论文部分内容阅读
随着医疗影像设备的发展，医学图像处理技术的发展也在稳步进行，医学图像配准在其中发挥着重要作用。例如，对脑部MR图像配准有助于诊断精神类疾病，对肺部CT图像配准有助于观察肺部呼吸运动的规律和诊断肺部相关疾病。然而，传统的图像配准方法在每次图像配准时，都需要迭代优化，计算量大、耗费时间长。
近年来，随着深度学习在各个领域的应用，在图像配准任务上，基于深度学习的图像配准也验证了它的优越性，在达到传统图像配准方法相当的配准效果的同时，成几个数量级的减少了配准时间。在脑部MR图像和肺部4DCT图像配准任务上，本文提出了基于多级串联深度卷积神经网络的图像配准模型，能够无迭代的预测配准图像之间的空间变换关系，不仅解决了传统配准方法配准时间长的问题，而且提高了配准精度。同时，采用无监督迁移学习，无需提供大量的人工标注图像配准金标准。
本文研究的主要内容如下：
(1)多级深度网络配准方法：根据基于卷积神经网络的医学图像配准模型和多阶段配准思想，提出了多级网络配准模型。该模型首先对参考图像和待配准图像进行粗配准，通过卷积神经网络学习形变场，再由待配准图像进行空间变换得到配准后图像。第二级配准网络输入为参考图像和上一级配准后图像，再进行精细的配准。最后一级学习的形变场为参考图像和待配准图像之间的空间变换关系。
(2)多级串联深度网络配准方法：改进多级网络配准模型，提出了多级串联网络的配准模型。该模型先通过串联多个相同结构、不同参数(可学习)的深度卷积网络，端到端地学习待配准图像之间多个小的形变场，再通过逐级叠加这一系列的小形变场得到待配准图像之间的最终大形变场，实现大形变图像的配准。同时，通过形变场雅可比行列式正则项，减少配准后图像的不真实褶皱。
(3)无监督迁移学习方法：在三维脑部MRI数据集ADNI上无监督地训练和测试本文提出的医学图像配准网络模型，实验结果表明，多级网络配准模型和多级串联网络配准模型都可提高配准后多个脑部组织器官的平均相似性Dice系数值，但多级串联网络配准模型配准精度更高，并可有效减少形变配准后图像的不真实褶皱程度。进一步，在大形变肺部4DCT数据集DIR-Lab上进行无监督的迁移学习训练和测试本文提出的多级串联配准网络，实验结果验证了多级串联网络配准模型对大形变图像配准的可行性。
近年来，随着深度学习在各个领域的应用，在图像配准任务上，基于深度学习的图像配准也验证了它的优越性，在达到传统图像配准方法相当的配准效果的同时，成几个数量级的减少了配准时间。在脑部MR图像和肺部4DCT图像配准任务上，本文提出了基于多级串联深度卷积神经网络的图像配准模型，能够无迭代的预测配准图像之间的空间变换关系，不仅解决了传统配准方法配准时间长的问题，而且提高了配准精度。同时，采用无监督迁移学习，无需提供大量的人工标注图像配准金标准。
本文研究的主要内容如下：
(1)多级深度网络配准方法：根据基于卷积神经网络的医学图像配准模型和多阶段配准思想，提出了多级网络配准模型。该模型首先对参考图像和待配准图像进行粗配准，通过卷积神经网络学习形变场，再由待配准图像进行空间变换得到配准后图像。第二级配准网络输入为参考图像和上一级配准后图像，再进行精细的配准。最后一级学习的形变场为参考图像和待配准图像之间的空间变换关系。
(2)多级串联深度网络配准方法：改进多级网络配准模型，提出了多级串联网络的配准模型。该模型先通过串联多个相同结构、不同参数(可学习)的深度卷积网络，端到端地学习待配准图像之间多个小的形变场，再通过逐级叠加这一系列的小形变场得到待配准图像之间的最终大形变场，实现大形变图像的配准。同时，通过形变场雅可比行列式正则项，减少配准后图像的不真实褶皱。
(3)无监督迁移学习方法：在三维脑部MRI数据集ADNI上无监督地训练和测试本文提出的医学图像配准网络模型，实验结果表明，多级网络配准模型和多级串联网络配准模型都可提高配准后多个脑部组织器官的平均相似性Dice系数值，但多级串联网络配准模型配准精度更高，并可有效减少形变配准后图像的不真实褶皱程度。进一步，在大形变肺部4DCT数据集DIR-Lab上进行无监督的迁移学习训练和测试本文提出的多级串联配准网络，实验结果验证了多级串联网络配准模型对大形变图像配准的可行性。