醫(yī)學(xué)圖像配準(zhǔn)技術(shù)是醫(yī)學(xué)圖像處理領(lǐng)域中的一個(gè)非常重要的環(huán)節(jié),也是圖像精確融合的基礎(chǔ)。多模態(tài)醫(yī)學(xué)圖像配準(zhǔn)將不同模態(tài)圖像之間的信息互補(bǔ),可以同時(shí)給醫(yī)生提供病灶部位的功能信息和解剖信息,為輔助醫(yī)生準(zhǔn)確診斷疾病提供有力依據(jù)。本文主要對(duì)基于圖像合成的圖像配準(zhǔn)方法展開系統(tǒng)研究,本文工作主要包括以下幾個(gè)方面:（1）針對(duì)現(xiàn)有基于圖像合成的配準(zhǔn)算法中合成模型魯棒性差及合成圖像特征信息表示不足導(dǎo)致配準(zhǔn)精度不高的問題,提出了基于殘差密集相對(duì)平均條件生成對(duì)抗網(wǎng)絡(luò)（residual dense-relativistic average conditional generative adversarial network,RD-RaCGAN）的多模態(tài)腦部圖像配準(zhǔn)方法。首先,結(jié)合相對(duì)平均生成對(duì)抗網(wǎng)絡(luò)中的相對(duì)平均鑒別器能夠增強(qiáng)模型穩(wěn)定性以及條件生成對(duì)抗網(wǎng)絡(luò)加入條件變量能提高生成圖像質(zhì)量的優(yōu)點(diǎn),利用殘差密集塊充分提取深層網(wǎng)絡(luò)特征的能力,構(gòu)建RD-RaCGAN合成模型。然后,待配準(zhǔn)的參考CT（computed tomography）和浮動(dòng)MR（magnetic resonance）圖像通過已訓(xùn)練好的RD-RaCGAN合成模... 

【文章來源】：中北大學(xué)山西省

【文章頁數(shù)】：77 頁

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
abstract
第1章 緒論
    1.1 選題依據(jù)、研究背景及意義
        1.1.1 選題依據(jù)
        1.1.2 研究背景及意義
    1.2 國內(nèi)外研究現(xiàn)狀
        1.2.1 醫(yī)學(xué)圖像配準(zhǔn)算法分類
        1.2.2 基于圖像合成的圖像配準(zhǔn)算法的研究現(xiàn)狀
    1.3 基于圖像合成的多模態(tài)醫(yī)學(xué)圖像配準(zhǔn)方法存在的問題
    1.4 本文主要研究內(nèi)容及組織結(jié)構(gòu)
        1.4.1 本文主要研究內(nèi)容
        1.4.2 本文組織結(jié)構(gòu)
    1.5 本章小結(jié)
第2章 醫(yī)學(xué)圖像配準(zhǔn)基礎(chǔ)理論
    2.1 醫(yī)學(xué)圖像配準(zhǔn)基本概念
    2.2 殘差密集相對(duì)平均CGAN的圖像配準(zhǔn)方法的基礎(chǔ)理論
        2.2.1 相對(duì)平均生成對(duì)抗網(wǎng)絡(luò)
        2.2.2 條件生成對(duì)抗網(wǎng)絡(luò)
        2.2.3 殘差密集塊
    2.3 基于多域邊緣感知的多模態(tài)圖像配準(zhǔn)方法的基礎(chǔ)理論
        2.3.1 Sobel算子
        2.3.2 StarGAN V2
    2.4 評(píng)價(jià)方法
        2.4.1 圖像合成評(píng)價(jià)方法
        2.4.2 圖像配準(zhǔn)評(píng)價(jià)方法
    2.5 本章小結(jié)
第3章 殘差密集相對(duì)平均CGAN的多模態(tài)腦部圖像配準(zhǔn)
    3.1 RD-RACGAN算法網(wǎng)絡(luò)結(jié)構(gòu)
        3.1.1 生成器
        3.1.2 相對(duì)平均鑒別器
        3.1.3 最小二乘損失函數(shù)
    3.2 區(qū)域自適應(yīng)配準(zhǔn)算法
    3.3 算法流程
    3.4 實(shí)驗(yàn)結(jié)果與分析
        3.4.1 數(shù)據(jù)集與實(shí)驗(yàn)環(huán)境
        3.4.2 訓(xùn)練過程
        3.4.3 實(shí)驗(yàn)結(jié)果與分析
    3.5 本章小結(jié)
第4章 基于多域邊緣感知的多模態(tài)腦部圖像配準(zhǔn)
    4.1 多域邊緣感知合成算法網(wǎng)絡(luò)結(jié)構(gòu)
        4.1.1 生成器
        4.1.2 多任務(wù)鑒別器
        4.1.3 映射網(wǎng)絡(luò)
        4.1.4 風(fēng)格編碼器
        4.1.5 損失函數(shù)
    4.2 區(qū)域自適應(yīng)配準(zhǔn)算法
    4.3 算法流程
    4.4 實(shí)驗(yàn)結(jié)果與分析
        4.4.1 訓(xùn)練過程
        4.4.2 結(jié)果比較與分析
    4.5 本章小結(jié)
第5章 多模態(tài)腦部圖像配準(zhǔn)系統(tǒng)
    5.1 系統(tǒng)設(shè)計(jì)的目的及意義
    5.2 系統(tǒng)總體設(shè)計(jì)
    5.3 系統(tǒng)模塊功能實(shí)現(xiàn)
        5.3.1 系統(tǒng)運(yùn)行主界面
        5.3.2 無圖像合成的配準(zhǔn)模塊運(yùn)行界面
        5.3.3 基于圖像合成的配準(zhǔn)模塊運(yùn)行界面
    5.4 本章小結(jié)
第6章 總結(jié)與展望
    6.1 全文總結(jié)
    6.2 未來工作展望
參考文獻(xiàn)
攻讀碩士學(xué)位期間發(fā)表的論文及所取得的研究成果
致謝


【參考文獻(xiàn)】：
期刊論文
[1]殘差密集相對(duì)平均CGAN的腦部圖像配準(zhǔn)[J]. 王麗芳,張程程,秦品樂,藺素珍,高媛,竇杰亮.  中國圖象圖形學(xué)報(bào). 2020(04)
[2]基于機(jī)器學(xué)習(xí)的醫(yī)學(xué)圖像分割、配準(zhǔn)、融合及去噪[J]. 左振宇.  電子設(shè)計(jì)工程. 2019(17)
[3]深度學(xué)習(xí)在醫(yī)學(xué)圖像配準(zhǔn)上的研究進(jìn)展與挑戰(zhàn)[J]. 鄒茂揚(yáng),楊昊,潘光暉,鐘勇.  生物醫(yī)學(xué)工程學(xué)雜志. 2019(04)
[4]醫(yī)學(xué)圖像配準(zhǔn)技術(shù)[J]. 申艷平.  中國醫(yī)學(xué)物理學(xué)雜志. 2013(01)



本文編號(hào)：3171702