多模态医学影像的非刚体配准与多分辨率融合方法

为了利用不同模态医学影像提供的有效信息,研究了多模态医学影像的配准与融合方法。为了实现灰度、形态差异较大的多模态医学影像的空间几何匹配,提出了互信息测度下基于仿射变换的粗配准与基于B样条变换的精配准相结合的高性能配准方法,并以此为基础提出基于小波变换的多分辨率融合方法,实现了不同频带系数的差异性融合。实验结果表明,所提方法可以使多模态医学影像达到空间坐标上的配准,并实现了多模态医学影像的高质量融合。     

基于粒子群优化算法的多模态医学图像刚性配准

提出了一种基于轮廓特征点及利用PSO(粒子群优化)求解多模态医学图像自动配准新方法．首先采用数学形态学中腐蚀和膨胀算法对图像进行预处理,用区域生长法提取图像的边缘;再用subtractive聚类算法提取出轮廓特征点,将两个特征点集的均方根极小值作为配准准则,然后用PSO算法求解空间变换参数．该算法适用于多模态医学图像配准,与其他算法相比,PSO算法具有操作方便、可靠性好、不易陷入局部极值等优点。     

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.     

基于多模态特征的光鄄SAR 图像融合配准算法

针对可见光和合成孔径雷达(SAR: Synthetic Aperture Radar)图像融合问题, 在图像预处理基础上, 从像素级特征、纹理级特征及边缘轮廓特征等多模态入手, 优化现有同源图像的配准融合算法。利用改进的SURF(Speeded Up Robust Features)算子、纹理分析及轮廓提取算法, 获取待融合图像的多模态和多尺度特征。通过模糊尺度标准化, 使异源图像特征对能更好地适应特征间的差异性, 从而能进行相似性的比较, 结合模糊相关系数法, 确保配准融合的精度, 实现光鄄SAR 图像信息的有效融合。与传统配准融合方法进行比较的实验结果表明, 该算法可提高光鄄SAR 配准的精度和适应性, 使配准融合的平均准确率达到87. 7%, 可满足较高精度的配准融合需求。     

基于熵的配准测度的自动选取

 提出了基于熵的图像配准相似性测度的自动选取方法。基于熵的常用相似性测度,根据图像配准的要求提出了几种评价相似性测度性能的准则,即准确性、锐度性和快速性等。根据所提出的评价准则在MATLAB平台上对MR、CT和PET构成的单模态和多模态图像对自动选取适合的相似性测度,在低分辨率或噪声污染的情况下也选取出适合的相似性测度。实验结果验证了评价准则的可行性和有效性,避免了由于相似性测度选取不当引起的配准精度低。     

加快寻优的医学图像互信息配准算法的研究

为了实现多模念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。该办法计算简单、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。     

一种用于多模态心脏图像配准的统计形状模型构建方法

统计形状模型构建的关键在于训练集样本形状的构造和形状特征点的自动提取.针对多模态心脏图像的配准问题,提出了一种统计形状模型的构建方法.模型的构建过程主要通过图谱标签图像训练集的建立、模板标签图像形状特征点的提取和模板形状到待标记图谱形状特征点的自动传递来完成.并在此构建方法的基础上,建立左心室统计形状模型引导多模态图像配准过程.为评估构建方法的有效性,使用心脏CT和MR图像数据集进行多模态配准实验验证.结果表明,基于统计形状模型约束的方法较仅靠互信息的方法在配准精度上有明显提高.     

基于局部熵的Active Demons多模医学图像配准

针对Active Demons算法只能配准同模态图像,并且图像的灰度梯度不太明显时形变方向无法确定从而导致误配准的问题,提出了一种基于局部熵改进的Active Demons多模医学图像配准算法.该算法首先将原图像转换为局部熵图像,然后使用改进的Active Demons算法进行配准,该算法在Active Demons分母上分别加入浮动图像与参考图像的灰度梯度值平方.正则化变换时以双边滤波器代替高斯滤波器,使得图像边缘的细节信息保持较好.多模态医学图像配准的实验结果说明该方法精确度高,使图像质量得以提升.     

一种新的多模态图像集成配准方法

提出一种新的多模态图像集成配准方法。该算法是在对齐度和归一化互信息2种方法的基础上,引入图像边缘检测和均衡化,从而综合利用6种配准算法进行集成多模态图像配准。使用少数服从多数和基于可信度的加权2种集成准则,对红外热像仪图像和相应可见光图像进行实验分析,结果证明该集成配准方法准确性高,鲁棒性强,较之非集成配准方法具有明显的优势。     

基于谱聚类特征向量分析的模态划分方法

在实际生产过程中,过程数据的多模态特性会对数据建模产生一定的影响,进行模态划分有利于获取精确的模型。目前常用的模态划分方法,如k-means、c-means等聚类方法,在有过渡过程的模态划分应用中,有时不能得到理想的结果。本文提出了一种通用的模态划分方法,以谱聚类算法中相似矩阵的特征向量分析为基础,基于相似矩阵的特征向量与其所包含的聚类信息的关系,使用高斯曼哈顿距离构造模态标签,并用小窗口思想实现动态多模态过程的模态划分。通过对稳态与带过渡过程的多模态数据的实验验证了该算法的有效性。     

基于多模态医学图像的Alzheimer病分类方法

多模态医学影像信息已经在计算机辅助检测和诊断中被广泛地应用。在对Alzheimer病(Alzheimer's disease, AD)的分类与诊断中,结合多个模态医学影像的特征信息能够更加准确且全面地对同一AD主题进行分类与诊断。该文提出了一种基于卷积神经网络的模型结构,分别对AD病患的磁共振图像(MRI)和正电子发射型计算机断层显像(PET)图像进行3D卷积操作来提取各自模态的特征信息,并应用模型融合方法对模态特征信息加以融合,从而得到包含更加丰富的多模态特征信息。最后用全连接神经网络将上述提取的多模态特征信息进行分类预测。通过在AD神经影像学倡议(Alzheimer's disease neuroimaging initiative, ADNI)公开数据集上的实验结果表明:该文所提出的模型在准确率(accuracy, ACC)和曲线下面积(area under the curve, AUC)的性能评价中都取得了更加优越的结果。     

基于局部特征的多模态过程监控方法

多模态过程中各个模态均有不同的特征,因此模态数据的局部特征比全局特征更能有效、合理地表征实际化工过程。为利用多模态数据的局部特征,提出了基于数据局部特征的多模型方法(LFMM)用于多模态过程的监控。首先,离线阶段考虑到数据间的时序信息以及数据特征,利用不同时间窗内数据的变异系数(CV)完成多模态数据集的聚类;然后,考虑到不同模态的数据在空间分布上具有不同的疏密性特征,建模阶段利用局部离群因子(LOF)算法计算数据在其模态数据集中的局部密度,监控时将在线数据的局部密度作为统计特征,并构造全局概率指标用于多模态过程监控;最后,通过田纳西伊斯曼(TE)过程验证了本文方法的有效性。     

Clifford代数空间上的三维颅部感兴趣区配准

针对3D颅部医学图像配准中存在的配准精度不高、运算复杂、配准效率低等问题,在创新性地圈定了感兴趣配准区域的基础上,提出了一种基于Clifford代数的全新的几何特征轴构造方法。起初从参考模态与浮动模态中依次提取特征点,通过该特征点实现配准感兴趣区(ROI)圈定;其次利用感兴趣区的点云数据集到其质心的距离测度构造几何特征轴,并计算相应的旋转算子完成浮动模态相对于参考模态的高效、高精度配准。这样的配准方式有效地避免了多模态图像成像时配准区域非完全匹配导致的误差,并减少待处理的数据量,同时消除了无效配准区域产生的局部最优点的影响,进而降低了配准的误差。实验表明,感兴趣区处理后的待配准图像,经新算法仿真配准,能够精确地定位组织器官的三维位置,执行效率高且配准误差较小,是一种有效的3D颅部医学图像配准方法。     

基于结构特征和稀疏表示的多模态遥感图像配准研究

我校计算机与信息技术学院樊建伟博士 2020 年获批国家自然科学基金青年项目:基于结构特征和稀疏表示的多模态遥感图像配准研究.项目批准号:62002307. 随着对地观测平台和多传感器的不断应用,多模态遥感数据日益丰富,如合成孔径雷达(SAR)图像、可见光图像、红外图像等.不同模态图像间存在着一定的差异性和互补性.因此...     

一种基于DCWPSO算法与FFD模型的心脏CT序列图像配准算法

为实现心脏CT图像不同序列间的自动配准,提出了综合动态调整惯性因子权重的粒子群算法(DCWPSO)和自由形变(FFD)模型的非刚体医学图像配准方法.在对比常用的单纯形算法和模拟退火(SA)算法的基础上,采用动态调整惯性因子权重的自适应粒子群算法求解全局配准参数,克服了基于梯度的优化方法耗费时间长的缺点.在全局配准的基础上以FFD模型的形式应用层次B样条进行非刚性局部配准,利用B样条层次加细策略提高了配准的精度.实验结果表明,所提方法能够得到更好的配准结果.     

注意力机制引导的多模态心脏图像分割

为有效挖掘模态间共享与模态特有的信息,本文提出一种注意力机制引导的半孪生网络,用于分割多模态(MRI与CT)心脏图像.具体地,首先运用循环一致的生成对抗网络(CycleGAN)进行双向的图像生成(即从MRI到CT以及从CT到MRI),这样可以解决模态间心脏图像不配对的问题;其次,设计一个新的半孪生网络,将原始的CT(或MR)图像及其生成的MR(或CT)图像进行配对并同时输入,先通过两个编码器(encoders)分别学习模态特有的特征,再经过一个跨模态的注意力模块将不同模态的特征进行融合,最后输入一个公共的解码器(decoder)来得到模态共享的特征,用于心脏图像分割.上述学习过程是端到端的方式进行训练.本文将所提方法在真实的CT与MR不配对的心脏图像数据集上进行实验评估,表明所提方法的分割精度超出基准方法.     

基于体素灰度3D多模医学图像配准中的相似性测度

对基于体素灰度多模医学图像配准中广泛采用的相似性测度（SM）进行了比较研究，认为在配准条件极不理想的条件下，基于互信息（SM）、归一化互信息SN、相关比（SR）的SM是最为适用的。分析了基于SR的配准法相比于SM，易于保证配准得到全局最优变换。利用基于SR的配准方法，对磁共振（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，得到了令人满意的效果。     

基于主成分分析—神经网络的医学图像刚性配准方法(投稿)

医学图像配准在临床诊断和治疗计划中起着重要的作用。应用特征图像的第一主方向提出了自动配准计算机层析术(CT)和磁共振(MR)大脑图像的方法。方案中,先应用主成分分析-神经网络来计算特征图像的第一主方向,然后通过调整特征图像的第一主方向和质心来完成配准问题。此外,还以MR-MR图像配准和CT-MR图像配准为例,对此方法的配准效果进行了简单分析。     

基于高斯混合模型的多模态过程监测

本文针对多模态复杂过程的多变量、多工序、变量时变性以及模态转换时间不确定等多种特性,提出基于高斯混合模型的多模态过程监测算法;针对离线数据没有模态标签的问题,提出离线数据分类算法;针对在线数据无法对应模态类型的问题,提出在线数据模态识别算法.并在以上方法的基础上建立多模态过程监测模型,以连续退火机组为背景,利用实际生产...     

基于高斯混合模型的多模态过程监测

本文针对多模态复杂过程的多变量、多工序、变量时变性以及模态转换时间不确定等多种特性,提出基于高斯混合模型的多模态过程监测算法;针对离线数据没有模态标签的问题,提出离线数据分类算法;针对在线数据无法对应模态类型的问题,提出在线数据模态识别算法。并在以上方法的基础上建立多模态过程监测模型,以连续退火机组为背景,利用实际生产过程数据验证了算法的有效性。