導航:首頁 > 計算方法 > 醫療圖像計算方法

醫療圖像計算方法

發布時間:2023-12-19 02:01:59

① 醫學圖像配准

圖像配准時指對一幅圖進行一定的的幾何變換映射到另一幅圖中,使得兩幅圖像中的相關點達到空間上的一致。
將施加變換的圖像定義為浮動圖像F,另一幅不動的圖像定義為參考圖像R,圖像配準的本質是尋找一個空間變換T,使得

一般配準的步驟如下:

特徵空間
特徵空間指從參考圖像和浮動圖像中提取可用於配準的特徵。根據特徵可以歸納出兩種方法:

搜索空間
搜索空間是指在配准過程中對圖像進行變換的范圍和方式。

搜索演算法
圖像配准要在給定搜索空間上尋求相似性測度函數的最優解,搜索演算法包括:

相似性度量

傳統的基於強度的相似性度量包括平方和距離(sum-of-square distance,SSD)、均方距離(mean square distance, MSD)、歸一化互相關(normalized cross correlation,NCC)和互信息(mutual information,MI)。

變換

常用的醫學圖像配准方法
基於互信息的圖像配准

基於傅里葉變換的圖像配准
傅里葉變換用於配準的原理:圖像的平移不影響傅里葉變換的幅值,旋轉相遇對其傅里葉變換做相同的旋轉。

基於小波變換的圖像配准
對兩幅圖像的伸縮、旋轉、平移等轉化為對其作小波分解後,兩幅圖近似分量的伸縮、旋轉、平移。

基於深度學習的圖像配准方法可以大致分為以下三類:深度相似性度量+迭代配准、有監督的變換估計和無監督的變換估計。

通過深度學習估計移動圖片和基準圖片的相似性度量,這個相似性度量會被插入到傳統的配准框架內,進行迭代優化。

也有一些方法是基於強化學習方法,讓一個被訓練過的 agent 來代替優化演算法進行配准。基於強化學習的配准通常用於適合剛性變換的模型。

有監督學習需要提供真實的變形場,也就是ground truth,網路輸入為圖像,輸出為變換的參數。流程可以總結如下圖。

對於有監督的學習,重要的是對用於網路訓練的標簽。許多人提出了用於生成變換的數據增強技術,大致可以分為三類:

Miao等人首先提出使用深度學習來預測剛性變換參數。他們使用 CNN 來預測 2D/3D 剛性配準的變換矩陣。他們提出了分層回歸,其中六個變換參數被劃分為三組,分別為平面內參數( ),平面外旋轉參數( ), 平面外平移參數( )。網路輸入為預定大小的ROI,網路結構是一個包括了卷積和全連接操作的回歸器。訓練期間要最小化的目標函數是歐幾里得損失。

剛性變換需要6個參數來表示,而自由變形需要一個密集的變形向量場。

無監督學習可以很好的解決配准缺少有標簽(有已知變換)圖像的問題。

2015 年,Jaderberg 等人提出了空間變換網路 (spatial transformer network,STN),它允許在網路內對數據進行空間操作,而且STN是一個可微分模塊,可以插入到現有的 CNN 架構中。 STN 的發布啟發了許多無監督的圖像配准方法,因為 STN 可以在訓練過程中進行圖像相似度損失計算。

典型的 DIR(deformation image registration) 無監督變換預測網路以圖像對作為輸入,直接輸出密集 DVF,STN 使用該 DVF 對運動圖像進行變換曲。然後將扭曲的圖像與固定圖像進行比較以計算圖像相似度損失。 DVF 平滑約束通常用於正則化預測的 DVF。

利用 GAN 的 discriminator 來進行相似性度量也近些年的一個思路[4]。

GAN 在醫學圖像配准中的使用通常可以分為兩類:

閱讀全文

與醫療圖像計算方法相關的資料

熱點內容
售房有哪些方法提升客戶滿意度 瀏覽:363
地暖正確敷設方法 瀏覽:781
看病掛號都有哪些方法 瀏覽:935
中風針灸治療方法 瀏覽:525
無線滑鼠和鍵盤連接視頻方法 瀏覽:291
四驅拖鉤最佳方法 瀏覽:269
今年比上年增減是什麼報表方法 瀏覽:315
老祖宗的教學方法 瀏覽:779
常用的肌肉拉松和放鬆方法是 瀏覽:470
導航連接汽車的方法 瀏覽:626
水槍快速接頭安裝方法 瀏覽:747
保安鋼叉使用方法 瀏覽:387
腳後跟骨折的治療方法 瀏覽:692
安卓來電關機設置在哪裡設置方法 瀏覽:144
電腦伺服器的許可權設置在哪裡設置方法 瀏覽:144
幼兒包莖治療方法 瀏覽:595
寫材料高手鍛煉方法 瀏覽:193
額頭痤瘡的治療方法 瀏覽:657
請用簡便的計算方法 瀏覽:444
布料上如何加花邊簡便方法 瀏覽:893