导读:本文包含了多模医学图像论文开题报告文献综述及选题提纲参考文献，主要关键词:Active,Demons,多模态,局部熵,高斯滤波器
多模医学图像论文文献综述
薛文静,党建武,王阳萍,杜晓刚[1]（2019）在《基于局部熵的Active Demons多模医学图像配准》一文中研究指出针对Active Demons算法只能配准同模态图像,并且图像的灰度梯度不太明显时形变方向无法确定从而导致误配准的问题,提出了一种基于局部熵改进的Active Demons多模医学图像配准算法.该算法首先将原图像转换为局部熵图像,然后使用改进的Active Demons算法进行配准,该算法在Active Demons分母上分别加入浮动图像与参考图像的灰度梯度值平方.正则化变换时以双边滤波器代替高斯滤波器,使得图像边缘的细节信息保持较好.多模态医学图像配准的实验结果说明该方法精确度高,使图像质量得以提升.(本文来源于《宁夏大学学报(自然科学版)》期刊2019年01期）
吴方,敖露[2]（2018）在《一种高对比度的多模医学图像融合算法》一文中研究指出医学图像融合技术将多模的临床特征融合到1个图像中,可以增强医学图像的细节并降低图像的噪声,提出了一种基于新型蜘蛛优化算法的多模医学图像融合算法。一方面,将不同医疗设备采集的图像转换为傅里叶频率域,使用蜘蛛优化算法搜索2个输入图像融合的最优尺度值;另一方面,使用蜘蛛优化算法搜索变换函数的最优参数集合,进一步地增强融合图像的质量。基于公共医学图像数据集的实验结果表明,该算法获得了较好的医学图像融合效果与较高的计算效率。(本文来源于《控制工程》期刊2018年09期）
朱飞[3]（2018）在《基于图像表征的非刚性多模医学图像配准方法研究》一文中研究指出随着影像技术的发展,各种成像设备的出现为现代医学的进步作出了巨大的贡献,但由于成像原理的限制,单一模态的影像技术通常只能提供单一且有限的信息,因此,为了提高诊断的准确性和治疗的有效性,医生往往需要融合不同模态图像的信息以了解病变组织或器官的综合信息。多模图像融合的关键在于精确的图像配准,但其面临诸多挑战。一方面,在临床应用中,人体大部分器官都是软组织器官,病人的呼吸、体位变化及成像传感器(如超声探头)的作用力等因素会引起软组织的复杂非刚性变形,准确描述该形变需要多参数的变换模型,这会导致配准过程中参数较多,计算量大,优化困难;另一方面,因不同医学影像其成像原理差异的影响,不同模态图像的灰度值之间并不存在简单的一一对应关系,这使得准确构建适用于非刚性多模态医学图像配准的相似性测度变得非常困难,最终会影响图像配准的精确性。目前非刚性多模态医学图像配准的常规方法主要有基于灰度和基于几何特征两类,其中基于几何特征的方法过于依赖图像中点、线、面等几何特征信息的准确提取,而这些特征在医学图像中很难被准确定位和提取。基于灰度的配准方法主要包括基于互信息和基于图像表征的配准方法。其中互信息方法自动化程度高,不依赖图像灰度的对应关系,但其未考虑图像的空间结构信息,且易陷入局部极值导致误配准。基于图像表征的方法是指通过一定的映射关系将多模态的医学图像配准问题转化为单模态的配准问题,再利用单模态的相似性测度来实现图像配准。相比于基于互信息的方法,基于图像表征的方法相似性测度构建更简单(如SSD测度),信息考虑更全面(如包括灰度特征和结构特征);同时,该方法最终解决的是单模态图像配准问题,因此具有计算简单,优化不容易陷入局部极值等优点,在解决非刚性多模态医学图像的配准问题上较互信息等方法更有潜力。基于图像表征方法的典型代表包括Laplacian Eigenmaps图方法,熵图方法,模态独立邻域描述子方法,其中Laplacian Eigenmaps图对噪声敏感,熵图其结构表征结果比较模糊,模态独立邻域描述子不具有旋转不变性,同时这些方法皆利用人工设计的特征提取方法来实现图像结构表征,难以对复杂的医学图像实现精确的信息描述。针对上述不足,本论文将从图像表征的角度入手,研究准确性更高,鲁棒性更好的非刚性多模医学图像配准方法。本论文的主要工作包括:1)针对目前熵图模糊不清、存在伪点,同时信息香农熵容易受图像块大小影响等不足,提出一种基于脉冲发放皮层模型(Spiking Cortical Model,SCM)和分数阶广义熵(the fractional order generalized entropy,FOGE)的非刚性多模医学图像配准方法。该方法通过SCM的多次点火信息来挖掘图像所包含的信息量而非单纯计算图像块的灰度分布信息,再采用敏感性更高的FOGE来构建新的熵图以表征不同模态图像的特征信息,得到了清晰且一致性更好的熵图。实验证明,该方法能取得较传统熵图(Entropy SSD,ESSD)方法和经典互信息(Normalized Mutual information,NMI)方法更好的配准效果。2)针对熵图对噪声敏感、MIND算法其自相似性计算不够准确且不具有旋转不变性等问题,本论文提出了通过自相似性激发的基于Zernike矩的局邻域描述子(Zernike moments based local descriptor,ZMLD)的非刚性多模态医学图像配准方法。该方法先计算图像的Zernike矩,基于矩特征的自相似性来构建ZMLD,然后基于ZMLD的SSD计算多模态图像的相似性测度,最后基于上述测度实现非刚性多模医学图像配准。相比于MIND只通过图像的灰度信息计算自相似性,本论文的方法同时考虑了图像的灰度信息和空间结构信息,使得自相似性的计算更为准确而且具有旋转不变性。实验表明:本论文方法无论是准确性还是鲁棒性都较目前主流的基于图像表征的配准方法有了大幅度的提升。3)针对目前基于图像表征的配准方法采用人工设计的特征提取方法其准确性和鲁棒性欠缺等问题,本论文提出了一种基于拉普拉斯特征映射(Laplacian Eigenmaps,LE)的无监督深度学习网络(LENet),先利用该网络模型获得由浅到深不同层次的图像特征信息,然后利用自相似性对这些特征信息进行表征,得到用于图像配准的数据自适应图像描述子(Learning based Data-Adaptive Descriptor,LDAD),最后通过LDAD来实现非刚性多模图像的精确配准。该方法其离线学习过程简单,同时可随着数据的改变自适应提取图像的本质特征,为确保特征提取和配准的效果提供了基础。通过实验证明,LDAD方法比NMI方法,ESSD方法,韦伯描述子方法,MIND方法和ZMLD方法具有更好的鲁棒性和更高的配准精度。(本文来源于《华中科技大学》期刊2018-08-01）
朱扣玲[4]（2018）在《基于结构信息的多模医学图像配准算法研究》一文中研究指出随着医学技术的不断发展,融合不同模态图像来帮助医生做出科学诊断成为重要的研究课题,而图像融合的前提是图像配准。医学图像配准是指针对一幅图像寻求一种(或多种)空间变换,使它与另一幅图像的同一解剖点有相同的空间位置。但是,由于不同模态图像的灰度强度不一致,多模形变图像配准在医学图像分析领域仍然是一项具有挑战的任务。本文主要研究多模形变医学图像配准算法,主要工作和贡献如下:首先,由于现有的基于互信息或者结合了局部熵描述符的多模医学图像配准方法没有考虑图像的结构信息与空间信息以及噪声对目标组织的影响,所以很容易导致局部误配准。针对这一问题,本文提出一种新颖的、鲁棒的、自适应二进制模式(Rabp,Robust and adaptive binary pattern)描述符,用于提取图像的纹理结构特征,从而将不同模态的图像转换为统一的图像描述。在此基础上,利用光流场模型在上述统一描述空间中估计图像对间的形变位移场,实现图像配准。在Brain Web和the Whole Brain Altas数据集上进行形变和临床配准实验,实验结果表明该方法相对于目前较新的一些基于描述符的配准方法在准确度和鲁棒性上有较大的优势。其次,为了在提高配准准确度的同时,进一步优化算法的效率,本文提出了一种新颖的图像结构信息提取方法。该方法首先通过融合梯度幅值图像(利用Canny算子提取)和相位一致性图像,将不同模态的图像转换到统一的描述空间,再进行单模形变图像配准。相较于Rabp方法,该方法计算量小,在不影响配准质量的同时,进一步提高了配准的效率。实验证明:该算法相较结合了局部熵描述符的算法拥有更好的准确度和执行速度。(本文来源于《苏州大学》期刊2018-05-01）
史聪文[5]（2017）在《多模医学图像配准技术研究》一文中研究指出随着医学技术的快速发展,各种各样的成像设备为临床诊断和治疗提供了丰富的医学图像,如计算机断层扫描(CT)图像、正电子发射断层(PET)图像、核磁共振(MRI)图像等。将这些不同类型的图像融合使用,可以为医生提供更加全面的诊疗信息。多模医学图像配准则是实现医学图像融合的关键。本文对多模医学图像配准方法进行了研究,其中重点研究了基于互信息和梯度信息的配准方法;在梯度信息的提取、互信息与梯度信息结合的方法和提高配准速度方面进行了深入地研究,并进行了充分的实验验证。本文的主要工作如下:(1)提出了一种基于归一化互信息与梯度信息按权重结合的多分辨率图像配准方法。首先对原始图像进行小波分解,获得低分辨率图像,然后对低分辨率图像进行粗配准,确定大致的搜索范围和互信息与梯度信息的结合权重,最后对原图进行精确配准。该方法可以有效地加快配准速度并提高配准精度。(2)改进了梯度信息的提取方法。梯度信息主要反映的是图像中骨骼边缘信息。本文将初步提取的梯度幅值图与经过高斯模糊、开启运算后的原始灰度图相乘获得最终梯度幅值图;实验结果表明该方法可以更好地突出骨骼边缘等主要信息,有效地抑制噪声以及软组织等干扰信息。(3)为了提高配准速度与精度,本文采用了粒子群优化(PSO)算法与Powell算法相结合的分步寻优算法。首先使用PSO算法对小波分解得到的低分辨率图像进行全局寻优;然后以PSO寻优结果作为Powell算法的初始值,对原图像进行局部精确寻优。该寻优算法极大地加快了配准速度,并有效地避免了陷入局部寻优的现象。(本文来源于《苏州大学》期刊2017-04-01）
龚伦,蔡冬,章程,戴亚康,郑健[6]（2016）在《多模医学图像配准中智能优化算法的应用研究》一文中研究指出多模图像配准一直是医学图像处理领域研究的热点,而智能优化算法是影响配准算法性能的一个关键因素,很少有学者对常用智能优化算法的特性进行深入的分析。文章以二维CT和PET图像为数据源,互信息为测度函数,分别对禁忌搜索、模拟退火、遗传、进化规划、粒子群以及蚁群等六种智能优化算法进行了实验,具体从配准误差、算法耗时和收敛速度对优化算法的性能进行定量评估,并综合评价它们的优缺点。实验结果表明:文章研究对多模医学图像配准中的优化算法的选择具有较好的参考价值。(本文来源于《计算机与数字工程》期刊2016年12期）
刘君,杨芳,武和雷[7]（2016）在《一种新的基于结构信息的多模医学图像配准算法》一文中研究指出为了提高配准的精确度和鲁棒性,本文提出了一种新的基于结构信息的多模医学图像配准.该方法首先分别求出参考图像和浮动图像的相位一致图像和梯度幅值图像;其次将相位一致图像和梯度幅值图像相结合,得到了多模图像的结构信息;最后利用遗传算法和区域互信息对经过上述处理的图像进行配准.通过在MRI和CT图像上的对比实验表明:相对于经典的基于最大互信息的配准方法,本文配准方法能在更少的迭代次数内得到误差更小的配准参数,且对于噪音环境具有更强的适应能力.因此对于多模医学图像配准,本文方法是一种较传统最大互信息法更为有效的配准方法.(本文来源于《测试技术学报》期刊2016年04期）
赵海峰,朱世栋,卜祥东,孙登第[8]（2016）在《基于局部小波模式和一致性点漂移的多模医学图像配准》一文中研究指出为提高多模医学图像配准的速度、精度和鲁棒性,本文提出一种基于局部小波模式(LWP)和一致性点漂移(CPD)的多模医学图像配准算法。首先提取图像稳定特征点,然后通过局部小波分解编码8邻域信息;接着变换中心像素值,使中心点像素构成的向量取值与小波分解向量取值范围相一致,通过比较中心像素变换向量与小波分解向量计算LWP描述子;最后把结合高斯混合模型后验概率和负对数似然函数的函数作为目标函数,利用一致性点漂移算法进行模型参数估计和空间变换。实验结果表明在图像存在噪声、灰度不均匀和初始误配的情况下,LWP-CPD算法的鲁棒性、配准精度和计算复杂度都达到很好的效果。(本文来源于《中国医学物理学杂志》期刊2016年07期）
杨芳,刘君,何南,尹阳[9]（2016）在《边缘互方差与互信息结合的多模医学图像配准》一文中研究指出为了提高多模图像配准的精度,提出了一种改进互信息的医学图像配准方法。首先求取图像的互信息,然后通过边缘算子提取图像的边缘信息,求取图像的边缘互方差;最后,将边缘互方差和互信息通过一定的方式结合在一起,得到一个新的测度函数,并且采用遗传算法进行寻优。将本文算法用于CT图像与MRI图像进行配准,并将此配准结果和只用最大互信息的配准方法进行对比,结果表明本文算法配准结果较为准确和稳定。(本文来源于《南昌航空大学学报(自然科学版)》期刊2016年02期）
杨芳[10]（2016）在《基于结构信息与区域互信息的多模医学图像配准》一文中研究指出随着科学技术的快速发展,多种传感器被应用于各大领域,这使得医学成像技术也得到了稳健的发展。现用于医学图像成像的技术有CT、MR、X射线、超声波等等,每种成像技术所获取的图像都有它们各自的特点。而随着医学技术发展的需要,单一模态的医学图像提供的数据简单,往往不能准确地反映病灶特征,不能够提供足够的数据来帮助医生做出更好的诊断。因此,融合多模图像的特征来帮助医生诊断病情成为研究的一个重要问题。但是多模图像融合的前提是多模图像进行配准,所以获取精准的配准结果尤为重要。图像配准方法大致可以划分为叁大类:一是基于灰度信息法,二是基于特征法,叁是基于变换域法。基于灰度信息法一般不需要对图像做预处理,实现过程比较简单。基于特征的方法在配准前需对图像做预处理,提取图像的特征,再根据图像之间的特征来匹配。基于变换域的图像配准是在频域内完成的。但由于多模图像的侧重点不同,容易造成误配的结果。多模图像的同一部位所得到的图像结构信息是一致的,提取精确的图像特征对多模图像配准很重要,因此本文的重点是结合图像的结构信息完成配准。本文的研究工作依次分为如下几个部分:首先,提取图像的相位一致性图像,相位一致性其实是图像特征检测的一种方法,对图像先做傅里叶变换,然后把傅里叶分量相位最一致的点当作图像的特征,该方法可以得到较为完整的图像特征。其次,获取图像的梯度幅值图像,并且将相位一致性图像和梯度幅值图像合理的融合在一起,这样就得到了较为完整的结构信息图像。最后,采取区域互信息的配准方法来配准,遗传算法实现优化,该方法不但利用到了图像的结构特征,而且还结合了图像的灰度信息,使得配准的结果更准确,更有效,稳定性也更好。通过实验验证,基于相位一致性原理提取图像特征不受噪声、光照和对比度等因素影响。通过相位一致性图像和梯度幅值相结合得到的图像结构信息清晰,基于图像结构信息和区域互信息的图像配准方法不仅精度高、效率高,而且鲁棒性好。(本文来源于《南昌航空大学》期刊2016-06-01）
多模医学图像论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
医学图像融合技术将多模的临床特征融合到1个图像中,可以增强医学图像的细节并降低图像的噪声,提出了一种基于新型蜘蛛优化算法的多模医学图像融合算法。一方面,将不同医疗设备采集的图像转换为傅里叶频率域,使用蜘蛛优化算法搜索2个输入图像融合的最优尺度值;另一方面,使用蜘蛛优化算法搜索变换函数的最优参数集合,进一步地增强融合图像的质量。基于公共医学图像数据集的实验结果表明,该算法获得了较好的医学图像融合效果与较高的计算效率。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
多模医学图像论文参考文献
[1].薛文静,党建武,王阳萍,杜晓刚.基于局部熵的ActiveDemons多模医学图像配准[J].宁夏大学学报(自然科学版).2019
[2].吴方,敖露.一种高对比度的多模医学图像融合算法[J].控制工程.2018
[3].朱飞.基于图像表征的非刚性多模医学图像配准方法研究[D].华中科技大学.2018
[4].朱扣玲.基于结构信息的多模医学图像配准算法研究[D].苏州大学.2018
[5].史聪文.多模医学图像配准技术研究[D].苏州大学.2017
[6].龚伦,蔡冬,章程,戴亚康,郑健.多模医学图像配准中智能优化算法的应用研究[J].计算机与数字工程.2016
[7].刘君,杨芳,武和雷.一种新的基于结构信息的多模医学图像配准算法[J].测试技术学报.2016
[8].赵海峰,朱世栋,卜祥东,孙登第.基于局部小波模式和一致性点漂移的多模医学图像配准[J].中国医学物理学杂志.2016
[9].杨芳,刘君,何南,尹阳.边缘互方差与互信息结合的多模医学图像配准[J].南昌航空大学学报(自然科学版).2016
[10].杨芳.基于结构信息与区域互信息的多模医学图像配准[D].南昌航空大学.2016