融合密集残差块和GAN变体的医学图像非刚性配准

发布时间：2021-11-04 04:52

　　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... 

【文章来源】：中国图象图形学报. 2020,25(10)北大核心CSCD

【文章页数】：13 页

【部分图文】：

本文配准模型结构

以Mahapatra等人(2018)方法为基础,用最小二乘法损失替换其用逻辑回归构造的交叉熵损失。如图7所示,随着迭代次数的增加,本文配准模型的Dice值逐渐递增,变化幅度相比Mahapatra等人(2018)更加平稳,本文最佳迭代次数为80 000;Mahapatra等人(2018)方法的最佳迭代次数为100 000。故本文方法能够促进配准模型更快、更稳定地收敛。图6 不同配准方法验证集获取的实验结果

图5 不同模态眼底视网膜图像的配准结果表2 不同配准方法的配准结果Table 2 Registration results of different methods 评估指标 配准之前 配准之后 Klein等人(2010) Sokooti等人(2017) de Vos等人(2017) Balakrishnan等人(2019) Mahapatra等人(2018) 本文算法 Dice 0.843 0.874 0.863 0.911 0.914 0.946 0.979 ErrDef 14.3 12.1 8.5 7.3 7.0 5.7 4.8 HD 11.4 9.7 7.4 5.9 5.5 4.2 3.5 MAD 9.1 8.7 8.2 5.0 4.8 3.1 2.9 MSE 0.84 0.54 0.33 0.23 0.20 0.09 0.09 注:加粗字体为每行最优结果。

【参考文献】：
期刊论文
[1]基于最大互信息和量子粒子群优化算法的医学图像配准研究[J]. 王小根,须文波.  计算机应用研究. 2008(12)
[2]基于共生互信息量的医学图像配准[J]. 卢振泰,陈武凡.  计算机学报. 2007(06)
[3]非刚性医学图像配准研究综述[J]. 王海南,郝重阳,雷方元,张先勇.  计算机工程与应用. 2005(11)
[4]基于互信息的2D-3D医学图像配准[J]. 梁玮,鲍旭东,罗立民.  生物医学工程研究. 2004(01)
[5]基于互信息量和模糊梯度相似性的医学图像配准[J]. 陈明,陈武凡,冯前进,杨丰.  电子学报. 2003(12)



本文编号：3475042