基于肺部CT的无监督配准模型及配准算法评估研究

发布时间：2024-03-07 21:07

　　肺部CT图像配准是非刚性医学图像配准中重要的研究课题,通过配准高分辨率的不同呼吸相位的CT图像,可以掌握患者肺部组织随呼吸运动的变化规律。这对肺实质的运动预测、肺内肿瘤的追踪放疗以及肺慢性阻塞性通气障碍的临床诊断等有着重要的意义。近年来,为了满足临床应用对配准高精度的要求,深度学习逐渐被应用于在某些刚性或非刚性的医学图像配准中,因此将其应用到肺部CT图像配准是必然的发展趋势。本文基于深度学习方法,探索适用于肺部CT配准的具体网络模型。模型以无标记的3维图像对为输入,利用深度卷积神经网络实现直接估计并转换参数的功能,得到预测的位移场,利用空间变换和位移场把浮动图像进行空间扭曲,以扭曲图像与固定图像的相似性和对位移场的约束为目标函数,获取最优参数。配准过程是无监督的。本文设计了两个不同深度的网络模型,并在两个网络下探究不同优化方式和不同卷积核大小的配准效果。研究利用公开数据集和自身获取的数据集进行验证,实验证明利用Adam优化器、采用的层次更深,获取位移场时卷积核更小的设计,有更高的准确率以及更强的鲁棒性。实测表明本文的两个不同设计的运行时间较传统的基于迭代的方式要快几十甚至上百倍。此外,...

【文章页数】：80 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
第一章 绪论
    1.1 研究背景及意义
    1.2 医学图像配准算法的国内外研究现状
    1.3 医学图像配准算法评估的国内外研究现状
    1.4 论文章节安排
第二章 图像配准及深度学习相关知识
    2.1 肺部CT数据
        2.1.1 肺部CT图像及运动情况
        2.1.2 肺部CT数据集
    2.2 医学图像配准概述
        2.2.1 图像配准的概念
        2.2.2 医学配准框架
    2.3 深度神经网络
        2.3.1 深度学习的概念
        2.3.2 深度卷积神经网络结构
    2.4 本章小结
第三章 无监督配准模型设计及实现
    3.1 网络总体设计
    3.2 网络具体模型
    3.3 空间转换
    3.4 网络损失
    3.5 实验数据及预处理
    3.6 网络的训练
    3.7 评估方法
    3.8 实验结果
    3.9 讨论
    3.10 本章小结
第四章 一个综合的图像配准评估框架
    4.1 评估框架总体设计
    4.2 数据、配准算法及其实现
    4.3 直观视觉
    4.4 图像质量
    4.5 结构形状
    4.6 位移场
        4.6.1 整体位移场
        4.6.2 点对点的位移
    4.7 实验结果
        4.7.1 直观可视化
        4.7.2 质量与结构
        4.7.3 位移场
        4.7.4 配准耗时
    4.8 讨论
    4.9 本章小结
第五章 总结与展望
    5.1 工作总结
    5.2 研究展望
参考文献
攻读硕士学位期间取得的研究成果
致谢



本文编号：3921678