圖像配準(zhǔn)在醫(yī)學(xué)圖像處理、遙感圖像處理等領(lǐng)域發(fā)揮著重要作用。通過(guò)圖像配準(zhǔn)可實(shí)現(xiàn)不同數(shù)據(jù)之間的拼接和融合,從而提供更加豐富和直觀的圖像信息。傳統(tǒng)圖像配準(zhǔn)算法利用圖像特征點(diǎn)信息或圖像體素灰度值統(tǒng)計(jì)信息,通過(guò)迭代優(yōu)化相似性度量函數(shù),求得待配準(zhǔn)圖像之間相似性最高時(shí)的最佳變換矩陣,進(jìn)而實(shí)現(xiàn)配準(zhǔn)。該類算法通常迭代速度較慢,無(wú)法滿足術(shù)中配準(zhǔn)等實(shí)時(shí)性需求較高的場(chǎng)景。隨著深度學(xué)習(xí)算法的發(fā)展,卷積神經(jīng)網(wǎng)絡(luò)在圖像分割,目標(biāo)檢測(cè)等領(lǐng)域被廣泛使用,同時(shí)也被引入到圖像配準(zhǔn)領(lǐng)域,基于深度學(xué)習(xí)的配準(zhǔn)算法不需要迭代,一般速度較快。本文重點(diǎn)研究基于深度學(xué)習(xí)的醫(yī)學(xué)腦圖像配準(zhǔn)算法,主要內(nèi)容如下:（1）本文提出3D U-Net級(jí)聯(lián)空洞卷積子網(wǎng)絡(luò)的無(wú)監(jiān)督圖像配準(zhǔn)算法。圖像配準(zhǔn)需要的是像素點(diǎn)之間精細(xì)的空間對(duì)應(yīng)關(guān)系,但是U-Net在編碼階段池化下采樣操作的存在,帶來(lái)圖像（特征圖）空間細(xì)節(jié)信息的丟失,不利于圖像的精細(xì)配準(zhǔn)。因此本文提出的算法是在3D U-Net網(wǎng)絡(luò)后面級(jí)聯(lián)一個(gè)不包含下采樣操作,由連續(xù)空洞卷積構(gòu)成的子網(wǎng)絡(luò)模塊,這樣可以實(shí)現(xiàn)在保持圖像（特征圖）原始分辨率,不丟失空間細(xì)節(jié)信息的情況下,對(duì)圖像進(jìn)行精細(xì)配準(zhǔn)。整個(gè)3D U-Net級(jí)... 

【文章來(lái)源】：安徽大學(xué)安徽省211工程院校

【文章頁(yè)數(shù)】：63 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

歷年深度學(xué)習(xí)配準(zhǔn)算法論文數(shù)量Figure1.1Numberofdeeplearningregistrationalgorithmpapersovertheyears

安徽大學(xué)碩士學(xué)位論文7圖1.2典型無(wú)監(jiān)督配準(zhǔn)網(wǎng)絡(luò)結(jié)構(gòu)圖Figure1.2Typicalunsupervisedregistrationnetworkstructurediagram（5）弱/半監(jiān)督配準(zhǔn)算法Hu等人沒(méi)有使用人工生成的矢量位移場(chǎng)作為訓(xùn)練網(wǎng)絡(luò)的人工標(biāo)簽，而是使用更高層次的對(duì)應(yīng)信息，例如解剖器官的分割標(biāo)簽進(jìn)行網(wǎng)絡(luò)訓(xùn)練[35]，作者提出的深度學(xué)習(xí)配準(zhǔn)算法是基于組織分割標(biāo)簽驅(qū)動(dòng)的，作者認(rèn)為解剖學(xué)標(biāo)記更可靠、更實(shí)用。Hu等人訓(xùn)練一個(gè)實(shí)現(xiàn)非剛性的MR-US前列腺圖像配準(zhǔn)網(wǎng)絡(luò)。該網(wǎng)絡(luò)以弱監(jiān)督方法進(jìn)行訓(xùn)練，這意味著僅使用相應(yīng)的解剖分割標(biāo)簽而不是密集的體素級(jí)空間對(duì)應(yīng)關(guān)系來(lái)進(jìn)行損失計(jì)算。網(wǎng)絡(luò)僅在訓(xùn)練階段才需要解剖標(biāo)記以進(jìn)行損失計(jì)算。在推斷階段不需要標(biāo)簽以實(shí)現(xiàn)快速配準(zhǔn)。其思想是想通過(guò)局部組織的配準(zhǔn)從而實(shí)現(xiàn)整體圖像配準(zhǔn)。（6）GAN配準(zhǔn)算法Goodfellow等人提出了生成對(duì)抗網(wǎng)絡(luò)（GenerativeAdversarialNetworks，GAN）這一新型神經(jīng)網(wǎng)絡(luò)[36]。對(duì)抗生成網(wǎng)絡(luò)是由一個(gè)生成器和一個(gè)鑒別器組成，其中生成器用來(lái)生成數(shù)據(jù)，鑒別器用于識(shí)別數(shù)據(jù)的真實(shí)性。訓(xùn)練網(wǎng)絡(luò)時(shí)交替的訓(xùn)練更新生成器和鑒別器的參數(shù)，當(dāng)鑒別器難以將生成器生成的數(shù)據(jù)與真實(shí)數(shù)據(jù)辨別出來(lái)時(shí)，網(wǎng)絡(luò)就訓(xùn)練完成了�；诶蒙蓪�(duì)抗網(wǎng)絡(luò)的配準(zhǔn)算法，在生成器中輸入?yún)⒖紙D像和浮動(dòng)圖像，并嘗試生成變換參數(shù)，以使鑒別器無(wú)法將變換后的浮動(dòng)圖像與參考圖像區(qū)分開(kāi)，實(shí)現(xiàn)圖像配準(zhǔn)。根據(jù)生成器和鑒別器之間的生存競(jìng)爭(zhēng)，可以在少量數(shù)據(jù)上訓(xùn)練網(wǎng)絡(luò)，網(wǎng)絡(luò)無(wú)法將變換后的浮動(dòng)圖像與參考圖像區(qū)分開(kāi)時(shí)，網(wǎng)絡(luò)達(dá)到訓(xùn)練平衡。Salehi等人使用T2加權(quán)圖像訓(xùn)練了CNN，實(shí)現(xiàn)胎兒腦MR配準(zhǔn)。他們首先通過(guò)使用條件GAN將T1映射到T2圖像

安徽大學(xué)碩士學(xué)位論文11Sigmoid非線性激活函數(shù)公式如下：xexf11)(（2.1）Sigmoid非線性激活函數(shù)的特點(diǎn)：將輸入變換到0到1之間，輸出一個(gè)概率值。但是在構(gòu)建神經(jīng)網(wǎng)絡(luò)過(guò)程中，一般不會(huì)使用該激活函數(shù)，而是對(duì)網(wǎng)絡(luò)的輸出激活，獲得分類概率值。Relu非線性激活函數(shù)公式如下：xxf),0max()(（2.2）Relu非線性激活函數(shù)的特點(diǎn)：將輸入進(jìn)行非線性處理，小于0的值將會(huì)輸出0，而大于0的值將輸出自身的值。其相對(duì)于Sigmoid，可以加速隨機(jī)梯度下降收斂的速度，而且其本身的求導(dǎo)幾乎不存在任何計(jì)算量。LeakyRelu非線性激活函數(shù)公式如下:xxxf),max()(（2.3）LeakyRelu給每一個(gè)小于0的輸入乘上一個(gè)非0較小的系數(shù)，通過(guò)這樣的運(yùn)算，解決了Relu在負(fù)數(shù)區(qū)間導(dǎo)數(shù)為0的問(wèn)題。圖2.1激活函數(shù)圖Figure2.1Activationfunctiondiagram感知機(jī)理論上可以實(shí)現(xiàn)邏輯上與、或、非運(yùn)算。其公式為：


本文編號(hào)：3615994