基于深度学习的医学影像配准综述

图像配准是医学影像处理与智能分析领域中的重要环节和关键技术.传统的图像配准算法由于复杂性较高、计算代价较大等问题,无法实现配准的实时性要求.随着深度学习方法的发展,基于学习的图像配准方法也取得显著效果.文中系统总结基于深度学习的医学图像配准方法.具体地,将方法归为3类:监督学习,无监督学习和对偶监督/弱监督学习.在此基础上,分析和讨论各自优缺点.进一步,着重讨论近年来提出的正则化方法,特别是基于微分同胚表示的正则和基于多尺度的正则.最后,根据当前医学图像配准方法的发展趋势,展望基于深度学习的医学图像配准方法.     

一种迁移学习和可变形卷积深度学习的蝴蝶检测算法

针对自然生态蝴蝶多种特征检测的实际需求,以及生态环境下蝴蝶检测效率低、精度差问题,本文提出了一种基于迁移学习和可变形卷积深度神经网络的蝴蝶检测算法（Transfer learning and deformable convolution deep learning network,TDDNET）.该算法首先使用可变形卷积模型重建ResNet-101卷积层,强化特征提取网络对蝴蝶特征的学习,并以此结合区域建议网络（Region proposal network,RPN）构建二分类蝴蝶检测网络,以下简称DNET-base;然后在DNET-base的模型上,构建RPN网络来指导可变形的敏感位置兴趣区域池化层,以便获得多尺度目标的评分特征图和更准确的位置,再由弱化非极大值抑制（Soft non-maximum suppression,Soft-NMS）精准分类形成TDDNET模型.随后通过模型迁移,将DNET-base训练参数迁移至TDDNET,有效降低数据分布不均造成的训练困难与检测性能差的影响,再由Fine-tuning方式快速训练TDDNET多分类网络,最终实现了对蝴蝶的精确检测.所提算法在854张蝴蝶测试集上对蝴蝶检测结果的mAP_0.5为0.9414、mAP_0.7为0.9235、检出率DR为0.9082以及分类准确率ACC为0.9370,均高于在同等硬件配置环境下的对比算法.对比实验表明,所提算法对生态照蝴蝶可实现较高精度的检测.     

基于局部仿射配准的鲁棒非刚体配准算法

针对传统点集非刚体配准算法对复杂局部形变数据配准精度低,收敛速度慢等问题,该文提出一种基于局部仿射配准的鲁棒非刚体配准算法。该算法采用分层迭代的方式由粗到精地完成点集的非刚体配准。在每层迭代中,首先对子形状点集集合和子目标点集集合进行分块处理并更新分块后每一类子点集的形状控制点。然后利用控制点引导仿射迭代最近点(ICP)算法求解对应子点集间的局部仿射变换。接着利用上一步求解的局部仿射变换,更新子形状点集集合及其形状控制点集合。直到配准误差收敛时,循环结束并输出更新后的形状点集。实验结果表明,所提算法与传统点集非刚体算法相比具有更强的精确性和收敛性。     

面向地图点集的多尺度层级ICP算法

地图点集具有点数多、结构复杂等特点,通常对其配准耗时严重,难以满足自主驾驶等情况下的实时性要求.利用多尺度层级化思想,提出一种多尺度层级ICP算法MSICP( Multi-scale Iterative Closest Points),提高了配准速度和精度.所提算法先对待配准图像点集进行稀疏化,随后将稀疏点集配准后的转换矩阵作为原稠密点集配准的转换矩阵初始值,最终实现对原始图像点集的ICP快速精确配准.实验结果表明,所提算法的配准速度及精度优于其他ICP算法,具有一定的实用价值.     

面向低维点集配准的高效最近邻搜索法

为提高点集配准效率,设计一种适用于二维/三维点集的高效最近邻搜索法.该方法根据由模型点集的各维方差所选定的维度信息,排序模型点集中的点.借助二分查找法,将数据点集中的每个点插入至排序后的模型点集中,并利用左边第一个点确定搜索范围的上确界.当在确定范围内搜索最近邻时,可根据当前结果进一步减小待搜索范围,以便快速获得各点的最近邻.最后进行的复杂度分析和实验结果对比均验证文中方法的有效性.