基于卷积神经网络的肺部CT图像配准方法

发布时间：2020-05-21 03:12

【摘要】：医学图像配准是医学图像分析的重要组成部分之一,针对肺部CT图像的配准算法,有助于从肺部CT图像中发掘肺部组织随呼吸运动变化的规律。近年来,深度学习方法在医学图像领域崭露头角,将深度学习方法应用于肺部CT图像配准是一项非常具有前景的研究。本课题研究基于卷积神经网络的肺部CT图像配准算法,使用卷积神经网络学习稠密光流配准方法的位移场,通过空间变换层对浮动图像进行变换,然后根据变换后的图像与参考图像的损失函数和对位移场的约束,最优化网络参数,提取配准图像对的特征,实现端到端的无监督学习。该方法的优点在于不需要额外的监督信息,有效节省了人力物力。这篇论文首先提出了一种学习位移场的卷积神经网络,该结构由一个提取特征的编码器和一个精确定位的解码器组成,解码部分通过相加操作融合来自编码器的信息。接着,在该结构的基础上,引入注意力机制中的注意力门研究卷积结构在医学图像配准中的作用。注意力门能够抑制图像中无关的区域,突出对特定任务有用的显著特征。实验以网上公开的肺部CT图像配准数据集作为数据集,从准确率、视觉效果、配准速度三个方面评价配准方法。实验证明,这篇论文提出的两种基于卷积神经网络的配准方法准确率高、鲁棒性强,从视觉上看,配准方法能够将同一特征点正确地对应,同时配准一次图像对的运行时间相比传统方法也加快了数百倍。
【图文】：

几何形状,数据集,图像,肺部

肺部 CT 图像可用于诊断和治疗 COPD 和肺癌等疾病。如果在 X 射线中发现病灶或结节，那么往往需要借助 CT 图像进行分析。CT 图像能更好地勾勒病变的大小和几何形状、确定是否需要注射碘化造影剂、判断是否钙化，具有非常高的实用价值。肺部 CT 图像是由 10 到 20 个不同阶段的 3D-CT 图像组成，描述了一个完整的呼吸过程，又可称为 4D-CT。4D-CT 相较 3D-CT 而言，，引入了时间作为一个新的维度，让时间分辨率成为了 CT 技术的新优势[31]。4D-CT 图像包含运动和采集相关的伪影，低辐射剂量采集技术和较低的空间分辨率容易产生噪声，由于肺的扩张和收缩与呼吸不均匀，从4D-CT图像中提取运动或者生理信息需要可变形配准。图 2.1是数据集 DIR-Lab 第 10 个病人一个呼吸周期的不同呼吸阶段的肺部 CT 图像冠状面图像。左边为最大吸气阶段，右边为最大呼气阶段，可以看到，左边的肺部体积比右边的大。通过配准肺部不同呼吸阶段的图像，推知人的呼吸状态，追踪关键点的运动，这在放疗手术中非常重要。

直方图,直方图统计,肺部,信息

华中科技大学硕士学位论文为圆形或椭圆形的断面影[32]。肺周围的中等密度灰影表示软组织的肌肉或密度的白影表示表示骨组织，脂肪组织则为较低密度灰黑影。部 CT 所包含的组织结构非常复杂，有包含空气的肺组织、肌肉组织和密骨组织等，这些组织的密度差异很大，导致 CT 值的范围广，因此在做配要提取出肺的部分进行分析。目前，-950 HU 被认为是肺气肿和正常肺之[33]，文章[34]中经过实验得到肺的提取的最佳值为-950 HU~-701 HU。在书 CT 的 HU 值是-700 到-600 之间。图 2.2 为数据集 DIR-Lab 第一个病人最段原始的直方图信息。
【学位授予单位】：华中科技大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：R816.4;TP391.41;TP183

【参考文献】