梯度与曲率变形力相结合的图像配准方法

针对Demons算法将形变配准视作扩散问题,仅靠梯度信息确定浮动图像的位移,在梯度非常小时图像形变方向不能确定,会导致错误的配准变换这一弊病,将等照度线曲率作为一个控制形变的驱动力因素引入Demons扩散方程,建立了一个具有梯度与曲率双重驱动力的非线性扩散模型,将其应用于图像配准。实验结果表明,这一模型较经典Demons算法具有更好的配准性能。     

基于平衡系数的Active Demons非刚性配准算法

经典的Active demons算法利用参考图像和浮动图像的梯度信息作为驱动力,并使用均化系数调节两种驱动力之间的强度.该算法克服了Demons算法单一使用参考图像的梯度信息作为驱动力的缺点,但是Active demons算法中的均化系数无法同时兼顾大形变和小形变区域的准确配准,还会导致配准的收敛速度和精确度相互制约的问题.为此,本文提出一种新的Active demons非刚性配准算法.提出的算法在Active demons扩散方程中引入一个称为平衡系数的新参数,与均化系数联合调整驱动力,不仅可以兼顾图像中同时具有的大形变和小形变区域的准确配准,而且在一定程度上缓和了收敛速度和精确度相互制约的问题.为了进一步提高配准的收敛速度和精确度,避免陷入局部极值,在新的配准算法的实现中引入由粗到细的多分辨率策略.在Checkboard测试图像、自然图像和医学图像上的实验结果表明,提出的算法较经典的Active demons算法收敛速度更快,配准精度平均提高了54.28%,接近最新的TV-L1光流场图像配准算法的配准精度,解决了Active demons算法存在的问题.     

三维医学图像配准在图像引导放疗中的应用

为了确定病人的摆位误差,实现精确放疗,提出一种改进的Demons弹性配准算法。采用FDK算法对锥形束CT(CBCT)图像进行三维重建,利用可视化工具包 (VTK)体绘制法可视化重建结果;在分割与配准工具包 (ITK)基础上实现Demons算法,并基于对称梯度的思想,将参考图像和浮动图像的梯度场信息加入到Demons算法中,给出新的Demons形变力公式。分别使用单模态和多模态医学图像进行配准实验,结果显示改进的Demons算法与原始Demons算法相比,配准速度更快、精度更高。基于对称梯度的Demons算法更适用于图像引导放射治疗中CBCT重建图像与CT计划图像间的配准。     

大形变微分同胚图像配准快速算法

本文提出一种研究大形变图像配准算法. 大形变使得图像信息和拓扑结构有较大的改变, 目前该方面的研究仍然是一个难点. 基于严密数学理论的微分同胚Demons算法是图像配准的著名算法, 为解决大形变配准问题提供了重要基础. 基于对微分同胚Demons算法的研究结合流形学习的思想提出一种大形变图像配准的新算法(MRL算法). 新算法通过挖掘图像的局部和全局流形信息改进微分同胚Demons 速度场的更新, 更好地保持图像的拓扑结构. 对比实验结果表明, 本文所提出的算法能够快速高精度地实现大形变图像的配准.     

基于自适应分数阶的医学图像非刚性配准

现有的医学图像配准算法对于灰度均匀、弱边缘以及弱纹理图像易陷入局部最优从而导致配准精度低下、收敛速度缓慢. 分数阶主动Demons (Fractional active Demons, FAD)算法是解决该问题的有效方法, 并且适用于图像的非刚性配准. 但FAD中的最佳分数阶阶次是人工交互选取, 并且对整幅图像都是固定不变的. 为了解决该问题, 提出一种阶次自适应的主动Demons算法并将其应用到医学图像的非刚性配准中. 算法首先根据图像的局部特征建立分数阶阶次自适应的数学模型, 并逐像素计算最优阶次, 基于该阶次构造Riemann-Liouvill (R-L)分数阶微分动态模板; 然后将自适应R-L分数阶微分引入到Active Demons算法, 在一定程度上缓解了图像配准在弱边缘和弱纹理区域易陷入局部最优问题, 从而提高了配准精度. 通过在两个医学图像库上进行实验验证, 实验结果表明该方法可以处理灰度均匀、弱纹理和弱边缘的医学图像非刚性配准, 配准精度得到较大提升.     

基于小波变换的脑部医学Demons图像配准

非刚性配准是医学图像处理的一个重要研究方向;针对Demons衍生出的一系列经典的配准算法在医学图像应用上计算复杂、方向信息不足问题进行了研究;基于光流场模型的Demons算法依赖图像灰度梯度使图像发生变形,当缺乏梯度信息时,力不能确定,因而容易造成误差,并且该算法仅适合于单模态图像配准;为此文章提出了一种基于小波变换理论的频域Demons配准处理方法(B-Demons);该方法利用小波变换能够对各个尺度、方向和位置实现较好定位的优势,通过高频、低频的图像变换反映出图像的特征信息;实验结果证明了算法的有效性和鲁棒性。     

基于深度卷积特征光流的形变医学图像配准算法

光流法是一种基于光流场模型的重要而有效的形变配准算法。针对现有光流法所用特征质量不高使得配准结果不够准确的问题，将深度卷积神经网络特征和光流法相结合，提出了基于深度卷积特征光流（DCFOF）的形变医学图像配准算法。首先利用深度卷积神经网络稠密地提取图像中每个像素所在图像块的深度卷积特征，然后基于固定图像和浮动图像间的深度卷积特征差异求解光流场。通过提取图像的更为精确和鲁棒的深度学习特征，使求得的光流场更接近真实形变场，提升了配准精度。实验结果表明，所提算法能够更有效地解决形变医学图像配准问题，其配准精度优于Demons算法、尺度不变特征变换(SIFT) Flow算法以及医学图像专业配准软件Elastix。     

基于非刚性配准的交互式医学图像序列分割

提出了一种新的交互式医学图像序列分割算法,该算法将非刚性配准技术和解剖先验知识相结合把图像分割问题转化为图像配准问题。首先采用Demons算法进行图像配准,用光流法计算瞬时位移,设计了一个新的停止准则使其能自适应地确定迭代次数,并将它在金字塔型的多尺度框架下实现。然后用配准得到的形变域对已精确分割的图像进行形变就能自动地获得未分割目标图像的分割结果。扩展上述过程就可实现整个图像序列分割。试验结果表明该算法用户干预少、分割速度快、分割结果准确。     

基于Demon算法的乳房核磁共振图像配准

为了提高乳房动态核磁共振成像中不同时间点序列图像的配准速度,提出了将快速的Demon非刚性配准算法与图像强度校正相结合的乳房图像配准模型。Demon算法本身基于图像强度变化计算变形参数,因此不适于强度动态增强的图像配准。首先根据乳房组织的信号增强模型应用多项式理论校正待配准图像的强度,再应用Demon算法进行几何变形配准。实验表明该算法在精度上远优于直接使用Demon算法,在与自由形变配准算法具有几乎相同配准精度的前提下,明显提高了配准速度。     

拟合精度引导的扩散加权图像配准

扩散加权图像的量化分析在临床诊断上有着广泛应用,而图像采集时病人呼吸、心脏运动导致的不同b值图像间的偏差对诊断结果有着重要影响,因此配准是精确量化估计的前提条件。由于由于不同b值的扩散加权图像中的信号衰减程度不同且同一b值图像内存在灰度不均匀性,因此使用传统的配准算法会导致在将不同b值图像配准到b₀图像的过程中产生较大的偏移,尤其是在高b值的图像上。文中提出了拟合精度引导自由形变(Free -Form Deformation,FFD)模型的新方法,实现了多b值扩散加权图像的精确配准。所提方法应用体素不相干运动(Intra-Voxel Incoherent Motion,IVIM)模型对图像进行参数拟合从而得到拟合精度,并使用拟合精度构造的权重矩阵对图像中的不同位置自适应地加权自由形变的变形步长以得到最优的变形场。5组不同b值序列图像上的实验结果表明,所提方法提高了扩散加权图像的配准效果,且经过配准后获得了更加精确的IVIM模型参数。     

一种异源图像多级配准算法

针对异源图像间灰度差异大、存在平移和旋转时导致配准困难的问题,由于异源图像成像机理不同,存在差异.为提高配准精度,提出一种适应大角度旋转和平移的异源图像多级配准算法.将配准过程分为粗配准和精配准两步,首先在引入Freeman链码描述方法的基础上提出一种平移和旋转参数的估计方法,完成图像的粗配准;然后引入相位一致性对曲率角点进行描述,采用归一化互相关相似性度量准则完成图像的精配准.分别采用可见光与红外图像以及可见光与Sar图像进行仿真实验,经仿真证明算法对具有较多线性结构的异源图像配准精度高、实时性好、并且能适应较大角度旋转和平移.     

图像配准的复制动力学方法

为了实现高精度图像配准,把单个像素看做参与博弈的局中人,将图像配准视为图像中各个像素与其周边像素的演化博弈过程。为了寻求博弈的均衡点,根据配准问题的特点,对复制方程进行修改,提出基于修改后的复制方程的图像配准方法。新方法是完全基于问题域建立起来的,能实现对任意形变的高精度配准,并且配准精度与分辨率无关。针对刚性形变的遥感图像和非刚性形变的医学图像进行了两组实验,结果表明了新算法的有效性。     

残差密集相对平均CGAN的脑部图像配准

目的 针对图像合成配准算法中鲁棒性差及合成图像特征信息不足导致配准精度不高的问题,提出了基于残差密集相对平均条件生成对抗网络（residual dense-relativistic average conditional generative adversarial network,RD-RaCGAN）的多模态脑部图像配准方法。方法 相对平均生成对抗网络中的相对平均鉴别器能够增强模型稳定性,条件生成对抗网络加入条件变量能提高生成数据质量,结合两种网络特点,利用残差密集块充分提取深层网络特征的能力,构建RD-RaCGAN合成模型。然后,待配准的参考CT（computed tomography）和浮动MR（magnetic resonance）图像通过已训练好的RD-RaCGAN合成模型双向合成对应的参考MR和浮动CT图像。采用区域自适应配准算法,从参考CT和浮动CT图像中选取骨骼信息的关键点,从浮动MR和参考MR图像中选取软组织信息的关键点,通过提取的关键点指导形变场的估计。从浮动CT图像到参考CT图像估计一个形变场。类似地,从浮动MR图像到参考MR图像估计一个形变场。另外,采用分层对称的思想进一步优化两个形变场,当两个形变场之间的差异达到最小时,将两个形变场融合得到最终的形变场,并将形变场作用于浮动图像完成配准。结果 实验结果表明,与其他6种图像合成方法相比,本文模型合成的目标图像在视觉效果和客观评价指标上均优于其他方法。对比Powell优化的MI（mutual information）法、ANTs-SyN（advanced normalization toolbox-symmetric normalization）、D.Demons（diffeomorphic demons）、Cue-Aware Net（cue-aware deep regression network）和I-SI（intensity and spatial information）的图像配准方法,归一化互信息分别提高了43.71%、12.87%、10.59%、0.47%、5.59%,均方根误差均值分别下降了39.80%、38.67%、15.68%、4.38%、2.61%。结论 本文提出的多模态脑部图像配准方法具有很强的鲁棒性,能够稳定、准确地完成图像配准任务。     

医学图像配准中基于图像梯度的灰度压缩

基于互信息的医学图像配准,其配准精度可以达到亚像素水平,精度高且鲁棒性好,但互信息的巨大计算量使配准速度较慢,不能达到临床使用要求,而互信息的计算速度与图像的灰度阶数有关。为此,针对互信息由于图像灰度级数过多造成互信息计算量大的问题,提出一种基于图像梯度的灰度压缩算法。算法采用图像的梯度信息,根据图像梯度对图像进行非线性灰度映射,同时利用小波对差异图像进行分解和重构。实验结果证明,该算法能减少图像灰度阶数,同时较好地保留图像的细节信息,在保持配准精度的前提下减少配准时间。     

融合密集残差块和GAN变体的医学图像非刚性配准

目的 现有的医学图像配准算法在处理较大非刚性形变的医学图像时,存在配准精度低和泛化能力不足的问题。针对该问题,提出结合密集残差块和生成对抗网络（generative adversarial network,GAN）的图像配准方法,用于多模态医学图像的非刚性配准。方法 将密集残差块引入到生成器,提取待配准图像对的更多高层特征,从而提高配准精度;在GAN中采用最小二乘损失代替逻辑回归构造的交叉熵损失,由于最小二乘损失的收敛条件更严格,同时能缓解梯度消失和过拟合,从而提高配准模型的稳定性;在判别器网络中引入相对平均GAN（relative average GAN,RaGAN）,即在标准判别器的基础上增加一项梯度惩罚因子,降低判别器的判别误差,从而相对减少配准模型的配准误差,有助于稳定配准精度。结果 在DRIVE（digital retinal images for vessel extraction）数据集上进行训练和验证,在Sunybrook Cardiac数据集和Brain MRI数据集上进行泛化性能测试,并与几种主流医学图像非刚性配准算法进行对比实验,表明,本文配准模型在精度和泛化能力上均有一定程度的提升,相比其他方法,视网膜图像、心脏图像和脑部图像的配准Dice值分别提升了3.3%、3.0%、1.5%。结论 提出的配准方法能够获取更多高层特征信息,从而提升配准精度;同时基于最小二乘法构建损失函数并对判别器进行加强,能够使得配准模型在训练阶段快速收敛,提高了配准模型的稳定性和泛化能力,适合存在较大非刚性形变的医学图像的配准。     

牙周膜胶原纤维组织切片的显微图像配准

针对牙周膜胶原纤维组织切片在制作过程中对力度和方向非常敏感,极易造成组织变形和空间位移的问题,采用了一种有效的图像配准方法,以便后期对胶原纤维组织空间结构的重建。在Masson染色制成的兔牙周膜石蜡切片的基础上,利用高倍光学显微镜获得了牙周膜的序列切片图像;再采用基于正规步长梯度下降的二维刚性配准和基于对数域对称Demons微分同胚非刚性配准相结合的方法,对牙周膜序列切片图像进行级联配准。实验结果表明,相对于有限元非刚性配准而言,对数域对称Demons微分同胚非刚性配准方法具有较好的优势,其配准每张图片的平均时间为有限元法的3.1%,而配准均方误差平均为有限元法的89%。     

非介入式手术导航中医学图像配准算法

提出一种用于非介入手术导航中基于自由变形模型的多模态医学图像非刚性配准方法,对术前MRI/CT和术中超声图像中都可见的血管结构进行配准.当图像对准时,一种图像中的血管中心点对应着另一种图像下灰度脊点;对于全局变换采用刚性变换、局部形变采用基于函数控制B样条的自由变形模型来描述;采用遗传算法和共轭梯度法相结合达到最小化目标函数.将文中算法应用于体模和临床数据,在配准精度和收敛速度上都取得了良好的效果.     

混合样条大尺度医学图像弹性配准算法研究*

针对大尺度形变医学图像配准速度慢和精度低的特点,提出一种结合薄板样条(TPS)和B样条的弹性配准方法。该方法采用尺度不变特征变换算法(SIFT)进行图像特征提取与匹配,利用TPS算法将特征点对作为输入进行预处理,以降低浮动图像的形变尺度,从而提高下一步B样条配准的速度与精度。然后使用局部区域细化层次B样条方法将TPS生成的较稀疏的形变网格作为初始网格,结合有限记忆优化算法(L-BFGS)对控制网格做进一步地处理,此过程只对形变较大的局部区域进行细化,以实现与参考图像的快速精确配准。实验结果表明,该方法较层次B样条方法有效地提高了配准的速度和精度。     

形变医学图像配准方法设计与仿真

利用目前方法对形变医学图像进行配准时，没有提取形变医学图像特征，存在特征点获取结果与实际结果相差大、医学图像配准效果差和医学图像配准时间长的问题。为此提出基于角点检测与SIFT的形变医学图像配准方法。采用角点检测与SIFT相结合的方法对医学图像的特征点进行提取，在图像特征提取前，优先对尺度空间的极值点进行检测，其次生成角点特征，通过检测结果与最终特征点的方向完成医学图像特征点的提取，提升了医学图像配准精度。将提取的特征输入到构建的深度学习模型中，根据提取特征的训练及损失函数的优化实现形变医学图像配准。实验结果表明，通过对上述方法进行特征点获取结果与实际结果对比测试、医学图像配准效果测试和配准时间测试，验证了上述方法的准确性与有效性。     

基于外部DEM的InSAR图像配准方法研究

雷达图像的配准是进行雷达干涉测量(SAR Interferometry, InSAR)处理的关键,为了保证干涉相位图或形变相位图反映真实地面特性,需要雷达图像之间亚像元级精度的配准。首先综述了已有的基于外部DEM的InSAR图像配准方法的思路及其不足之处,并提出了一种全新的思路:以图像之间的相干性作为目标函数,利用搜索的方法实现了雷达成像方位向和距离向的最优时间常数的估计,从而实现雷达图像之间亚像元级配准;还进一步推导了数字高程模型(Digital Elevation Model, DEM)的误差对算法精度影响的一个更加严密的表示。结论表明,在利用精确轨道数据的情况下,美国航天飞机测地计划SRTM获得的地形数据的精度可以满足精确雷达图像配准的要求。结果表明,利用基于外部DEM算法配准雷达图像在山区和大的时间基线情况下要优于常规相干多项式配准方法,理论上可以达到百分之一个像素的配准精度。