目的:圖像配準(zhǔn)是醫(yī)學(xué)圖像分析中的基本任務(wù)。傳統(tǒng)的圖像配準(zhǔn)任務(wù)尤其是非剛性配準(zhǔn)算法,需要較高的計(jì)算成本以及較長(zhǎng)的執(zhí)行時(shí)間。但是隨著計(jì)算機(jī)技術(shù)的發(fā)展以及深度學(xué)習(xí)的復(fù)興,卷積神經(jīng)網(wǎng)絡(luò)在處理圖像分類、目標(biāo)檢測(cè)等任務(wù)中表現(xiàn)出了出色的效果,同時(shí)還具有處理圖像配準(zhǔn)任務(wù)的能力。本文采用基于卷積神經(jīng)網(wǎng)絡(luò)的無監(jiān)督配準(zhǔn)模型一步得到變換后圖像,有效減少一對(duì)顯微切片圖像的配準(zhǔn)時(shí)間。同時(shí),針對(duì)許多研究中人們將包含組織學(xué)偽影的數(shù)據(jù)直接丟棄造成數(shù)據(jù)信息丟失的情況,本文對(duì)包含裂縫區(qū)域的圖像進(jìn)行處理,處理之后的圖像可以用于后續(xù)配準(zhǔn)等任務(wù)中。研究方法:本文實(shí)驗(yàn)方法主要包括三個(gè)部分:首先是對(duì)圖像進(jìn)行歸一化、仿射對(duì)齊以及數(shù)據(jù)封裝的預(yù)處理;其次對(duì)包含裂縫區(qū)域的圖像進(jìn)行高斯濾波、二值化、目標(biāo)區(qū)域提取以及目標(biāo)合并來減小裂縫區(qū)域;最后本文采用卷積神經(jīng)網(wǎng)絡(luò)對(duì)空間變形場(chǎng)進(jìn)行建模,輸入的圖像對(duì)經(jīng)過包含跳躍連接的編碼解碼器結(jié)構(gòu)得到空間變形場(chǎng),然后浮動(dòng)圖像通過空間變換函數(shù)插值得到配準(zhǔn)后圖像。該過程不需要人為的標(biāo)注數(shù)據(jù)。結(jié)果:1.對(duì)于配準(zhǔn)結(jié)果,分別與基于ITK工具包開發(fā)的SimpleITK和PyElastix進(jìn)行了對(duì)比。還與基于VGG16網(wǎng)絡(luò)的配... 

【文章頁數(shù)】：44 頁

【學(xué)位級(jí)別】：碩士

【部分圖文】：

有監(jiān)督學(xué)習(xí)配準(zhǔn)框架

無監(jiān)督學(xué)習(xí)配準(zhǔn)框架

包含組織缺失的圖像


本文編號(hào)：3686676