基于CNN和互信息的PET/CT图像配准方法的研究

摘要

随着医学成像技术的发展，越来越多的医学成像设备用于人体器官的检查和疾病诊断。各种成像技术之间的相互融合，更加提高了医学诊断与治疗的准确性，医学图像配准是这些应用的前提。
　　 针对这一技术背景，本文在比较和借鉴现有图像配准方法的基础上，根据当前图像配准技术的研究热点和应用趋势，对PET/CT图像配准技术进行了较深入的研究，提出一种基于细胞神经网络(CNN)和互信息的PET/CT图像配准方法。
　　 首先，引入细胞神经网络，用于CT图像边缘检测，构建了新的CT图像的边缘提取算法。CNN能够提取各个方向的边缘，且在其它经典边缘检测算子失效时，CNN仍可成功奏效。CNN硬件电路结构简单，运行速度快，尤其是可实现图像并行处理，对满足医学图像配准的实时性要求有很好的实用价值。
　　 其次，用互信息测度作为图像配准依据。基于互信息的配准方法有不依赖于图像本身灰度，可实现自动校准等优点。在CNN边缘提取后，对图像进行互信息配准，减少了计算空间，同时不失互信息多模态医学图像配准方法的优越性。
　　 最后，进行配准的仿真实验和仿真分析，进而实现配准优化，确定最佳变换。
　　 基于CNN和互信息的PET/CT图像配准方法，结合了基于特征和基于互信息两种图像配准方法的优点，具有相对较小的计算时空，提高了图像配准运行速度，有一定的理论意义和实际应用价值。

目录

摘要

第一章 引言

1．1 研究的目的和意义

1．2 国内外研究动态

1．2．1 医学图像配准

1．2．2 细胞神经网络

1．3 图像配准常用方法

1．4 图像配准的基本步骤

1．5 论文内容组织

第二章 图像配准的数学方法

2．1 图像配准数学框架

2．2 常用的空间变换

2．2．1 图像配准的基本变换

2．2．2 仿射变换

2．3 图像插值方法

2．4 参数的优化搜索

2．5 相似性测度

2．6 配准算法的评价标准

第三章 基于CNN的CT医学图像的边缘提取

3．1 CNN介绍

3．2 CNN的稳定性分析

3．3 动态过程分析

3．4 细胞神经网络的参数设计

3．5 仿真实验及分析

3．5．1 CNN边缘提取

3．5．2 与经典边缘算子比较

第四章 基于CNN和互信息的医学图像配准方法

4．1 互信息理论

4．2 基于CNN和互信息的PET／CT图像配准方法

4．3 CNN边缘提取分析

4．4 互信息配准分析

4．5 实验结论

第五章 总结与展望

参考文献

攻读学位期间的研究成果

致谢

声明