置不同相位期肝脏动、静脉的情况.结论 配准、融合后的图像能提供更加丰富的信息,可为医生临床诊断提供参考.     

医学图像弹性配准中弹性模型的建立

医学图像配准是医学图像处理中的一个重要研究课题，它是图像融合、图像与标准图谱的匹配、显微图像的重建等研究的基础。图像的配准方法有多种，它们可以分为刚性和弹性配准两大类。相对于刚性配准，弹性配准有着更高的精确性，而对于变形大的图像的配准，它是必须的。因此弹性配准的研究有着广泛的意义。本文根据图像的特征，结合弹性力学的理论和方法，建立了一种用于精确配准的弹性数学模型，并用这一模型进行图像的弹性配准，取得了较好的效果。     

利用边缘和表面特征实现脑图像CT-MR的自动配准

应用基于CT和MR图像等值特征表面的配准算法对多模医学图像进行了配准研究.在CT、MR图像中提取等值特征表面,进行图像的几何对准,并对结果进行初步评估,同时对该算法的稳健性,搜索最近点策略和插值策略进行了研究.结果表明:这种方法能够达到亚象素级的配准精度,是一种稳健、高精度、全自动的配准方法.     

基于调幅-调频与熵图多模态医学图像的配准

背景：基于传统互信息量的多模态医学图像配准方法配准时需要利用二维直方图或者Parzen窗函数的方法估计概率密度分布,进而计算互信息量,这种方式计算速度慢,而且只考虑了图像的灰度信息,容易出现误配。 目的：针对目前主流的配准方法鲁棒性差、耗时的缺点,提出了一种新的基于调幅-调频(AM-FM)特征互信息量的快速配准方法。 方法：该方法考虑了图像的空间和结构信息;首先通过AM-FM模型对图像进行分解,得到图像的AM-FM特征,与图像的灰度特征一起组成高维特征;然后利用熵图和最小生成树加快AM-FM特征互信息量的计算,从而实现了医学图像的快速配准。 结果与结论：对20组磁共振T1-T2加权图像、CT/正电子发射计算机断层成像图像进行了实验,结果表明该方法在图像空间分辨率较低,有噪声影响等情况下均可以达到较好的结果,且配准精度优于国际上的主流方法,具有计算速度快,精度高,鲁棒性强的特点,适于临床应用。     

灰度级别对基于互信息医学图像配准方法的影响

医学图像配准在医学图像处理领域中已经被广泛使用。基于互信息配准的方法具有自动化程度高、配准精度高等优点。基于互信息的配准方法实质上是一种进行灰度统计和计算的方法 ,因此同一图像采用不同的灰度表示必然会影响配准结果。在分析灰度级别的压缩对于图像质量的影响和基于互信息配准方法的影响的基础上 ,进行了一系列的多模态医学图像配准试验 ,从配准精度和计算时间两个方面比较了不同的灰度级别对图像配准的影响。在详细分析和比较不同级别图像配准结果的基础上 ,给出了基于互信息配准时所采用的合理灰度级别的建议。     

多模态医学图像配准技术研究进展

多模态医学图像配准技术是目前医学图像处理中的研究热点,对于临床诊断和治疗有重要意义.首先分析了图像配准的过程,然后根据待配准图像的特征,包括图像的外部特征和内部特征,系统且详细地介绍了多模态医学图像配准的常用方法,并对这些方法进行了比较.     

"虚拟中国人男性一号"多模态图像配准

目的：解决“虚拟中国人男性一号”CT图像、MRI图像与断层切削图像之间的多模态图像配准问题。材料和方法：根据这三种图像的特点，选择CT图像为基准图像，在对MRI图像进行配准时，通过求解两幅图像梯度特征的最大互信息，搜索出最佳配准参数；在对断层切削图像进行配准时，采用基于解剖结构特征提取的配准方法获取最佳配准参数：最后．根据所得配准参数对待配图进行变换，从而达到配准目的。结果：对头部三种模态图像数据集进行了配准，与高精度手工分割图像数据集进行对比，配准正确率达到95．8％。结论：配准结果准确，解决了“虚拟中国人男性一号”多模态图像配准问题，为数字化虚拟人多模态图像配准提供了参考。     

Multiscale registration of medical images based on edge preserving scale space with application in image-guided radiation therapy

Mutual information (MI) is a well-accepted similarity measure for image registration in medical systems. However, MI-based registration faces the challenges of high computational complexity and a high likelihood of being trapped into local optima due to an absence of spatial information. In order to solve these problems, multi-scale frameworks can be used to accelerate registration and improve robustness. Traditional Gaussian pyramid representation is one such technique but it suffers from contour diffusion at coarse levels which may lead to unsatisfactory registration results. In this work, a new multi-scale registration framework called edge preserving multiscale registration (EPMR) was proposed based upon an edge preserving total variation L1 norm (TV-L1) scale space representation. TV-L1 scale space is constructed by selecting edges and contours of images according to their size rather than the intensity values of the image features. This ensures more meaningful spatial information with an EPMR framework for MI-based registration. Furthermore, we design an optimal estimation of the TV-L1 parameter in the EPMR framework by training and minimizing the transformation offset between the registered pairs for automated registration in medical systems. We validated our EPMR method on both simulated mono- and multi-modal medical datasets with ground truth and clinical studies from a combined positron emission tomography/computed tomography (PET/CT) scanner. We compared our registration framework with other traditional registration approaches. Our experimental results demonstrated that our method outperformed other methods in terms of the accuracy and robustness for medical images. EPMR can always achieve a small offset value, which is closer to the ground truth both for mono-modality and multi-modality, and the speed can be increased 5-8% for mono-modality and 10-14% for multi-modality registration under the same condition. Furthermore, clinical application by adaptive gross tumor volume re-contouring for clinical PET/CT image-guided radiation therapy throughout the course of radiotherapy is also studied, and the overlap between the automatically generated contours for the CT image and the contours delineated by the oncologist used for the planning system are on average 90%.     

基于最大互信息的人脑MR-PET图像配准方法

利用最大互信息法进行多模医学图像配准近来成为医学图像处理领域的热点。MR和PET图像配准对研究神经组织的结构关系和引导神经外科手术有着重要的指导意义。本文描述了一种基于互信息的人脑MR－PET图像配准方法。我们将这种方法应用于图像的几何对准并给出了初步的评估结果。由于不需要对不同成像模式下的图像灰度间的关系作任何假设,最大互信息法是一种稳健性强,可广泛应用于基于体素的多模图像的配准方法。     

基于深度学习的2D/3D医学图像配准研究

2D/3D配准在临床诊断和手术导航规划中有着广泛的应用,可解决医学图像领域中不同维度图像存在信息缺失的问题,能辅助医生在术中精准定位患者的病灶。常规的2D/3D配准方法主要依赖于图像的灰度进行配准,但非常耗时,不利于临床实时性的需求,并且配准过程中容易陷入局部最优值。提出用深度学习的方法来解决2D/3D医学图像配准问题。采用一个基于深度学习的卷积神经网络,通过网络对数字影像重建技术(DRR)进行训练并自动学习图像特征,预测X光图像所对应的参数,从而实现配准。以人体骨盆的模型骨为实验对象,根据骨盆的CT数据生成36000张DRR图像作为训练集,同时通过C臂采集模型骨的50张X光图像作为验证。结果显示,深度学习算法在相关系数、归一化互信息、欧式距离3个精度评价指标上的测试值分别为0.82±0.07、0.32±0.03、61.56±10.91,而常规2D/3D算法对应的测试值分别为0.79±0.07、0.29±0.03、37.92±7.24,说明深度学习算法的配准精度优于常规2D/3D算法的配准精度,且不存在陷入局部最优值的问题。同时,深度学习的配准时间约为0.03s,远低于常规2D/3D配准的时间,可满足临床对于实时配准的需求,未来将进一步开展临床数据的2D/3D配准研究。     

基于互信息的人脑图像配准研究

近来利用互信息进行多模医学图像配准已成为医学图像处理领域的热点,人脑多模医学图像配准对研究神经组织的结构功能关系和引导神经外科手术有着重要的指导意义,本文描述了一种基于互信息的人脑图像配准方法,我们将这种方法应用于图像的几何对准并给出了初步的评估结果,同时,我们还就归一化互信息、多分辨率策略,多种插值和优化算法对配准速度和精度的影响作了讨论,由于不需要对不同成像模式下的图像灰度间的关系作任何假设,互信息法是一种稳健性强、可广泛应用于基于体素的多模医学图像的配准方法。     

基于互信息的多分辨率三维脑图像配准方法

在3D多模医学图像的配准方法中，最大互信息法精度高，鲁棒性强，使用范围广，本文将归一化互信息作为相似性测度，采用不同的采样范围和采样子集，使用Powell多参数优化法和Brent一维搜索算法对3DCT，MR和PET脑图像进行了刚体配准，为了加快配准速度，使用了多分辨的金字塔方法，对PET图像采用基于坐标的阈值选取方法对图像进行分割预算法，消除了大部分放射状背景伪影，美国万德贝尔大学对结果进行的评估证明配准精度可达亚体元级。