基于深度度量學(xué)習(xí)的MR圖像特征點(diǎn)匹配研究
發(fā)布時(shí)間:2022-04-23 17:15
核磁共振(Magnetic Resonance,MR)技術(shù)已經(jīng)成為了一種常用和重要的疾病檢測(cè)技術(shù),通過(guò)核磁共振醫(yī)學(xué)影像,可以對(duì)身體重要器官及部位具有良好的診斷功能。同時(shí),通過(guò)MR影像對(duì)人體的非均質(zhì)柔性生物組織在不同情況下的形變狀態(tài)的獲得,進(jìn)行柔性體內(nèi)部變形場(chǎng)測(cè)量,計(jì)算非線性柔性生物組織的彈性模量及泊松系數(shù)等物理參數(shù),在計(jì)算機(jī)科學(xué)研究領(lǐng)域具有重要的理論和實(shí)踐價(jià)值。本文所研究的基于MR影像的非均質(zhì)柔性體內(nèi)部特征點(diǎn)的檢測(cè)與匹配是柔性生物組織變形場(chǎng)測(cè)量的重要步驟之一,不僅可以應(yīng)用于生物組織器官輔助診斷和分析,也可以應(yīng)用于醫(yī)學(xué)手術(shù)機(jī)器人等研究上。所研究的MR影像中大量均勻分布的特征點(diǎn)的提取與匹配技術(shù),在圖像拼接,目標(biāo)的定位與跟蹤,三維建模等領(lǐng)域也有不同程度的應(yīng)用。以往圖像特征多為手工特征,這些設(shè)計(jì)主要依靠設(shè)計(jì)者的先驗(yàn)知識(shí),設(shè)計(jì)人員很可能忽略掉圖像某些方面的特征,因此算法的好壞在很大程度上還要依靠經(jīng)驗(yàn)和運(yùn)氣。目前,深度學(xué)習(xí)方法已經(jīng)應(yīng)用在很多醫(yī)學(xué)圖像處理方面,但是由于醫(yī)學(xué)圖像樣本數(shù)據(jù)量的限制,大大降低了學(xué)習(xí)性能。針對(duì)柔性生物組織內(nèi)部特征點(diǎn)匹配問(wèn)題進(jìn)行分析研究,具體內(nèi)容如下所示:1)針對(duì)非線性柔性生物...
【文章頁(yè)數(shù)】:59 頁(yè)
【學(xué)位級(jí)別】:碩士
【文章目錄】:
摘要
abstract
第1章 緒論
1.1 研究背景與意義
1.2 研究現(xiàn)狀
1.2.1 特征點(diǎn)的提取和描述
1.2.2 相似性度量
1.3 研究?jī)?nèi)容與創(chuàng)新
1.4 本文的章節(jié)安排
第2章 基于遷移學(xué)習(xí)的MR圖像特征點(diǎn)匹配
2.1 引言
2.2 基于遷移學(xué)習(xí)的MR圖像特征匹配
2.2.1 CNN+體系結(jié)構(gòu)
2.2.2 特征描述符
2.2.3 樣本挖掘
2.2.4 模型訓(xùn)練和微調(diào)
2.3 實(shí)驗(yàn)結(jié)果與討論
2.3.1 實(shí)驗(yàn)數(shù)據(jù)
2.3.2 系統(tǒng)環(huán)境
2.3.3 實(shí)驗(yàn)結(jié)果和分析
2.4 本章小結(jié)
第3章 基于度量學(xué)習(xí)算法的MR圖像特征點(diǎn)匹配
3.1 引言
3.2 全局度量學(xué)習(xí)
3.3 局部度量學(xué)習(xí)
3.4 全局和局部相結(jié)合的度量學(xué)習(xí)
3.4.1 特征點(diǎn)的提取和表達(dá)
3.4.2 全局和局部相結(jié)合的度量學(xué)習(xí)
3.5 實(shí)驗(yàn)結(jié)果與討論
3.5.1 實(shí)驗(yàn)數(shù)據(jù)
3.5.2 實(shí)驗(yàn)結(jié)果和分析
3.6 本章小結(jié)
第4章 基于深度度量學(xué)習(xí)的MR圖像特征點(diǎn)匹配研究
4.1 引言
4.2 基于深度度量學(xué)習(xí)的MR圖像匹配研究
4.2.1 整體模型
4.2.2 深度提取網(wǎng)絡(luò)
4.2.3 樣本挖掘
4.2.4 Center Loss代價(jià)函數(shù)
4.2.5 特征描述符度量學(xué)習(xí)
4.3 實(shí)驗(yàn)結(jié)果與討論
4.3.1 實(shí)驗(yàn)數(shù)據(jù)
4.3.2 實(shí)驗(yàn)結(jié)果分析
4.4 本章小結(jié)
第5章 總結(jié)與展望
參考文獻(xiàn)
附錄
致謝
本文編號(hào):3647628
【文章頁(yè)數(shù)】:59 頁(yè)
【學(xué)位級(jí)別】:碩士
【文章目錄】:
摘要
abstract
第1章 緒論
1.1 研究背景與意義
1.2 研究現(xiàn)狀
1.2.1 特征點(diǎn)的提取和描述
1.2.2 相似性度量
1.3 研究?jī)?nèi)容與創(chuàng)新
1.4 本文的章節(jié)安排
第2章 基于遷移學(xué)習(xí)的MR圖像特征點(diǎn)匹配
2.1 引言
2.2 基于遷移學(xué)習(xí)的MR圖像特征匹配
2.2.1 CNN+體系結(jié)構(gòu)
2.2.2 特征描述符
2.2.3 樣本挖掘
2.2.4 模型訓(xùn)練和微調(diào)
2.3 實(shí)驗(yàn)結(jié)果與討論
2.3.1 實(shí)驗(yàn)數(shù)據(jù)
2.3.2 系統(tǒng)環(huán)境
2.3.3 實(shí)驗(yàn)結(jié)果和分析
2.4 本章小結(jié)
第3章 基于度量學(xué)習(xí)算法的MR圖像特征點(diǎn)匹配
3.1 引言
3.2 全局度量學(xué)習(xí)
3.3 局部度量學(xué)習(xí)
3.4 全局和局部相結(jié)合的度量學(xué)習(xí)
3.4.1 特征點(diǎn)的提取和表達(dá)
3.4.2 全局和局部相結(jié)合的度量學(xué)習(xí)
3.5 實(shí)驗(yàn)結(jié)果與討論
3.5.1 實(shí)驗(yàn)數(shù)據(jù)
3.5.2 實(shí)驗(yàn)結(jié)果和分析
3.6 本章小結(jié)
第4章 基于深度度量學(xué)習(xí)的MR圖像特征點(diǎn)匹配研究
4.1 引言
4.2 基于深度度量學(xué)習(xí)的MR圖像匹配研究
4.2.1 整體模型
4.2.2 深度提取網(wǎng)絡(luò)
4.2.3 樣本挖掘
4.2.4 Center Loss代價(jià)函數(shù)
4.2.5 特征描述符度量學(xué)習(xí)
4.3 實(shí)驗(yàn)結(jié)果與討論
4.3.1 實(shí)驗(yàn)數(shù)據(jù)
4.3.2 實(shí)驗(yàn)結(jié)果分析
4.4 本章小結(jié)
第5章 總結(jié)與展望
參考文獻(xiàn)
附錄
致謝
本文編號(hào):3647628
本文鏈接:http://sikaile.net/kejilunwen/zidonghuakongzhilunwen/3647628.html
最近更新
教材專(zhuān)著