【摘要】：醫(yī)學圖像配準是醫(yī)學圖像分析的重要組成部分之一,針對肺部CT圖像的配準算法,有助于從肺部CT圖像中發(fā)掘肺部組織隨呼吸運動變化的規(guī)律。近年來,深度學習方法在醫(yī)學圖像領域嶄露頭角,將深度學習方法應用于肺部CT圖像配準是一項非常具有前景的研究。本課題研究基于卷積神經(jīng)網(wǎng)絡的肺部CT圖像配準算法,使用卷積神經(jīng)網(wǎng)絡學習稠密光流配準方法的位移場,通過空間變換層對浮動圖像進行變換,然后根據(jù)變換后的圖像與參考圖像的損失函數(shù)和對位移場的約束,最優(yōu)化網(wǎng)絡參數(shù),提取配準圖像對的特征,實現(xiàn)端到端的無監(jiān)督學習。該方法的優(yōu)點在于不需要額外的監(jiān)督信息,有效節(jié)省了人力物力。這篇論文首先提出了一種學習位移場的卷積神經(jīng)網(wǎng)絡,該結(jié)構(gòu)由一個提取特征的編碼器和一個精確定位的解碼器組成,解碼部分通過相加操作融合來自編碼器的信息。接著,在該結(jié)構(gòu)的基礎上,引入注意力機制中的注意力門研究卷積結(jié)構(gòu)在醫(yī)學圖像配準中的作用。注意力門能夠抑制圖像中無關(guān)的區(qū)域,突出對特定任務有用的顯著特征。實驗以網(wǎng)上公開的肺部CT圖像配準數(shù)據(jù)集作為數(shù)據(jù)集,從準確率、視覺效果、配準速度三個方面評價配準方法。實驗證明,這篇論文提出的兩種基于卷積神經(jīng)網(wǎng)絡的配準方法準確率高、魯棒性強,從視覺上看,配準方法能夠?qū)⑼惶卣鼽c正確地對應,同時配準一次圖像對的運行時間相比傳統(tǒng)方法也加快了數(shù)百倍。
【圖文】：

肺部 CT 圖像可用于診斷和治療 COPD 和肺癌等疾病。如果在 X 射線中發(fā)現(xiàn)病灶或結(jié)節(jié)，那么往往需要借助 CT 圖像進行分析。CT 圖像能更好地勾勒病變的大小和幾何形狀、確定是否需要注射碘化造影劑、判斷是否鈣化，具有非常高的實用價值。肺部 CT 圖像是由 10 到 20 個不同階段的 3D-CT 圖像組成，描述了一個完整的呼吸過程，又可稱為 4D-CT。4D-CT 相較 3D-CT 而言，，引入了時間作為一個新的維度，讓時間分辨率成為了 CT 技術(shù)的新優(yōu)勢[31]。4D-CT 圖像包含運動和采集相關(guān)的偽影，低輻射劑量采集技術(shù)和較低的空間分辨率容易產(chǎn)生噪聲，由于肺的擴張和收縮與呼吸不均勻，從4D-CT圖像中提取運動或者生理信息需要可變形配準。圖 2.1是數(shù)據(jù)集 DIR-Lab 第 10 個病人一個呼吸周期的不同呼吸階段的肺部 CT 圖像冠狀面圖像。左邊為最大吸氣階段，右邊為最大呼氣階段，可以看到，左邊的肺部體積比右邊的大。通過配準肺部不同呼吸階段的圖像，推知人的呼吸狀態(tài)，追蹤關(guān)鍵點的運動，這在放療手術(shù)中非常重要。

華 中 科 技 大 學 碩 士 學 位 論 文為圓形或橢圓形的斷面影[32]。肺周圍的中等密度灰影表示軟組織的肌肉或密度的白影表示表示骨組織，脂肪組織則為較低密度灰黑影。部 CT 所包含的組織結(jié)構(gòu)非常復雜，有包含空氣的肺組織、肌肉組織和密骨組織等，這些組織的密度差異很大，導致 CT 值的范圍廣，因此在做配要提取出肺的部分進行分析。目前，-950 HU 被認為是肺氣腫和正常肺之[33]，文章[34]中經(jīng)過實驗得到肺的提取的最佳值為-950 HU~-701 HU。在書 CT 的 HU 值是-700 到-600 之間。圖 2.2 為數(shù)據(jù)集 DIR-Lab 第一個病人最段原始的直方圖信息。
【學位授予單位】：華中科技大學
【學位級別】：碩士
【學位授予年份】：2019
【分類號】：R816.4;TP391.41;TP183

【參考文獻】

相關(guān)碩士學位論文 前1條

1 劉月亮;基于預測的肺4D-CT圖像配準方法研究[D];南方醫(yī)科大學;2018年

本文編號：2673640