医学图像配准方法分类及现状

医学图像配准是医学图像融合的前提，是目前医学图像处理中的热点，具有重要的临床诊断和治疗价值。依据7个标准对医学图像配准方法进行了分类，然后从3个方面综述了目前的一些主要的医学图像配准方法，如矩和主轴法、互信息法和相关法等。由于医学图像配准是一项比较复杂和困难的课题，尽管目前已提出许多算法，但并没有一种配准方法能在各个方面都达到理想要求，因此不得不在精确度、速度、自动化程度等方面加以取舍。随着计算机技术和医学成像技术的发展，医学图像的配准技术也一定会得到快速发展。     

粗细结合的医学图像配准的互信息方法

对医学图像的配准方法进行了研究,提出了一种粗细结合的医学图像配准的互信息方法.该方法首先根据图像特征选择采样间隔对图像进行粗配准,直到采样间隔为0,接着再在小范围内,使用互信息的方法进行细配准,确定最终的配准参数.该方法不仅提高了使用互信息测度进行图像配准的速度,而且与等间隔采样相比,有更好的互信息平滑性能,为进一步寻找最优配准参数提供了方便.理论分析与实验结果表明,该方法对医学图像的处理有很好的效果.     

一种非刚性医学图像的点配准方法

提出了一种具有鲁棒性的进行非刚性医学图像点配准的新方法。为了更好地处理点配准中的冗余点问题，对冗余点进行了建模，在此基础上对点配准能量函数进行了改进。使用确定性退火优化算法对改进后的能量函数进行最优化从而得到配准的非刚性变换，避免了优化过程中出现的局部极小值解。该方法能有效地处理冗余点。抗噪声能力较强，可以很快地配准带有噪声且有冗余点的非刚性医学图像。使用薄板样条对三维腹部医学图像进行全局弹性配准，实验结果显示配准的精度可以达到亚像素精度。     

基于深度学习的医学图像配准研究进展

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。     

一种利用互信息的多核并行医学图像配准算法

分析了利用互信息作为相似性测度进行医学图像配准的算法,给出了具体计算流程.针对其中互信息计算量大、耗时长的缺点,提出了一种运行于单机多核平台的快速并行配准算法.利用OpenMP(open multi-processing)构建了一个图像匹配的多核并行计算平台,并对配准程序中的互信息计算进行并行处理,最后完成配准.通过对图像匹配算法效率进行的评估实验,验证了多核并行计算技术能够提高医学图像配准的运行效率.结果表明,该方法既保证了配准精度,又能够较好解决配准速度慢的问题.     

多模态医学图像融合技术综述

介绍了医学图像融合的级别和方式,重点对目前国内外医学图像配准和融合的技术与方法进行了阐述,最后提出了在医学图像融合技术研究中的几个热点问题.     

群搜索算法与Powell法结合的医学图像配准

为了实现医学图像的快速准确配准,提出了基于群搜索算法,以及群搜索算法与Powell法相结合的医学图像配准算法,并以互信息作为图像配准的相似性测度,使用群搜索算法、群搜索与Powell法相结合的方法在指定的搜索空间求解配准所需的空间变换参数,从而实现图像的配准.实验结果表明:群搜索算法能够成功实现医学图像配准,与粒子群算法相比,群搜索算法用于医学图像配准能够得到更高的配准精度;群搜索算法与Powell法结合,能够在减少目标函数计算次数的基础上,极大地提高图像配准的精度.     

基于边缘检测和最大互信息的医学图像配准算法

在临床上,使用多种成像技术并适当地将其加以融合,可为临床诊断和手术治疗提供更加全面准确的信息.而图像配准是融合技术中需要先期解决的问题,也是融合的关键部分.本文提出了一种基于DSP的医学图像配准问题的研究与实现的方案.该方案首先采用TI公司的高性能多媒体数字信号处理器DM642获取实时医学图像,再用配准算法验证其获取的实时医学图像配准的可行性.并采取了基于轮廓提取和最大互信息的方法进行图像配准,克服了互信息单一的利用图像灰度信息的局限性,将边缘检测与互信息相结合,较准确地完成图像配准任务.     

模糊规则自适应学习的弹性图像配准

针对弹性图像配准的特点和挑战,基于模糊逻辑推理规则构建了一个具有自适应功能的弹性变换模型.进一步地,提出了一种具有自适应学习功能的自动弹性图像配准方法.通过对医学图像进行配准试验来测试其性能,提出的新弹性图像配准算法显示出了很好的性能.     

加快寻优的医学图像互信息配准算法的研究

为了实现多模态医学图像的配准融合,提出一种加快寻优的医学图像互信息配准算法实现CT和MR图像的配准.该算法首先使用形态学方法提取图像的边界,再用力矩主轴法算出浮动图像进行刚性变换的初步平移量和旋转量,然后以此作为互信息法的初始参数进行寻优,找出最佳变换,实现CT和MR医学图像的自动刚性配准.该方法计算简单、运算量少.利用该配准算法实现融合的结果图像经过临床医生检验,认为达到临床诊断的要求,能辅助临床医生对疾病做出正确的诊断.     

图像分割技术在医学图像处理中的应用研究

图像分割是图像处理、图像分析的关键步骤,而医学图像分割是图像分割的一个重要的应用领域,也是一个经典难题。从应用的特定角度,论述了医学图像处理中图像分割的几种算法,对近年来医学图像分割的新方法或改进算法进行了阐述,并简要介绍了每种算法的特点及应用。     

三维多模医学图像配准系统的设计

在基于体素灰度的医学图像配准领域，采用全新的相关比相似性测度作为配准的测度准则，对多分辨率加速配准方案中涉及的几何变换选取、重采样、多分辨率体数据表达及最优化方法进行了设计分析。利用文中提出的多分辨率配准系统，对磁共振图像（MR）和CT、MR和正电子发射断层扫描（PET）临床医学图像进行配准，得到了较满意的效果，配准速度有了很大的提高。     

医学图像融合技术研究综述

介绍医学图像融合的意义和医学图像融合的方式，提出图像数据转换，图像数据相关，图像数据库和数据理解是实现医学图像融合需要解决的关键技术和技术难关，重点介绍图像配准的方法及其研究现状，并结合作者的经验，分析如何利用小波变换技术对图像进行信息融合，直观地从整体上阐述医学图像融合技术。     

基于小波变换的医学解剖与功能像融合新算法

摘要： 近年来,用于从多模医学图像数据中挖掘有用信息的融合算法不断被提出。但是,还没有一种合适的算法用于医学解剖和功能像的融合。基于此,提出一种基于小波变换的新方法,用于医学解剖和功能像的融合。选择高频系数时,通过计算各子图像的全局梯度来实现高频信息的融合,使融合后的图像较好地保留解剖结构所对应的功能信息;低频系数采用基于邻域能量的融合算法,保留解剖图像的边缘和纹理特征。实验结果和评价参数表明,这种改进的医学图像融合算法强化了融合图像的边缘和纹理特征,有效地保留了原图像的解剖信息和功能信息。     

用于实现医学图像对比度增强的密文域可逆信息隐藏算法

针对现有密文域医学图像可逆信息隐藏算法存在解密图像视觉质量较低的问题,提出了一种基于差值直方图平移的密文域可逆信息隐藏算法。首先,发送方采用具有同态密文比较性质的加密算法对原始医学图像进行加密,从而保证医学图像的隐私内容不被泄露。然后,嵌入方利用同态性质对接收到的密文图像计算差值直方图,并通过平移差值直方图在密文图像中嵌入信息。为了获得较大的嵌入率,嵌入方可对密文图像进行多轮次信息嵌入。最后,接收方根据拥有的密钥种类对接收到的含有嵌入信息的密文图像进行信息提取、图像解密和图像恢复。实验结果表明,本文算法提升了解密医学图像的视觉质量,同时具有较高的嵌入率和安全性。     

医学图像三维重建方法的研究与实现

介绍了医学图像三维重建的分类及其重建方法与基本原理,对医学图像三维重建的方法作了归纳,最后详细地介绍了离散Marching Cubes算法的机理与实现过程.     

医学图像分割算法分类及特点

医学图像分割技术是医学图像处理与分析领域的重要课题之一,也是近年来备受研究人员关注的热点问题。医学图像分割的目的是把图像中具有特殊含义的不同区域分割歼来,并使分割结果尽可能的接近解剖结构,从而为临床诊疗和病理学研究提供可靠依据。由于人体解剖结构的复杂性、组织器官形状的不规则性及个体之间的差异性,一般图像分割方法直接应用于医学图像并不能得到理想分割效果为此必须寻找一种有效的医学图像分割方法。     

Content-based retrieval based on binary vectors for 2-D medical images

In medical research and clinical diagnosis, automated or computer-assisted classification and retrieval methods are highly desirable to offset the high cost of manual classification and manipulation by medical experts. To facilitate the decision-making in the health-care and the related areas, in this paper, a two-step content-based medical image retrieval algorithm is proposed. Firstly, in the preprocessing step, the image segmentation is performed to distinguish image objects, and on the basis of the segmentation results, the boundary of each object is extracted to simplify each object feature space; and then in the second step, the binary vector for each object is generated to record their spatial information; and based on these local binary vectors, the global image vector is obtained. The proposed algorithm provides potential method for large image database retrieval and browsing.