基于描述子学习与特征匹配的医学图像模态映射

发布时间：2021-12-24 01:15

　　医学图像模态映射是指由一种成像医学设备获取的数据预测另外一种不同的成像设备或者参数获取的数据。从磁共振（Magnetic Resonance,MR）图像预测X线计算机断层扫描（Computerized tomography,CT）图像是医学图像模态映射的一个重要应用。预测的伪CT图像可以为基于MR的放射治疗剂量计算和正电子发射断层成像（Positron Emission Tomography,PET）衰减校正提供所需的电子密度信息,并减少CT的电离辐射对病人造成的伤害。由于MR图像与CT图像的成像原理不同,不同模态之间的映射关系非常复杂。针对MR图像和CT图像之间映射的非线性问题,提出了线性描述子学习算法;针对线性描述子学习的优化问题,提出了非线性描述子学习算法;针对基于描述子学习算法预测伪CT图像速度过慢的问题,提出了改进的近邻锚点回归算法。本文主要研究内容如下:（1）提出了线性描述子学习的预测伪CT图像算法。使用体素值、原始图像块或多尺度图像块等提取的MR特征信息量不足。针对此问题,本文通过稠密的尺度不变特征变换算法和改进的监督描述子学习算法（ISDL）提取MR图像上具有CT流形正... 

【文章来源】：南方医科大学广东省

【文章页数】：102 页

【学位级别】：博士

【部分图文】：

图１－２基于ＭＲ的放射治疗和基于ＭＲ－ＣＴ的放射治疗的示意图

图１－１展示了?ＰＥＴ??

ＫＮＮ?ｒｅｇｒｅｓｓｉｏｎ?ｆｏｒ?ｔｈｅ?ｐｒｅｄｉｃｔｉｏｎ?ｏｆ?ｐＣＴ?ｉｍａｇｅｓ．??撑的结构信息和上下文信息的ＭＲ描述子。??如图２－１所示，本章所提出的基于线性描述子学习的ＭＲ图像预测伪ＣＴ图??像的方法主要分成三部分，分别是局部描述子提取、ＣＴ监督正则化的紧凑性描??述子学习、特征匹配预测伪ＣＴ图像。??２．２．１局部描述子学习??在１．３节中介绍了五种局部描述子，包括尺度不变特征变换（ＳＩＦＴ）、梯度??位置方向直方图（ＧＬＯＨ）、方向梯度直方图（ＨＯＧ）、加速稳健特征（ＳＵＲＦ）??以及稠密的尺度不变特征变换（Ｄｅｎｓｅ?ＳＩＦＴ）。本文提取的ＭＲ描述子主要基于??１６??


本文编号：3549545