圖像配準在醫(yī)學圖像處理、遙感圖像處理等領域發(fā)揮著重要作用。通過圖像配準可實現(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)圖像配準算法利用圖像特征點信息或圖像體素灰度值統(tǒng)計信息,通過迭代優(yōu)化相似性度量函數(shù),求得待配準圖像之間相似性最高時的最佳變換矩陣,進而實現(xiàn)配準。該類算法通常迭代速度較慢,無法滿足術中配準等實時性需求較高的場景。隨著深度學習算法的發(fā)展,卷積神經(jīng)網(wǎng)絡在圖像分割,目標檢測等領域被廣泛使用,同時也被引入到圖像配準領域,基于深度學習的配準算法不需要迭代,一般速度較快。本文重點研究基于深度學習的醫(yī)學腦圖像配準算法,主要內(nèi)容如下:（1）本文提出3D U-Net級聯(lián)空洞卷積子網(wǎng)絡的無監(jiān)督圖像配準算法。圖像配準需要的是像素點之間精細的空間對應關系,但是U-Net在編碼階段池化下采樣操作的存在,帶來圖像（特征圖）空間細節(jié)信息的丟失,不利于圖像的精細配準。因此本文提出的算法是在3D U-Net網(wǎng)絡后面級聯(lián)一個不包含下采樣操作,由連續(xù)空洞卷積構(gòu)成的子網(wǎng)絡模塊,這樣可以實現(xiàn)在保持圖像（特征圖）原始分辨率,不丟失空間細節(jié)信息的情況下,對圖像進行精細配準。整個3D U-Net級... 

【文章來源】：安徽大學安徽省211工程院校

【文章頁數(shù)】：63 頁

【學位級別】：碩士

【部分圖文】：

歷年深度學習配準算法論文數(shù)量Figure1.1Numberofdeeplearningregistrationalgorithmpapersovertheyears

安徽大學碩士學位論文7圖1.2典型無監(jiān)督配準網(wǎng)絡結(jié)構(gòu)圖Figure1.2Typicalunsupervisedregistrationnetworkstructurediagram（5）弱/半監(jiān)督配準算法Hu等人沒有使用人工生成的矢量位移場作為訓練網(wǎng)絡的人工標簽，而是使用更高層次的對應信息，例如解剖器官的分割標簽進行網(wǎng)絡訓練[35]，作者提出的深度學習配準算法是基于組織分割標簽驅(qū)動的，作者認為解剖學標記更可靠、更實用。Hu等人訓練一個實現(xiàn)非剛性的MR-US前列腺圖像配準網(wǎng)絡。該網(wǎng)絡以弱監(jiān)督方法進行訓練，這意味著僅使用相應的解剖分割標簽而不是密集的體素級空間對應關系來進行損失計算。網(wǎng)絡僅在訓練階段才需要解剖標記以進行損失計算。在推斷階段不需要標簽以實現(xiàn)快速配準。其思想是想通過局部組織的配準從而實現(xiàn)整體圖像配準。（6）GAN配準算法Goodfellow等人提出了生成對抗網(wǎng)絡（GenerativeAdversarialNetworks，GAN）這一新型神經(jīng)網(wǎng)絡[36]。對抗生成網(wǎng)絡是由一個生成器和一個鑒別器組成，其中生成器用來生成數(shù)據(jù)，鑒別器用于識別數(shù)據(jù)的真實性。訓練網(wǎng)絡時交替的訓練更新生成器和鑒別器的參數(shù)，當鑒別器難以將生成器生成的數(shù)據(jù)與真實數(shù)據(jù)辨別出來時，網(wǎng)絡就訓練完成了�；诶蒙蓪咕W(wǎng)絡的配準算法，在生成器中輸入?yún)⒖紙D像和浮動圖像，并嘗試生成變換參數(shù)，以使鑒別器無法將變換后的浮動圖像與參考圖像區(qū)分開，實現(xiàn)圖像配準。根據(jù)生成器和鑒別器之間的生存競爭，可以在少量數(shù)據(jù)上訓練網(wǎng)絡，網(wǎng)絡無法將變換后的浮動圖像與參考圖像區(qū)分開時，網(wǎng)絡達到訓練平衡。Salehi等人使用T2加權圖像訓練了CNN，實現(xiàn)胎兒腦MR配準。他們首先通過使用條件GAN將T1映射到T2圖像

安徽大學碩士學位論文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：將輸入變換到0到1之間，輸出一個概率值。但是在構(gòu)建神經(jīng)網(wǎng)絡過程中，一般不會使用該激活函數(shù)，而是對網(wǎng)絡的輸出激活，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：將輸入進行非線性處理，小于0的值將會輸出0，而大于0的值將輸出自身的值。其相對于Sigmoid，可以加速隨機梯度下降收斂的速度，而且其本身的求導幾乎不存在任何計算量。LeakyRelu非線性激活函數(shù)公式如下:xxxf),max()(（2.3）LeakyRelu給每一個小于0的輸入乘上一個非0較小的系數(shù)，通過這樣的運算，解決了Relu在負數(shù)區(qū)間導數(shù)為0的問題。圖2.1激活函數(shù)圖Figure2.1Activationfunctiondiagram感知機理論上可以實現(xiàn)邏輯上與、或、非運算。其公式為：


本文編號：3615994