基于无监督学习的三维医学图像配准的研究

发布时间：2021-06-09 08:15

　　医学图像配准旨在寻找某种空间变换使得两幅医学图像建立解剖对应关系,医学图像配准在病灶定位、疾病诊断、手术导航、放射治疗等领域发挥着极其重要的作用,实现高精度、高效率的医学配准对于临床诊断和治疗具有重要的应用意义。传统的医学图像配准方法配准速度慢、精度低,无法满足临床实时配准的高要求,随着医学影像设备的不断进步和计算设备的性能不断提升,基于深度神经网络的图像配准成为大家广泛研究的对象。近年来基于深度学习的图像配准方法大抵分为两类:一类是基于图像相似度度量的配准方法,另一类是直接运用深度回归网络预测变形场的配准方法。基于图像相似度度量的配准方法由于迭代的参数估计,导致配准速度缓慢,特别是在可变形配准的情况下,难以实现有效的配准,因此利用深度学习网络直接预测变形场的配准方法成为研究的热点,其在精度和速度方面具有较优秀的表现。遵循这种配准模式,本文在U-Net上进行改进创新,提出了以下图像配准方法。本文提出了一种基于迭代N-Net和双重损失约束的无监督的图像配准方法。该方法首先基于U-Net网络结构进行改进,得到了N型基础配准网络N-Net,为了获得更高的配准精度,配准过程被分为粗配准和精配准... 

【文章来源】：济南大学山东省

【文章页数】：66 页

【学位级别】：硕士

【部分图文】：

论文逻辑关系图

济南大学硕士学位论文9本文主要针对无监督的图像配准网络的深入研究，即图2.1中蓝色框标记部分，通过设计合理且有效的图像配准网络，获取输入图像对之间的变形场，然后借助于空间变换层实现对浮动图像的扭曲变换，空间变换层我们使用所提出的空间变换网络（STN）[35]来实现，不做具体研究。可变形图像配准网络的作用是找到在空间域Rn上定义的浮动图像和固定图像之间的最佳变形场，从而使变形后的图像(M)与固定图像完全对齐。本文将配准问题描述为以下函数优化问题，旨在寻找到最优的使得配准图像和固定图像之间的非相似性最小：=(,())+()，(2.2)其中，(,())用来衡量配准图像()与固定图像之间的非相似度，()是变形场平滑项。2.1.3U-Net网络本文选用U-Net[42]卷积神经网络作为基础的配准网络模型，并在其基础上进行改进创新，针对三维医学图像配准问题，提出了无监督的可变形图像配准方法。U-Net网络在2015年由OlafRonneberger和PhilippFischer等人提出，它被应用于电子显微镜下细胞图像的分割，在当年的ISBI挑战赛中以较大的优势赢得冠军。后来，U-Net网络及其变形模型被广泛地应用于图像分割领域，在各类图像分割中均取得了较优秀的结果。图2.3U-Net网络结构图[42]

济南大学硕士学位论文11图2.4人脑MR图像临床MR成像检测所获得的人脑MR图像如图2.4所示，为了更清晰地展示人脑内部结构，该图片对图像色彩进行了处理，脑部配准的感兴趣区域是脑灰质脑白质等组织结构，由图片可以看出，所获取的原始MR图像包含脊髓、骨骼、脂肪组织、液体等多种物质的成像信息，脑壳、颈部、眼睛等不同组织的信息都包含在内，这些组织结构对于本文所研究的脑部图像配准不具有实际意义，因而，本文首先对原始获取的图像进行了一系列的预处理工作，图像预处理的步骤如图2.5所示。重采样裁剪归一化仿射对齐预处理后图像原始MR图像颅骨剥离图2.5图像预处理步骤2.2.1颅骨剥离和重采样对于从网上获取的公开数据集，本文首先利用磁共振数据处理软件FreeSurfer[47]对原始图像进行了颅骨剥离和重采样。recon-all是FreeSurfer的核心命令之一，它包含30多个子处理命令，用于完成FreeSurfer皮质重建的部分或全部过程。本文利用该命令对原始数据进行头骨去除、颈部去除、强度归一化、灰质白质分割等处理，从而获取brainmask.mgz和aseg.mgz数据。本文所使用的FreeSurfer命令如下：<保存名称><要处理的数据>经过上述处理，原始图像的分辨率被调整为1×1×13，图像大小被插值处理为255×255×255。如图2.6所示，第一行为从网上下载的公开人脑MR图像，第二行为使用FreeSurfer进行颅骨分离和重采样后的图像。


本文编号：3220229