醫(yī)學(xué)圖像配準(zhǔn)旨在尋找某種空間變換使得兩幅醫(yī)學(xué)圖像建立解剖對(duì)應(yīng)關(guān)系,醫(yī)學(xué)圖像配準(zhǔn)在病灶定位、疾病診斷、手術(shù)導(dǎo)航、放射治療等領(lǐng)域發(fā)揮著極其重要的作用,實(shí)現(xiàn)高精度、高效率的醫(yī)學(xué)配準(zhǔn)對(duì)于臨床診斷和治療具有重要的應(yīng)用意義。傳統(tǒng)的醫(yī)學(xué)圖像配準(zhǔn)方法配準(zhǔn)速度慢、精度低,無法滿足臨床實(shí)時(shí)配準(zhǔn)的高要求,隨著醫(yī)學(xué)影像設(shè)備的不斷進(jìn)步和計(jì)算設(shè)備的性能不斷提升,基于深度神經(jīng)網(wǎng)絡(luò)的圖像配準(zhǔn)成為大家廣泛研究的對(duì)象。近年來基于深度學(xué)習(xí)的圖像配準(zhǔn)方法大抵分為兩類:一類是基于圖像相似度度量的配準(zhǔn)方法,另一類是直接運(yùn)用深度回歸網(wǎng)絡(luò)預(yù)測(cè)變形場(chǎng)的配準(zhǔn)方法�；趫D像相似度度量的配準(zhǔn)方法由于迭代的參數(shù)估計(jì),導(dǎo)致配準(zhǔn)速度緩慢,特別是在可變形配準(zhǔn)的情況下,難以實(shí)現(xiàn)有效的配準(zhǔn),因此利用深度學(xué)習(xí)網(wǎng)絡(luò)直接預(yù)測(cè)變形場(chǎng)的配準(zhǔn)方法成為研究的熱點(diǎn),其在精度和速度方面具有較優(yōu)秀的表現(xiàn)。遵循這種配準(zhǔn)模式,本文在U-Net上進(jìn)行改進(jìn)創(chuàng)新,提出了以下圖像配準(zhǔn)方法。本文提出了一種基于迭代N-Net和雙重?fù)p失約束的無監(jiān)督的圖像配準(zhǔn)方法。該方法首先基于U-Net網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行改進(jìn),得到了N型基礎(chǔ)配準(zhǔn)網(wǎng)絡(luò)N-Net,為了獲得更高的配準(zhǔn)精度,配準(zhǔn)過程被分為粗配準(zhǔn)和精配準(zhǔn)... 

【文章來源】：濟(jì)南大學(xué)山東省

【文章頁數(shù)】：66 頁

【學(xué)位級(jí)別】：碩士

【部分圖文】：

論文邏輯關(guān)系圖

濟(jì)南大學(xué)碩士學(xué)位論文9本文主要針對(duì)無監(jiān)督的圖像配準(zhǔn)網(wǎng)絡(luò)的深入研究，即圖2.1中藍(lán)色框標(biāo)記部分，通過設(shè)計(jì)合理且有效的圖像配準(zhǔn)網(wǎng)絡(luò)，獲取輸入圖像對(duì)之間的變形場(chǎng)，然后借助于空間變換層實(shí)現(xiàn)對(duì)浮動(dòng)圖像的扭曲變換，空間變換層我們使用所提出的空間變換網(wǎng)絡(luò)（STN）[35]來實(shí)現(xiàn)，不做具體研究�？勺冃螆D像配準(zhǔn)網(wǎng)絡(luò)的作用是找到在空間域Rn上定義的浮動(dòng)圖像和固定圖像之間的最佳變形場(chǎng)，從而使變形后的圖像(M)與固定圖像完全對(duì)齊。本文將配準(zhǔn)問題描述為以下函數(shù)優(yōu)化問題，旨在尋找到最優(yōu)的使得配準(zhǔn)圖像和固定圖像之間的非相似性最�。�=(,())+()，(2.2)其中，(,())用來衡量配準(zhǔn)圖像()與固定圖像之間的非相似度，()是變形場(chǎng)平滑項(xiàng)。2.1.3U-Net網(wǎng)絡(luò)本文選用U-Net[42]卷積神經(jīng)網(wǎng)絡(luò)作為基礎(chǔ)的配準(zhǔn)網(wǎng)絡(luò)模型，并在其基礎(chǔ)上進(jìn)行改進(jìn)創(chuàng)新，針對(duì)三維醫(yī)學(xué)圖像配準(zhǔn)問題，提出了無監(jiān)督的可變形圖像配準(zhǔn)方法。U-Net網(wǎng)絡(luò)在2015年由OlafRonneberger和PhilippFischer等人提出，它被應(yīng)用于電子顯微鏡下細(xì)胞圖像的分割，在當(dāng)年的ISBI挑戰(zhàn)賽中以較大的優(yōu)勢(shì)贏得冠軍。后來，U-Net網(wǎng)絡(luò)及其變形模型被廣泛地應(yīng)用于圖像分割領(lǐng)域，在各類圖像分割中均取得了較優(yōu)秀的結(jié)果。圖2.3U-Net網(wǎng)絡(luò)結(jié)構(gòu)圖[42]

濟(jì)南大學(xué)碩士學(xué)位論文11圖2.4人腦MR圖像臨床MR成像檢測(cè)所獲得的人腦MR圖像如圖2.4所示，為了更清晰地展示人腦內(nèi)部結(jié)構(gòu)，該圖片對(duì)圖像色彩進(jìn)行了處理，腦部配準(zhǔn)的感興趣區(qū)域是腦灰質(zhì)腦白質(zhì)等組織結(jié)構(gòu)，由圖片可以看出，所獲取的原始MR圖像包含脊髓、骨骼、脂肪組織、液體等多種物質(zhì)的成像信息，腦殼、頸部、眼睛等不同組織的信息都包含在內(nèi)，這些組織結(jié)構(gòu)對(duì)于本文所研究的腦部圖像配準(zhǔn)不具有實(shí)際意義，因而，本文首先對(duì)原始獲取的圖像進(jìn)行了一系列的預(yù)處理工作，圖像預(yù)處理的步驟如圖2.5所示。重采樣裁剪歸一化仿射對(duì)齊預(yù)處理后圖像原始MR圖像顱骨剝離圖2.5圖像預(yù)處理步驟2.2.1顱骨剝離和重采樣對(duì)于從網(wǎng)上獲取的公開數(shù)據(jù)集，本文首先利用磁共振數(shù)據(jù)處理軟件FreeSurfer[47]對(duì)原始圖像進(jìn)行了顱骨剝離和重采樣。recon-all是FreeSurfer的核心命令之一，它包含30多個(gè)子處理命令，用于完成FreeSurfer皮質(zhì)重建的部分或全部過程。本文利用該命令對(duì)原始數(shù)據(jù)進(jìn)行頭骨去除、頸部去除、強(qiáng)度歸一化、灰質(zhì)白質(zhì)分割等處理，從而獲取brainmask.mgz和aseg.mgz數(shù)據(jù)。本文所使用的FreeSurfer命令如下：<保存名稱><要處理的數(shù)據(jù)>經(jīng)過上述處理，原始圖像的分辨率被調(diào)整為1×1×13，圖像大小被插值處理為255×255×255。如圖2.6所示，第一行為從網(wǎng)上下載的公開人腦MR圖像，第二行為使用FreeSurfer進(jìn)行顱骨分離和重采樣后的圖像。


本文編號(hào)：3220229