导航:首页 > 计算方法 > 医疗图像计算方法

医疗图像计算方法

发布时间:2023-12-19 02:01:59

① 医学图像配准

图像配准时指对一幅图进行一定的的几何变换映射到另一幅图中,使得两幅图像中的相关点达到空间上的一致。
将施加变换的图像定义为浮动图像F,另一幅不动的图像定义为参考图像R,图像配准的本质是寻找一个空间变换T,使得

一般配准的步骤如下:

特征空间
特征空间指从参考图像和浮动图像中提取可用于配准的特征。根据特征可以归纳出两种方法:

搜索空间
搜索空间是指在配准过程中对图像进行变换的范围和方式。

搜索算法
图像配准要在给定搜索空间上寻求相似性测度函数的最优解,搜索算法包括:

相似性度量

传统的基于强度的相似性度量包括平方和距离(sum-of-square distance,SSD)、均方距离(mean square distance, MSD)、归一化互相关(normalized cross correlation,NCC)和互信息(mutual information,MI)。

变换

常用的医学图像配准方法
基于互信息的图像配准

基于傅里叶变换的图像配准
傅里叶变换用于配准的原理:图像的平移不影响傅里叶变换的幅值,旋转相遇对其傅里叶变换做相同的旋转。

基于小波变换的图像配准
对两幅图像的伸缩、旋转、平移等转化为对其作小波分解后,两幅图近似分量的伸缩、旋转、平移。

基于深度学习的图像配准方法可以大致分为以下三类:深度相似性度量+迭代配准、有监督的变换估计和无监督的变换估计。

通过深度学习估计移动图片和基准图片的相似性度量,这个相似性度量会被插入到传统的配准框架内,进行迭代优化。

也有一些方法是基于强化学习方法,让一个被训练过的 agent 来代替优化算法进行配准。基于强化学习的配准通常用于适合刚性变换的模型。

有监督学习需要提供真实的变形场,也就是ground truth,网络输入为图像,输出为变换的参数。流程可以总结如下图。

对于有监督的学习,重要的是对用于网络训练的标签。许多人提出了用于生成变换的数据增强技术,大致可以分为三类:

Miao等人首先提出使用深度学习来预测刚性变换参数。他们使用 CNN 来预测 2D/3D 刚性配准的变换矩阵。他们提出了分层回归,其中六个变换参数被划分为三组,分别为平面内参数( ),平面外旋转参数( ), 平面外平移参数( )。网络输入为预定大小的ROI,网络结构是一个包括了卷积和全连接操作的回归器。训练期间要最小化的目标函数是欧几里得损失。

刚性变换需要6个参数来表示,而自由变形需要一个密集的变形向量场。

无监督学习可以很好的解决配准缺少有标签(有已知变换)图像的问题。

2015 年,Jaderberg 等人提出了空间变换网络 (spatial transformer network,STN),它允许在网络内对数据进行空间操作,而且STN是一个可微分模块,可以插入到现有的 CNN 架构中。 STN 的发布启发了许多无监督的图像配准方法,因为 STN 可以在训练过程中进行图像相似度损失计算。

典型的 DIR(deformation image registration) 无监督变换预测网络以图像对作为输入,直接输出密集 DVF,STN 使用该 DVF 对运动图像进行变换曲。然后将扭曲的图像与固定图像进行比较以计算图像相似度损失。 DVF 平滑约束通常用于正则化预测的 DVF。

利用 GAN 的 discriminator 来进行相似性度量也近些年的一个思路[4]。

GAN 在医学图像配准中的使用通常可以分为两类:

阅读全文

与医疗图像计算方法相关的资料

热点内容
快速恢复满血的方法 浏览:257
切割泡沫快速方法 浏览:788
老谷头食用方法 浏览:963
台下盆最佳安装方法 浏览:243
负x次方的计算方法 浏览:921
朋友圈发长视频的方法不显示收藏 浏览:300
如何调点胶机加热方法 浏览:660
检测双酚a有哪些方法 浏览:959
最常用的方法 浏览:445
烟盒计算方法 浏览:36
幼儿园侧翻身训练正确方法 浏览:414
铁皮石斛的作用及食用方法 浏览:799
三星汽车蓝牙连接方法 浏览:962
量血压的正确方法图解 浏览:959
工程成本利率计算方法公式 浏览:290
上斜杠铃卧推方法视频 浏览:334
狗链使用方法 浏览:936
生物制剂治疗鱼鳞病的方法 浏览:995
吊阴功锻炼方法 浏览:655
山林兰花的种植方法 浏览:412