导读:本文包含了医学图像的配准论文开题报告文献综述、选题提纲参考文献及外文文献翻译，主要关键词:图像,医学,卷积,神经网络,刚性,算法,深度。
医学图像的配准论文文献综述
沈仑,寿鹏里[1]（2019）在《基于互信息的多模态医学图像配准方法研究》一文中研究指出医学图像配准方法主要分为叁类:灰度信息法、变换域法、特征法,其中最常用的是灰度信息法。在灰度信息法中,研究方法最多的为基于互信息的图像配准方法。互信息用来比较两幅图像的统计依赖性,是两个随机变量相关性量度。近年来,基于互信息的多模态医学图像配准方法层次不穷,每种方法都有其优点和弊端,本文详细阐述基于互信息的医学图像配准方法的原理,算法以及优缺点。(本文来源于《科学技术创新》期刊2019年34期）
刘兆辉,李铭浩,肖延丽,彭磊[2]（2019）在《基于深度学习的医学图像配准》一文中研究指出医学图像配准是医学图像分析的核心技术,在辅助临床诊断中起着至关重要的作用。目前基于深度学习方法逐渐应用于图像配准任务。深度学习图像配准(DLIR)框架是一种基于卷积神经网络的无监督的图像配准技术,可用于仿射和可变性医学图像配准。在DLIR框架中,通过利用类似于传统的基于灰度的图像配准的相似性测度,训练卷积神经网络进行图像配准。同时在该框架中通过卷积神经网络的堆迭可以实现由粗到精的图像配准过程。训练完成后的DLIR框架进行图像配准时无需迭代,因此性能与传统图像配准相当,速度快了几个数量级。(本文来源于《电子制作》期刊2019年18期）
左振宇[3]（2019）在《基于机器学习的医学图像分割、配准、融合及去噪》一文中研究指出很多机器学习算法已经被应用于医学图像处理。为了进一步处理医学图像,使得医学图像的分割质量好、配准效果好、融合效果佳、含噪量低,本文结合机器学习原理,改进传统医学处理方式,针对常见的四种医学图像,分别从图像分割、融合、配准和去噪等四个方面进行阐述。结果表明机器学习在医学图像中的应用,大幅改进了图像处理的效果、提高了图像的精度,为医生分析病情和手术操作提供更高的可靠性。(本文来源于《电子设计工程》期刊2019年17期）
李浩文,胡方旭,白亚南,程天琪,彭磊[4]（2019）在《基于ITK与VTK的医学图像配准软件的开发》一文中研究指出医学图像配准是医学图像处理领域的基础性工作,对临床应用有着重要的作用,ITK和VTK是开源的、成熟的医学图像软件开发包。采用跨平台的C++图形用户界面应用程序开发框架Qt,设计并实现了一套基于ITK和VTK的医学图像配准软件。配准算法采用多分辨率的配准策略,能够完成MRI等医学图像的非刚性配准任务,满足实际应用的需要。(本文来源于《电子制作》期刊2019年17期）
邹茂扬,杨昊,潘光晖,钟勇[5]（2019）在《深度学习在医学图像配准上的研究进展与挑战》一文中研究指出随着影像引导手术和放射治疗的发展,临床对医学图像配准研究的需求更强烈,带来的挑战也更大。最近几年,深度学习,特别是深度卷积神经网络,在医学图像处理方面取得了优异的成绩,在医学图像配准上的研究发展迅速。本文按技术方法分类总结了基于深度学习的医学图像配准的国内外研究进展,包括了基于优化策略的相似性估计、直接估计医学图像配准的变换参数等。然后分析了深度学习方法在医学图像配准上的挑战,并提出了可能的解决办法和研究方向。(本文来源于《生物医学工程学杂志》期刊2019年04期）
于佳,张兴伟[6]（2019）在《基于GTM和多分辨率B样条的医学图像配准方法》一文中研究指出本文提出了一种基于GTM(Graph Transformation Matching)和多分辨率B样条的医学图像配准方法。为了得到精确的特征点对,使用GTM算法去除血管树模型中的冗余点;然后使用多分辨率B样条函数对图像进行配准。肝脏MRI上的实验证明,本文提出的非刚性配准方法能够有效提取出特征点,并且达到了较好的配准精度。(本文来源于《现代信息科技》期刊2019年15期）
宁小霞[7]（2019）在《基于Web的医学图像采集、配准及分割系统设计研究》一文中研究指出近年来,随着计算机技术的发展,云计算,移动互联网,GPU加速,以及智能终端等新技术不断发展和渗透到医学领域,医学图像互联网的新时代已经到来。因此,基于互联网的医学图像数据处理技术逐渐成为热点。在解决区域医疗,远程会诊和远程医疗教学等医疗机构的发展问题时,用户希望通过互联网改变传统的诊断方法,并在任意互联网浏览器上阅片诊断。而且当前医院各部门各自为政,相互之间业务不能深度的融合,导致了众多的数据孤岛,无法合理统筹分配和运用资源,造成了资源的重复使用和浪费,直接的后果是增加了医疗的成本和影响了医护对医学影像信息的临床需求。针对这些问题本文开展了可在互联网环境下运行的医学图像处理研究,即设计一种基于Web的医学图像采集、配准及分割系统。将该系统用于合作医院,采集了医院的20例病患的影像数据进行配准分割处理,同时利用影像科医生的专业知识对该系统的测试结果进行评估分析,由系统评估结果得知该系统的准确率达到85%以上。具体由以下几个模块完成本次系统平台研究工作:(1)基于Web的DICOM(Digital Imaging and Communication of Medicine)医学图像文件采集及叁维图像数据的合成。本文研究分析DICOM图像的数据结构和编码方式,实现基于Web的DICOM医学影像的格式转换并显示,以及叁维合成平扫相、动脉相、门脉相叁个时相的医学图像数据。实验结果表明本系统平台可以很好地读取医学影像数据,并且实现资源共享。(2)基于Web的医学图像配准研究。采用基于特征点的TPS(Thin plate splines)配准算法,利用医护专家的专业知识手动选取肝脏最具标志性且唯一性的特征点。通过采用观察法和定量法评估配准的效果。实验结果表明配准效果良好,为临床医生分析肝癌患者的影像提供了一个可靠的计算机辅助工具。(3)基于Web的医学图像分割及叁维建模。采用灰度变换、边缘检测、膨胀腐蚀、打标签以及阈值差分分割等算法分割平扫相和门脉相的CT图像,提取肝脏区域,最后借助3D Doctor软件进行肝脏的叁维重建。人体腹部器官结构复杂、联系密切,利用互联网以及计算机图像处理技术自动抽出人体腹部器官中的肝脏部分,可以更加直观、清晰地观察肝脏的形状结构以及为以后的病理解析打下基础。(本文来源于《广西大学》期刊2019-06-01）
杨德荣[8]（2019）在《非刚性医学图像配准技术研究》一文中研究指出非刚性医学图像配准技术通过寻找某种非线性空间变换,使存在非刚性形变的两幅医学图像恢复在空间位置和解剖结构上的对应关系。非刚性医学图像配准技术可以提供同种模态或多种模态的医学图像的互补信息。因此,非刚性医学图像配准技术是计算机视觉和医学图像处理等领域的重要研究内容之一,被广泛地应用于脑部神经变性疾病分析、肿瘤放射治疗定位和图像引导手术导航等众多医学领域。二十一世纪以来,随着各种新颖的配准模型和高效的优化方法在非刚性医学图像配准技术中的应用,非刚性医学图像配准的准确性与适用性有了很大的提高。然而在面对全局复杂形变和多模态医学图像配准时,现有的非刚性医学图像配准方法表现不佳。本文主要研究了Demons算法和SIFT算法相结合的非刚性单模态医学图像配准方法以及基于非线性弹性模型的非刚性单模态和多模态医学图像配准方法。本文的主要工作内容概括如下:1.介绍了非刚性医学图像配准技术的研究背景与意义,阐述了非刚性医学图像配准技术的发展和研究现状,以及详细讨论了非刚性医学图像配准技术的分类和方法。2.概述了一种非刚性医学图像配准的标准模型,介绍了非刚性医学图像配准的基本过程,详细讨论了包括图像预处理,图像特征搜索和匹配,目标能量函数的构建和优化,插值变换等内容。3.针对Demons算法无法处理大形变医学图像配准的问题,提出一种Demons算法和SIFT算法相结合的非刚性单模态医学图像配准方法。在标准配准模型上,使用Demons算法和SIFT算法构建新的驱动位移场能量函数。利用SIFT特征项约束驱动位移场的形变位移,弥补了Demons算法无法处理大形变医学图像配准的不足。同时算法加入特征点对优化策略、双向配准策略和多分辨率策略,提高了算法的配准效率和准确性。通过实验证明了本文改进算法能够良好地兼顾小形变区域和大形变区域的配准。4.针对基于扩散模型的配准方法中仅使用图像梯度信息进行驱动,造成的位移场不连续的问题,提出一种基于非线性弹性模型的非刚性单模态医学图像配准方法。首先在线性弹性配准模型的基础上构建非线性弹性配准模型,将图像的非刚性形变模拟成弹性物体的弹性形变,保证了位移场的连续性和光滑性。然后将灰度差方和的梯度作为驱动力加入非线性弹性模型的驱动位移场方程中。最后使用多分辨率策略迭代求出变换位移场,对两幅图像进行配准。通过实验证明了本文方法在应对全局复杂形变配准问题时有良好的算法复杂度和更高的配准精度。5.针对基于图像灰度的非刚性医学图像配准方法无法处理多模态医学图像配准的问题,提出一种使用局部结构张量守恒作为相似性测度的非刚性多模态医学图像配准方法。首先构建了基于局部结构张量守恒的相似性测度。然后将基于局部结构张量守恒的相似性测度的梯度作为非线性弹性模型的驱动力,得到基于非线性弹性模型的非刚性多模态医学图像配准方法。最后通过选取多组多模态的医学图像序列对本文方法进行测试,实验结果表明本文方法在多模态医学图像配准中表现良好。(本文来源于《南昌航空大学》期刊2019-06-01）
王雁丽[9]（2019）在《基于模态转换的非刚性多模态医学图像配准》一文中研究指出随着医学技术的发展,出现了各种不同的医学成像模式。不同的成像模式可以提供不同的医学图像,临床医生可使用医学图像来进行疾病诊断。医学图像配准是图像处理和计算机视觉领域重要的组成部分,同时也是图像精确融合的关键前提步骤。多模态医学图像配准有利于将不同模态图像之间的信息互补,信息互补的图像可提供病变组织或器官的多种信息,为医生做出准确的诊断提供有力的理论依据。本文主要是针对非刚性多模态脑部图像进行探索研究,希望能够有效推动医学图像配准的理论研究及其应用。本文重点工作如下:(1)针对脑部图像中存在噪声和强度失真时,现有的基于结构表示的方法不能同时准确提取图像强度信息和边缘、纹理特征,并且连续优化计算复杂度相对较高的问题,根据图像的结构信息,提出了基于改进的Zernike距的局部描述符(IZMLD)和图割(GC)离散优化的非刚性多模态脑部图像配准方法。首先,将图像配准问题看成是马尔可夫随机场(MRF)的离散标签问题,并且构造能量函数,两个能量项分别由位移矢量场的像素相似性和平滑性组成。其次,采用变形矢量场的一阶导数作为平滑项,用来惩罚相邻像素间分配标签的差异性;用基于IZMLD计算的相似性测度作为数据项,用来表示像素相似性。然后,在局部邻域中用图像块的Zernike矩来分别计算参考图像和浮动图像的自相似性并构造有效的局部描述符,把描述符之间的绝对误差和(SAD)作为相似性测度。最后,将整个能量函数离散化,并使用GC的扩展优化算法求最小值。仿真实验效果表明,所提算法实现了在图像存在噪声和强度失真时的高效精确配准。(2)针对基于结构表示方法在模态转换过程中可能会丢失解剖细节信息,并且单向图像合成因忽略另一模态的解剖细节而引起配准偏差的问题,提出了基于CT/MR双向图像合成的非刚性医学图像配准方法。首先,对参考CT图像和浮动MR图像进行简单的预配准。然后,分别采用改进的随机森林和上下文优化模型对CT和MR图像进行双向图像合成。具体而言,采用多目标回归森林算法来合成CT(S-CT);采用学习能力更强的多层多目标回归森林来合成MR(S-MR)。最后,本文提出双路径融合框架:1)从S-CT到CT图像的一条形变路径;2)从MR图像到S-MR的另一条形变路径。迭代融合两条形变路径可有效估计CT和MR图像之间的形变路径。双路径融合框架可同时有效结合两种模态的互补信息。仿真实验效果表明,将双向图像合成用于图像配准最终提高了非刚性多模态医学图像配准的精度。(3)针对本文提出的两种基于模态转换的改进方法,使用基于MATLAB编程平台开发了非刚性多模态脑部图像配准系统。系统主要包括基于结构表示方法和基于图像合成方法进行配准两大模块。将传统方法与本文所提方法进行配准效果对比,体现了本文算法的先进性,同时展示了该系统的稳定性和实用性,可用于实际的临床诊断中。(本文来源于《中北大学》期刊2019-05-21）
朱天宇,全惠敏,刘国才[10]（2019）在《联合弯曲能量和标志点对应约束的非刚性医学图像配准》一文中研究指出由于缺乏图像几何空间约束,基于互信息的非刚性医学图像配准常常产生不合理的形变。提出一种联合弯曲能量和标志点对应约束的非刚性医学图像配准方法,在互信息配准目标函数中添加弯曲能量惩罚和对应标志点间欧氏距离2个正则项,约束医学图像软组织不合理形变。脑部MRI、头颈部CT、胸部CBCT影像配准实验结果表明,该方法可有效提高配准质量。(本文来源于《计算机工程与科学》期刊2019年05期）
医学图像的配准论文开题报告
（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：
医学图像配准是医学图像分析的核心技术,在辅助临床诊断中起着至关重要的作用。目前基于深度学习方法逐渐应用于图像配准任务。深度学习图像配准(DLIR)框架是一种基于卷积神经网络的无监督的图像配准技术,可用于仿射和可变性医学图像配准。在DLIR框架中,通过利用类似于传统的基于灰度的图像配准的相似性测度,训练卷积神经网络进行图像配准。同时在该框架中通过卷积神经网络的堆迭可以实现由粗到精的图像配准过程。训练完成后的DLIR框架进行图像配准时无需迭代,因此性能与传统图像配准相当,速度快了几个数量级。
（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。
医学图像的配准论文参考文献
[1].沈仑,寿鹏里.基于互信息的多模态医学图像配准方法研究[J].科学技术创新.2019
[2].刘兆辉,李铭浩,肖延丽,彭磊.基于深度学习的医学图像配准[J].电子制作.2019
[3].左振宇.基于机器学习的医学图像分割、配准、融合及去噪[J].电子设计工程.2019
[4].李浩文,胡方旭,白亚南,程天琪,彭磊.基于ITK与VTK的医学图像配准软件的开发[J].电子制作.2019
[5].邹茂扬,杨昊,潘光晖,钟勇.深度学习在医学图像配准上的研究进展与挑战[J].生物医学工程学杂志.2019
[6].于佳,张兴伟.基于GTM和多分辨率B样条的医学图像配准方法[J].现代信息科技.2019
[7].宁小霞.基于Web的医学图像采集、配准及分割系统设计研究[D].广西大学.2019
[8].杨德荣.非刚性医学图像配准技术研究[D].南昌航空大学.2019
[9].王雁丽.基于模态转换的非刚性多模态医学图像配准[D].中北大学.2019
[10].朱天宇,全惠敏,刘国才.联合弯曲能量和标志点对应约束的非刚性医学图像配准[J].计算机工程与科学.2019
论文知识图
