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。     

图像精准匹配技术的研究与仿真

研究图像的精准匹配问题.以医学解剖点的图象精确匹配技术为例,提出了一种基于高斯金字塔像素匹配算法的医学图像解剖点精准匹配技术.人体组织中的成分复杂,信息融合后,差异组织会形成像素灰度误差,传统的匹配算法偏重于空间映射,一旦像素点灰度信息存在误差,在进行空间映射过程中,会造成映射转换误差增大,后期配准位置点偏移.为了避免上述缺陷,利用尺度不变特征转换方法,提取医学图像中的解剖点特征.对图像解剖点特征进行误差补偿,最大程度修补位置偏差.利用高斯金字塔像素匹配方法,实现医学图像解剖点的匹配.实验结果表明,利用改进算法进行医学图像解剖点匹配,能够提高匹配的准确性,从而为手术提供准确的依据.     

密集结构改进双通道神经网络的遥感图像配准

针对部分传统算法对于遥感图像配准精度较低的问题,提出一种密集结构改进双通道卷积神经网络的遥感图像配准方法。对输入的图像采用密集结构改进的双通道卷积神经网络模型进行特征提取;用粒子群算法改进的随机一致性点漂移算法进行特征匹配得到仿射变换系数;使待配准图像能够根据该系数实现变换,达到配准目的。实验表明,改进算法比传统算法的配准精度平均提高了15%以上,对具有显著地貌差异的遥感图像对的配准精度可以有效地提高。     

基于混合仿射模型配准的IBP超分辨率重建

针对传统的配准只考虑几何因素的不足,提出一种基于几何和光度混合仿射模型的配准迭代算法。该算法避免keren算法因为角度的泰勒级数展开所带来的误差,大幅提高配准精度,而且使图像亮度得到保持。与传统的仿射变换相比,平均平移误差精度达到了0.165个像素。采用迭代反投影算法对配准后的图像序列进行超分辨率重建。实验结果表明,超分辨率重建结果的信噪比和结构相似度有了较大提高。     

基于CUDA加速的图像配准算法

针对传统图像拼接算法速度较慢,难以满足获取大分辨率全景图像的实时性要求,本文提出一种基于CUDA的快速鲁棒特征(speeded-up-robust features, SURF)图像配准算法,从GPU线程执行模型、编程模型和内存模型等方面,对传统SURF算法特征点的检测和描述进行CUDA并行优化;基于FLANN和RANSAC算法,采用双向匹配策略进行特征匹配,提高配准精度.结果表明,相对串行算法,本文并行算法对不同分辨率的图像均可实现10倍以上的加速比,而且配准精度较传统配准算法提高17%,精度最优可高达96%.基于CUDA加速的SURF算法可广泛应用于安防监控领域,实现全景图像的实时配准.     

采用混合编程的医学图像配准

在确保低误配率的前提下,如何提高医学图像配准的精度与效率,是一项值得研究的重要课题。为了满足临床需要,提出一种混合编程的配准策略,即通过质心提取技术和小波分解图像的细节增强技术相结合的方式进行预配准,并在这个基础上基于图像的灰度信息,利用Powell优化算法和传统的基于最大互信息的相似性测度方法进行细配准,从而得到配准结果。另外,对Powell算法的一维搜索方式提出了有别于传统Brent算法的改进,使之在保证精度与效率的前提下更适用于图像配准。实验证明,提出的配准策略能很好地避免误配准,配准精度达到了亚像素级,配准的效率也符合临床需求。     

基于特征分类的MRI医学图像弹性配准

基于互信息的弹性图像配准是医学图像配准的重要方法之一。然而由于互信息在小样本图像配准中,会出现多局部极值和极值偏离问题,从而容易出现配准误差,进而造成整图的弹性配准误差。为减少这种配准误差,提出了一种基于特征分类的互信息医学图像弹性配准方法。该方法先采用图像的灰度和梯度特征训练自组织映射(self-organized mapping,SOM)神经网络特征分类器,将图像由高维灰度空间映射到低维特征类别空间;然后,在特征类别空间进行互信息图像弹性配准。实验结果表明,该方法大大提高了小样本图像配准的成功率,并可通用于有噪和无噪的医学图像弹性配准中。     

多模态硬币图像单应性矩阵预测

对不同成像条件下拍摄的硬币图像进行配准是硬币表面缺陷算法的前置任务。然而,基于互信息的传统多模态配准方法速度慢、精度低,现有的通过基于深度学习的单应性矩阵预测方法实现的图像配准只适用于单模态的任务。为此,提出一种基于深度学习的适用于多模态硬币图像的单应性矩阵预测方法,进而使用预测的单应性矩阵完成图像配准。首先,使用单应性矩阵预测层预测输入图像对间的单应性矩阵,使用单应性矩阵对待配准图像进行透视变换;然后,使用图像转换层将透视变换后的待配准图像和目标图像映射到同一域,图像转换层可在推理时去除从而减少推理时间;最后,计算同一域下的图像间的损失,并进行训练。实验表明,该方法在测试集上的平均距离误差为 3.417 像素,相较于基于互信息的传统多模态配准方法 5.575 像素的平均距离误差降低 38.71%。且配准单对图像耗时为 17.74 ms,远低于基于互信息的传统多模态配准方法的 6 368.49 ms。     

基于区域特征的图像自动配准方法

通过分析比较不同配准方法的原理及优缺点,提出了一种基于图像区域特征的配准方法.算法首先对待配准图像进行自适应阈值分割,然后利用数学形态学方法进行区域轮廓提取优化,接着计算各区域的特征描述,最后以各特征向量距离最近区域的重心作为控制点集对图像进行配准.实验结果表明,该算法能够对图像进行快速准确的配准,而且具有纠正一定几何畸变的能力,是一种有效的自动配准方法.     

融合双注意力与深度神经网络的遥感图像配准北大核心

在多视角遥感图像配准中,部分方法在复杂场景下存在配准精度不高或实时性低等问题,针对以上不足,提出融合双注意力机制的网络中网络作为特征提取器的端到端图像配准算法。算法分为特征提取、特征匹配和参数预测三部分,首先使用网络中网络改进模型对于复杂特征的提取能力,同时引入双注意力机制提升对特征的分辨和定位效果;然后在特征匹配层使用双向的相关运算改善特征匹配精度,匹配层输出的匹配图输入参数预测网络,预测从待配准图像到参考图像的变换参数。实验表明,与传统算法对比,配准精度平均提升10%以上,速度至少提升20%,所提方法有效提升了多视角遥感图像配准的效果。     

基于多分辨率分析和混合优化的医学图像配准

基于图像几何特征的配准方法速度快，应用价值高，但由于几何特征提取的不准确问题使配准易陷入局部极小，而目前常用的全局优化算法又存在收敛速度慢的问题。该文提出了一种以图像边界的平均Haudorff距离作为代价函数，基于多分辨率分析和混合优化策略的图像配准方法，将其用于医学图像配准，并与基于Hausdorff距离的几种传统方法进行分析比较，实验结果显示，在模拟退火算法和Powell算法的混合优化策略下，新方法具有良好的全局优化性能和时间性能。     

结合模型限制和灰度信息的图像配准算法

由于噪声和成像条件的不同,准确得到两幅图像中提取的点特征之间的对应性是基于点特征的图像配准方法的一个难点.为此,文中提出了一种新的基于点特征的图像配准算法.该方法结合图像之间的拓扑关系和点特征之间的相似性,并利用变换模型限制求解点特征之间的对应性,然后根据对应的点特征求解变换模型参数,配准两幅图像.实验结果表明,所提出的方法对传感器相近的图像之间的配准是正确有效的.     

循环一致性的无监督可变形图像配准方法EI北大核心CSCD

针对可变形图像配准中因变形场可逆性被忽略而导致配准精度降低的问题,提出一种变形场循环一致性的无监督可变形图像配准方法.首先,设计了一种基于无监督学习的可变形图像配准框架,它包括学习图像特征的编码-解码器和用于生成采样网格的空间变换网络2部分,以指导浮动图像朝着参考图像方向的准确移动,从而完成图像的配准;其次,提出变形场循环一致性的损失函数,以保证配准过程中变形场的一致性;最后,结合雅可比损失函数和L2范数对变形场进行惩罚,以保证变形场的光滑性,促使网络输出准确、真实的变形场.基于PyTorch框架,使用2D合成数据集和2DMR数据集对该网络进行评价.实验结果表明,与几种先进的配准方法相比,该方法在Dice值上提升了1.77%,在变形场雅可比行列式负值比例上下降了35.71%,取得了更好的配准效果.     

基于三参数模型的视频图像配准方法研究

视频图像配准是运动视频处理中的一项关键技术。提出了一种新的基于3参数模型的配准算法,该算法利用多尺度的角点检测方法从相邻两帧中抽取特征点,选用Hausdorff距离对特征点集进行匹配,计算3参数模型参数,从而实现图像配准。与传统的6参数仿射模型相比,模型参数的降低并没有显著降低配准效果,同时由于参数搜索空间的减少,该方法用更快的速度得到较准确的结果。     

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FCN和互信息的医学图像配准技术研究

针对传统配准方法在进行三维多模态图像配准时存在收敛速度较慢、容易陷入极值等问题,提出一种基于全卷积神经网络（Fully Convolutional Networks,FCN）和互信息的配准方法。利用FCN模型提取二维图像深层特征并进行粗配准;将得到的配准结果作为互信息算法的初始搜索点,从而使搜索范围缩小至全局最优解附近;利用互信息算法对参数进一步微调优化,得到最优三维配准结果。实验结果表明,在进行CT-MR图像配准时,所提方法不仅可以大幅度提升配准速度,还能有效避免局部收敛的情况,具有更高的准确性。     

基于局部重叠区域的无显著特征图像配准算法

针对沙漠、戈壁等特征不显著场景在配准过程中存在快速性、精确性等问题,提出一种基于局部重叠区域的特征不显著图像配准方法。首先利用图像标记对待配准图像进行预处理增强其特征,接着通过多相机三维投影对多幅待配准图像重叠区域进行预算,并采用图像掩膜和图像分割技术将重叠区域分割出来,最后对重叠区域使用ORB+GMS（Oriented Brief-Grid-based Motion Statistics for Fast）融合算法进行配准,完成多幅图像的配准工作。基于图像重叠区域的配准避免了无显著特征图像在进行整体配准时精确性低的缺点,并且由于是局部配准,相较于全局配准拥有更快的配准速度。对比传统配准方法和本文提出的改进配准方法,实验结果显示,本文提出的改进方法配准精度在传统配准方法的基础上提升了28%,同时,算法具有更高的鲁棒性和实时性。     

基于改进光流场模型的医学图像配准方法

基于光流场模型的图像配准方法计算简单快速,但采用原始光流场模型进行图像配准会使图像出现严重的模糊导致不能使用。提出了对原始光流场模型的正则项进行改进,同时引入运动模糊图像复原算法,改进的算法改善了原始光流场模型造成的图像模糊。实验结果表明,基于改进光流场模型的医学图像配准算法配准结果准确,具有较快的配准速度。     

基于SURF的抗重复特征干扰图像配准方法

针对基于加速鲁棒特征(SURF)的图像配准算法的配准精度易受重复特征干扰的影响这一问题,提出一种基于SURF的抗重复特征干扰的图像配准方法.使用SURF算法提取图像特征点;针对重复特征干扰,提出一种特征点分类匹配方法以取代传统的全局匹配,在不显著增加计算量的情况下有效的降低误配率;使用随机抽样一致(RANSAC)算法进一步筛除误配,并计算出图像转化矩阵以完成配准.实验结果表明,该方法能有效抑制实验图像中严重的重复特征干扰,并获得较高的配准精度.     

基于ZM相特征描述符的图像配准方法

针对图像特征间的视角、模糊、旋转和尺度变换以及噪声干扰等不确定性因素对图像配准精度的影响,定义了基于Zernike矩的相特征不变区域描述符,给出了Zernike矩的归一化及其相值度量方法,提出了一种基于此的图像配准算法。通过对比实验验证,本文算法能够有效提取目标图像特征点并准确进行特征匹配,且在保障配准精度的前提下显著降低了算法复杂度。