医学图像配准

摘要： 癌症已成为严重威胁人类健康的主要公共卫生问题。60%~70%的癌症患者需要进行放射治疗。调强放疗是当前主要的临床放疗技术。对近几年基于深度学习的影像分析与转换方法在肿瘤调强放疗计划中的应用进展及关键技术进行综述,包括计算机断层扫描(CT)、锥形束CT(CBCT)、磁共振成像(MRI)、正电子发射断层扫描(PET)引导的肿瘤调强放疗技术应用现状与发展趋势,肿瘤CT/CBCT/MRI/PET影像放疗靶区分割、影像配准以及转换深度卷积神经网络、生成对抗网络的有监督或无监督学习方法,并对未来的研究方向进行展望。

摘要： 医学图像配准对医学图像处理和分析至关重要,由于定量磁敏感图像(quantitative susceptibility mapping,QSM)与T1加权图像的灰度、纹理等信息存在较大的差异,现有的医学图像配准算法难以高效精确地完成两者配准.因此,本文提出了一个基于残差融合的无监督深度学习配准模型RF-RegNet(residual fusion registration network,RF-RegNet).RF-RegNet由编解码器、重采样器以及上下文自相似特征提取器3部分组成.编解码器用于提取待配准图像对的特征和预测两者的位移矢量场(displacement vector field,DVF),重采样器根据估计的DVF对浮动QSM图像重采样,上下文自相似特征提取器分别用于提取参考T1加权图像和重采样后的QSM图像的上下文自相似特征并计算两者的平均绝对误差(mean absolute error,MAE)以驱动卷积神经网络(convolutional neural network,ConvNet)学习.实验结果表明本文提出的方法显著地提高了QSM图像与T1加权图像的配准精度,满足临床的配准需求.

摘要： Demons配准算法通常采用各向同性的Gaussian滤波器作为正则化项,该操作忽略了图像灰度变化的空间各向异性和形变场信息,造成在目标边缘等细节信息丰富的区域配准误差较大.此外,由于正则化过程通常需要逐像素进行平滑操作,导致Demons算法针对大尺寸图像进行配准时效率有待提高.针对上述问题,提出了一种基于形变引导正则化的医学图像Demons快速配准算法(DGR Demons).该算法有3个优势:首先,DGR Demons通过引入各向异性的引导滤波器作为配准过程的正则化项,有效保留了图像边缘细节,避免了在图像边缘处发生梯度越变;其次,DGR Demons用待配准图像间的形变来引导正则化过程,由于充分利用了形变的空间信息,获得了更加精确的配准结果;最后,DGR Demons通过对形变进行下采样,使得正则化中的平滑映射关系计算在低分辨率形变上执行,从而有效减少了配准耗时.实验结果表明,提出的DGR Demons实现了更快、更精确的配准结果,与主流Demons算法相比,将配准精度提高了约40%,配准效率提高了约8%.

摘要： 随着人工智能在医疗领域的火热发展,基于深度学习的医学图像配准成为近年来的研究热点.然而当下的深度学习配准模型存在精度低、局部配准效果较差等缺陷.针对此类问题,本文从样本均衡机制的思想出发,以局部方差作为权重因子对医学图像配准方法中经典损失函数进行改进,提出了FMSE-LV损失函数,并使用深度学习框架Voxelmorph在公开的脑部核磁共振数据集上进行验证,实验结果表明,改进后的损失函数在不影响变形场整体折叠情况的前提下,配准的精度得到了提升.

摘要： 针对医学图像配准问题,传统方法提出通过解决优化问题进行配准,但计算成本高、运行时间长.深度学习方法提出使用网络学习配准参数,从而进行配准并在单模态图像上取得高效性能.但在多模态图像配准时,不同模态图像的强度分布未知且复杂,大多已有方法严重依赖标签数据,现有方法不能完全解决此问题.提出一种基于无监督学习的深度多模态可变形图像配准框架.该框架由基于损失映射量的特征学习和基于最大后验概率的变形场学习组成,借助空间转换函数和可微分的互信息损失函数实现无监督训练.在MRI T1、MRI T2以及CT的3 D多模态图像配准任务上,将所提方法与现有先进的多模态配准方法进行比较.此外,还在最新的COVID-19的CT数据上展示了所提方法的配准性能.大量结果表明:所提方法与其他方法相比,在配准精度上具有竞争优势,并且大大减少了计算时间.

摘要： 针对传统基于灰度、 特征的医学图像配准算法计算量大、 细节丢失以及配准形变图像能力差等问题,提出了一种基于B样条仿射和生成对抗网络的医学图像配准模型.将基于小波变换以及随机采样一致算法的B样条仿射变换融入生成对抗网络,减小了因局部变形和全局变形导致的配准误差,并在生成对抗网络的判别器中引入二次判别机制.通过CT-MR配准实验,证明了该模型能够保持图像原有的内容和结构信息的同时,减少了网络的迭代学习时间,提高了配准精度,具有一定的临床应用价值.

摘要： 图像配准是图像引导手术、图像融合、器官图谱生成、肿瘤和骨骼生长监测等临床任务应用的关键技术,也是一个极具挑战性的问题.近年来,深度学习技术对医学图像处理方法的研究产生重要的影响,在医学图像配准领域发展迅速.对使用深度学习技术实现医学图像配准的研究进行综述,首先按照深度学习模型将医学图像配准方法分为3类,包括监督、弱监督和无监督医学图像配准;然后分别介绍国内外研究进展,并总结这些研究方法的优缺点;在此基础上,阐述常用的深度学习配准框架以及评价标准,并总结常用的开源医学影像数据集;最后对深度学习技术在医学配准图像领域中存在的问题进行分析,展望未来发展的方向.

摘要： 目的 提出基于结构信息和直觉模糊集的图像相似度测度法,并对放疗计划定位CT图与CBCT图进行相似性测度以客观定量衡量摆位误差.方法 选取鼻咽癌和盆腔部肿瘤患者各1例,提取其计划CT图像及CBCT图像,在鼻咽癌患者横截面与矢状面、盆腔部患者横截面与冠状面上,人为模拟了 5种不同程度的摆位误差,同时运用相关系数、均方误差、图像联合熵、互信息以及本文相似度测度法对误差进行比较测量.结果 5种方法都可以在一定程度上描述误差.对比其他方法,相似度测度法随着误差增大表现出更强烈的变化趋势:鼻咽癌横截面5种误差递增结果归一化后为0.553、0.683、1.055、1.995、5.151,矢状面为 1.171、1.618、1.962、1.790、3.572;而其他方法结果归一化后为0～2间,且同一方法不同误差的结果变化较小.另外,该方法对软组织误差更敏感.结论 基于结构信息和直觉模糊集的图像相似度测度法衡量结果与人眼感知更一致,可一定程度上客观量化了包括骨性标记与软组织的误差,其反映的软组织偏差对个体化精准放疗有意义.

摘要： 在疾病诊断、手术引导及放射性治疗等图像辅助诊疗场景中,将不同时间、不同模态或不同设备的图像通过合理的空间变换进行配准是必要的处理流程之一.随着深度学习的快速发展,基于深度学习的医学图像配准研究以其耗时短、精度高的优势吸引了研究者的广泛关注.本文全面整理了2015—2019年深度医学图像配准方向的论文,系统地分析了深度医学图像配准领域的最新研究进展,展现了深度配准算法研究从迭代优化到一步预测、从有监督学习到无监督学习的总体发展趋势.具体来说,本文在界定深度医学图像配准问题和介绍配准研究分类方法的基础上,以相关算法的网络训练过程中所使用的监督信息多少作为分类标准,将深度医学图像配准划分为全监督、双监督与弱监督、无监督医学图像配准方法.全监督配准方法通过采用随机变换、传统算法和模型生成等方式获取近似的金标准作为监督信息;双监督、无监督配准方法通过引入图像相似度损失、标签相似度损失等其他监督信息以降低对金标准的依赖;无监督配准方法则完全消除对标注数据的需要,仅使用图像相似度损失和正则化损失监督网络训练.目前,无监督医学图像算法已经成为医学图像配准领域的研究重点,在无需获得代价高昂的标注信息下就能够取得与有监督和传统方法相当甚至更高的配准精度.在此基础上,本文进一步讨论了医学图像配准研究后续可能的4个未来挑战,希望能够为更高精度、更高效率的深度医学图像配准算法的研究提供方向,并推动深度医学图像配准技术在临床诊疗中落地应用.

摘要： 多模态医学图像的精确配准对于医生进行病情分析和诊断至关重要.针对传统配准方法迭代优化周期长、 成本高,以及现有基于深度学习的配准模型对不同模态医学图像之间固有的形变配准效果差等问题,提出了一种基于可变形卷积和级联结构的生成对抗配准模型.级联串接可变形卷积的Unet网络构造了新型的生成模型,并引入基于非扩展熵的相似性测度.通过多模态配准实验,证明了该模型配准精度高、 用时少、 具有一定的临床应用价值.

摘要： 互信息法因其具有较高的准确性和较好的鲁棒性在医学图像配准中得到广泛的应用。对经典互信息法进行改进，使其在计算中包含图像的空间信息是近年的一个热点。本文在考虑图像的空间信息以及不同形式的熵在超声图像配准中的效果后，结合了条件互信息法和Tsallis熵的特性，提出了一种改进型互信息方法．实验表明该方法在超声一磁共振多模态图像配准中较经典互信息法有更好的效果。

摘要： 在基于灰度的医学图像配准中,相似性测度函数的优化是一个非常重要的组成部分.通常使用的归一化互信息作为医学图像配准的相似性测度函数,具有精度高、鲁棒性强等特点。但是容易陷入局部极值,从而使得配准操作失败.DIRECT(Dividing RECTangles)矩阵划分算法是一种在理论上能够保证全局寻优,用于解决线性边界问题的全局性优化技术。将DIRECT全局寻优的思想引入医学图象配准并与Powell优化算法相结合,同时为了提高运行速度和精度,使用小波变换多尺度信号分析方法来实现图像的由低分辨率到高分辨率的逐层配准。实验结果表明,与纯粹只使用Powell算法相比,作者提出的改进算法运行速度较快,匹配精度高,鲁棒性能好,在单模态和多模态的医学图像配准中都能收到较好的配准效果。

摘要： 基于互信息的配准方法具有自动化程度高、配准精度高等优点,近来已成为医学图像处理领域的热点.基于互信息的配准方法实质上是一种对灰度进行统计和计算的方法,因此同一图像采用不同的窗宽窗位表示必然会影响配准结果.本文在分析窗宽窗位对图像质量的影响和基于互信息配准方法的影响的基础上,进行了一系列的医学图像配准试验.在详细分析配准结果的基础上,给出了基于互信息的配准方法所采用的合理窗宽窗位的建议。

摘要： 随着计算机技术的发展,数字化生物医学影像技术对生物医学的研究及临床诊断产生重大影响,并且广泛应用于临床诊断和治疗中.本文设计了一个内部标识点自动定位的算法,在此算法的基础上实现了一个自动的医学图像配准系统,本图像配准系统主要由两部分组成,一是使用最大互信息配准法(MutualInformation)进行全局图像配准,包括纠正定位,其中采用(Downhillsimplex)优化算法进行优化;二是使用薄板样条算法(ThinPlateSpline)进行局部图像弹性配准,包括非线性图像变换.薄板样条算法是基于标志点的配准算法,其中实现标志点的自动定位。

摘要： 医学图像配准具有重要的临床价值,配准的方法多种多样.为了使医学图像配准满足无创、自动、高精度等临床要求,在信息论香农熵的基础上,研究者提出了互信息(MI)配准算法.本文综述了基于互信息的医学图像配准技术和应用.

摘要： 针对医学上多模态图像的特点,给出Hausdorff距离和遗传算法(GA)相结合的方法.通过给出适当的适应度函数,寻找出全局的最优解,并得到配准结果.这为医学临床诊断多模态信息融合提供了一种方法.

摘要： 多模医学图像配准在3-D医学图像处理中具有重要的意义。例如，通过对不同模式图像能能够为医疗诊断提供更加全面的互补信息。最大互信息算法是基于体素的配准方法中的一种，它是近几年发展起来的受到许多学者关注的一种配准算法。由于最大互信息法不需要对不同成像模式下的图像灰度间的关系作任何假设，也不需要对图像进行侵害或其它预处理，被广泛用于CT-MR、PET-MR等图像的配准。该文应用最大互信息法对3-D MR-PET进行了配准，取得了满意的结果。

摘要： 图像配准在医学图像处理领域是一项重要的技术,对临床诊断和治疗起着越来越重要的作用.尽管对这方面的研究已经展开多年,但目前的主要方法仍然存在不足之处,急需改进,以便更好的应用于临床实践.本文主要针对现在流行的基于最大互信息量的配准方法展开讨论和研究.在此基础上提出了相同重叠区域下的配准框架,在此框架下,将一些统计相似性配准算法统一为基于最小条件熵的图像配准算法.通常称为归一化互信息配准的方法。

摘要： 图像配准在医学图像处理领域是一项重要的技术,对临床诊断和治疗起着越来越重要的作用.尽管对这方面的研究已经展开多年,但目前的主要方法仍然存在不足之处,急需改进,以便更好的应用于临床实践.本文主要针对现在流行的基于最大互信息量的配准方法展开讨论和研究.在此基础上提出了相同重叠区域下的配准框架,在此框架下,将一些统计相似性配准算法统一为基于最小条件熵的图像配准算法.通常称为归一化互信息配准的方法。

摘要： 图像配准在医学图像处理领域是一项重要的技术,对临床诊断和治疗起着越来越重要的作用.尽管对这方面的研究已经展开多年,但目前的主要方法仍然存在不足之处,急需改进,以便更好的应用于临床实践.本文主要针对现在流行的基于最大互信息量的配准方法展开讨论和研究.在此基础上提出了相同重叠区域下的配准框架,在此框架下,将一些统计相似性配准算法统一为基于最小条件熵的图像配准算法.通常称为归一化互信息配准的方法。

摘要： 本发明提供了一种图像配准及分割装置和方法以及医学图像设备。所述图像配准装置包括：刚体配准部件，用于对第一输入图像和作为基准的第二输入图像进行刚体配准，以得到第一变形信息；第一非刚体配准部件，用于以第一变形信息作为初始变形信息，对第一和第二输入图像采用非微分同胚配准方法进行第一非刚体配准，以得到第二变形信息；以及第二非刚体配准部件，用于以第二变形信息作为初始变形信息，对第一和第二输入图像采用微分同胚配准方法进行第二非刚体配准，以得到第三变形信息；配准图像生成部件，通过使用第三变形信息对第一输入图像或第二输入图像执行空间变换来生成配准图像。通过刚体配准与非刚体配准相结合，能够实现快速的图像配准。

摘要： 本发明提供了一种图像配准及分割装置和方法以及医学图像设备。所述图像配准装置包括：刚体配准部件，用于对第一输入图像和作为基准的第二输入图像进行刚体配准，以得到第一变形信息；第一非刚体配准部件，用于以第一变形信息作为初始变形信息，对第一和第二输入图像进行第一非刚体配准，以得到第二变形信息；以及第二非刚体配准部件，用于以第二变形信息作为初始变形信息，对第一和第二输入图像进行第二非刚体配准，以得到第三变形信息。通过刚体配准与非刚体配准相结合，能够实现快速的图像配准。

摘要： 在用于配准诸如相同对象的至少第一和第二幅数字或数字化图像或截面图像组的生物医学图像的方法中，在第一幅图像或图像组内，通过选择一定数量的像素或体素，来个体化一定数量的界标，即所谓的特征。通过对被选择作为特征的每个像素或体素确定从第一到第二幅或图像组的光流矢量，从第一到第二幅或图像组跟踪被选择作为特征的每个像素或体素的位置。第一和第二幅图像或图像组的配准通过向第二幅图像或图像组的像素或体素应用逆光流来执行。本发明提供自动可跟踪界标选择步骤，即：定义第一幅图像或第一组截面图像的每个像素或体素周围的像素或体素邻域；对于每个靶像素或体素，确定一个或多个特性参数，其作为描述所述靶像素或体素的外观和所述像素或体素窗的每个或部分的外观的参数的函数，以及作为表示所述窗的像素或体素的数字矩阵或所述数字矩阵的变换的一个或多个特性参数的函数被计算。作为靶像素或体素的所述特性参数的函数，确定与有效可跟踪界标相符的像素或体素。

摘要： 一种基于图像边缘的多分辨非刚性头部医学图像配准方法属于信息融合领域。本发明在配准过程中利用由粗到精的搜索变换参数。首先由小波变换检测图像边缘，在边缘图像基础上构造边缘金字塔图像，然后在边缘金字塔图像的最小尺度层(即最粗糙层)进行较大范围的搜索，寻找配准两幅图像的最佳变换，以后每一层以前一层的搜索结果为中心，缩小搜索范围继续搜索，直到最大尺度层。这种方法与直接用原始图像进行配准相比，可以减少计算量，提高准确度并能够配准不同空间分辨率的图像。

摘要： 本发明提供一种基于多模态医学图像配准的超声穿刺引导规划系统，包括：MRI序列图像渲染单元，接收MRI序列图像，进行三维渲染并绘制穿刺点；超声序列图像重建单元，接收超声序列图像，重建超声体数据；配准单元，进行三维配准操作得到配准变换系数；穿刺规划单元，接收超声探头获取的人体超声图像，根据系统穿刺点及当前超声图像生成穿刺规划图像，并进行显示。本发明的系统通过多模态医学图像配准将超声下电磁坐标系统一到MRI世界坐标系下，判断穿刺点是否在超声平面上来引导超声进行精准穿刺，进一步提高了穿刺引导的精度，辅助医生更快的对病灶靶点进行穿刺，有效的减少穿刺用时及并发症发生率。

摘要： 本申请涉及一种多模态医学图像配准模型训练方法、配准方法、系统及设备，应用于医学图像配准技术领域，其方法包括：对医学数据图像样本进行预处理，生成参考图像矢量序列、移动图像矢量序列、3D参考图像矢量序列和3D移动图像矢量序列；将参考图像矢量序列、移动图像矢量序列、3D参考图像矢量序列和3D移动图像矢量序列输入图像配准网络模型，生成形变场；基于形变场和损失函数计算网络损失；基于误差反向传播算法调整图像配准网络模型的参数；重复执行输入图像样本、计算网络损失和调整模型参数的过程，直至损失函数不再减小时完成训练，得到训练好的图像配准网络模型。本申请具有提高配准结果的稳定性的效果。

摘要： 本发明提供医学图像配准方法，包括：获取三维磁共振影像及二维组织切片图像并分别做预处理；对预处理后的三维磁共振影像及二维组织切片图像做同等尺度的降采样；将降采样后的三维磁共振影像的全局轮廓及二维组织切片图像的全局轮廓对齐，并获得由降采样后的二维组织切片图像至降采样后的三维磁共振影像的仿射变换矩阵；将仿射变换矩阵施加至预处理后的二维组织切片图像，以将预处理后的二维组织切片图像映射至预处理后的三维磁共振影像的图像空间；在图像空间中选取图像控制点，并在预设变形场模型及预设相似性代价函数的作用下得到三维变形场矩阵，据以生成配准图像。本发明的技术方案，有效提高了组织切片图像与MRI影像的配准速度及精准度。

摘要： 本发明公开了一种融合残差图像信息的2D医学图像配准方法，涉及医学图像技术领域，包括：构建医学图像配准模型；模型训练；模型在图像配准的应用。本发明在计算MSE相似度时引入残差图像，有效融合局部像素信息，解决了像素失位和变形折叠的问题；基于卷积神经网络的局部性和Vision Transformer中多头注意力机制的全局性，设计了一个基础地配准网络，并在该基础配准网络中创新性地使用了融合残差图像信息的跳跃连接，解决了MSE仅对像素值计算，无法准确找到像素之间特征匹配的问题，并有效提高了配准模型的泛化性能；提出了多分辨率渐进配准策略，提高了配准的准确性，在变形过程中增强了拓扑保持性。

摘要： 一种基于图像转换和域泛化的无监督多模态医学图像配准方法，首先，两个单模态配准网络在各自模态域的真实图像上进行预训练，直到配准网络可胜任单模态配准任务。接着，转换网络和配准网络进行联合训练。转换网络所得合成图与目标模态真实图之间的形变场被预训练好的配准网络所计算，此时，转换网络的训练被本文所提的形变场对抗损失和形变循环一致性损失所约束；当合成图的定量评价指标优于所设定阈值时，配准网络后端网络层的参数可根据对应配准过程的损失项进行微调，使配准网络的有效应用范围逐步泛化至合成图所在的模态域。本发明配准性能胜过了现有的基于无监督学习的多模态医学图像配准方法，且可与基于监督学习的配准方法进行竞争。

摘要： 一种基于图像边缘的多分辨非刚性头部医学图像配准方法属于信息融合领域。本发明在配准过程中利用由粗到精的搜索变换参数。首先由小波变换检测图像边缘，在边缘图像基础上构造边缘金字塔图像，然后在边缘金字塔图像的最小尺度层(即最粗糙层)进行较大范围的搜索，寻找配准两幅图像的最佳变换，以后每一层以前一层的搜索结果为中心，缩小搜索范围继续搜索，直到最大尺度层。这种方法与直接用原始图像进行配准相比，可以减少计算量，提高准确度并能够配准不同空间分辨率的图像。