导读:本文包含了医学图像配准和融合论文开题报告文献综述及选题提纲参考文献，主要关键词:机器学习,医学图像处理,分割,配准
医学图像配准和融合论文文献综述
左振宇[1]（2019）在《基于机器学习的医学图像分割、配准、融合及去噪》一文中研究指出很多机器学习算法已经被应用于医学图像处理。为了进一步处理医学图像,使得医学图像的分割质量好、配准效果好、融合效果佳、含噪量低,本文结合机器学习原理,改进传统医学处理方式,针对常见的四种医学图像,分别从图像分割、融合、配准和去噪等四个方面进行阐述。结果表明机器学习在医学图像中的应用,大幅改进了图像处理的效果、提高了图像的精度,为医生分析病情和手术操作提供更高的可靠性。(本文来源于《电子设计工程》期刊2019年17期）
黄剑峰,廖建敏[2]（2015）在《基于最大互信息的CT/MRI脑部医学图像配准及融合》一文中研究指出介绍一种基于小波分解的多模态脑部医学图像配准技术,并对图像配准相关的关键技术进行研究,包括不引入新灰度值、保持直方图曲线光滑的PV插值算法。CT/MRI图像配准结果证明:这种基于最大互信息的多模态图像的配准方法具有稳健、自动、准确等特点。(本文来源于《轻工科技》期刊2015年11期）
李艳娟,陈冬,仉俊峰,赵庚寅[3]（2015）在《基于PSO和互信息的小波医学图像配准及融合》一文中研究指出针对医学图像配准问题,首先给出图像互信息的定义及详细的计算方法,并将其与粒子群优化算法相结合,作为粒子群优化算法的适应度计算函数,实现基于粒子群优化和互信息的多模医学图像配准。并将基于提升格式的二代小波应用于参考图像和配准后的浮动图像,实现二者的多尺度图像融合,从而构建基于粒子群优化和互信息的小波医学图像配准及融合系统。实验表明该系统可以快速、精确且不需要人工干预地实现两幅图像的配准和融合。(本文来源于《黑龙江工程学院学报》期刊2015年05期）
崔巧玉[4]（2014）在《基于多模成像的医学图像配准及融合》一文中研究指出随着科技的进步,医学成像设备也得到了快速发展,从而使医学领域也出现了不同模态的图像,不同模态成像能够反映生物体结构或功能方面的不同信息,通过对多模态影像进行准确配准与融合,可为疾病的检测与诊断提供更多有用信息,由此,图像配准融合也应运而生。这一技术实现了不同模态图像信息的互补和综合,为医师进行诊断提供了临床可靠依据,同时也大大提高了诊断和治疗过程的精度和效率。本文实验中所使用的数据来自小猪心脏的CT成像,PET成像以及CTA成像。CT成像和CTA成像主要显现小猪心脏的解剖结构特征,不同的是CTA则是采集数据前给小猪血管注射了一定量的造影剂,可以更清楚地显现小猪的血管成像。而PET成像主要显现小猪的心肌功能代谢情况,可以反映出小猪心肌部位的受损状况。本文目的是实现基于多模的医学图像配准融合,在医学领域,由于不同模态间成像原理,使得不同成像显现各自的特征,例如CT成像本身具有较高的分辨率并且可以提供丰富的解剖结构信息,而PET成像则显现组织部位的代谢,病变等功能信息,如果将多种同源图像信息综合在一幅图像上,则可方便医师对病情的诊断,目前同机融合技术需要对患者进行两种设备的扫描,从而带来额外的痛苦(如注射造影剂给身体带来的射线影响),再加上采集数据的过程要求患者数小时保持不动,通常情况下也是非常困难的,所以就目前而言,医学上更倾向于异构图像融合技术,从而也使多模图像配准融合变得更为重要。考虑不同模态成像的特点以及数据采集时的参数问题,直接将PET,CTA进行配准相对比较困难,在本文的工作过程中,采用将CT作为桥梁,实现PET和CTA的图像配准融合,完成解剖和功能成像的信息融合。论文的主要内容如下:为实现猪心脏解剖与功能成像的准确融合,在配准过程中,首先实现PET和CT图像的同机配准融合。其次对CT和CTA进行刚性配准,这里使用手工选取标记点匹配的特征提取方式来得到变换过程的参数,并实现图像之间的配准。在CT与CTA初步的刚性配准基础上,对CT和CTA的局部区域进行基于B样条的弹性配准,以进一步校正心脏部位的形变,减少配准误差。完成上述操作后,基于获得的PET-CT与CT-CTA变换参数,实现CTA和PET的最终配准。同时,在配准过程中,对配准后不同模态图像的信息进行了融合操作。在论文的最后部分,给出了叁组序列配准结果的性能分析。论文提出了一种以CT-PET配准融合为基础,实现PET和CTA异机配准融合的解决方案,实验表明以CT为桥梁的异机图像配准融合方法适合实际的医学研究应用,该方法实践上也可行,配准过程比较客观而且复用性也比较好,通过配准融合后的结果也提供了更丰富的医学诊断信息。(本文来源于《西安电子科技大学》期刊2014-12-01）
王雷[5]（2013）在《多模态医学图像配准与融合关键算法研究》一文中研究指出现阶段，对医学图像来说，解剖图像(如CT、MRI)的分辨率较高，能清晰地提供器官的解剖形态，但无法反映器官的功能变化；功能图像(如SPECT、PET)能准确地提供器官的新陈代谢信息，但因其分辨率较低而无法显示器官或病灶部位的解剖细节。单独使用某一种模态的图像都不能同时获得这两种模态图像的完整信息。多模态医学图像配准与融合技术是解决上述问题的最佳途径，它为医疗人员利用不同模态的医学图像中包含的解剖信息和功能信息提供了一种简单有效的方式。传统的多模态医学图像配准与融合方法虽然取得了巨大成功，但是还存在如下主要问题：首先，由于图像模态间的差异，导致已经相当成功的单模态图像配准方法不能直接应用于多模态配准领域，这主要是由单模态图像配准中使用的基于图像灰度值的目标测度函数造成的。基于灰度值的目标测度函数具有形式简洁、优化过程简单易实现、运算速度快的优点，但它们不能充分描述配准过程中多模态图像间的差异。虽然一些基于灰度分布的目标测度函数被提出，如互信息、熵等，但它们的形式过于复杂，没有考虑图像的空间特征信息，导致优化过程易陷入局部极小值，算法的鲁棒性不高。因此，如何使多模态医学图像配准方法能利用单模态医学配准方法中的快速、简单、高效的相似测度函数以提高配准的准确性和鲁棒性仍有待研究。其次，在多模态医学图像融合领域，基于小波变换的融合方法取得了巨大成功，但是小波变换仅能够较好地表示待融合图像中的点特征而不能很好地表示图像中的线、轮廓等高维特征。虽然一些新颖的多尺度几何变换工具，如轮廓波变换，被引入到多模态医学图像融合中，但它们都有其自身的缺点。如何更有效地表示待融合图像中的高维特征对提高融合性能至关重要。再次，现有的基于多尺度几何变换的多模态医学图像融合算法都是假设子带统计无关的。它们仅仅是直接对单个系数进行运算，并没有考虑不同子带系数间的统计相关性问题。缺少子带间的统计相关性，易造成重要的特征信息不能成功地转移到融合图像中。最后，现有的大多数多模态医学图像融合算法都是在低维空间中提出的，很少有人给出高维空间中的多模态医学图像融合结果。本文针对上述四个问题进行了研究，提出了一系列改进算法，取得了更好的实验结果。论文的主要研究内容包括：首先，基于图像的局部特征描述子，提出了医学图像的局部特征描述子模态映射概念。局部特征描述子模态映射能够将多模态医学图像映射为同一种模式或者近似的同一种模式，弥合了多模态医学图像配准算法与单模态医学图像配准算法间因图像模态差异而存在的鸿沟。局部特征描述子模态映射的主要优点是不仅利用了图像的灰度信息，而且充分利用了图像中各个像素点的位置、尺度、方向等信息。因此，借助于这个模态映射，单模态医学图像配准中常用的相似测度函数可以应用于多模态图像配准中，在它们之间搭建起了一座桥梁，各取所长，提高了配准的鲁棒性和准确度。其次，分析了传统的多模态医学图像融合方法中广泛使用的多尺度几何变换工具的优缺点，例如小波变换、轮廓波变换等。为了更好地表示待融合图像中的高维特征信息，提出了基于平移不变剪切波变换(Shift-invariant shearlet transform, SIST)的多模态医学图像融合算法。再次，针对传统的基于多尺度几何变换的多模态医学图像融合算法丢失子带相关性的缺点，研究了平移不变剪切波的高频子带系数的统计性质，分别提出了平移不变剪切波域的隐式统计相关模型和显式统计相关模型。为了充分利用这种捕获的统计相关性，在图像融合过程中提出了相应的嵌入统计相关性的融合规则。最后，研究了叁维(Three-dimensional,3D)平移不变剪切波理论，揭示了3D平移不变剪切波高频子带系数的统计特性和子带相关性，提出了基于3D平移不变剪切波变换的多模态医学图像融合算法。针对传统的基于局部计算的融合规则的缺点，利用Kullback-Leibler Distance (KLD)的非对称性质，提出了从全局到局部(Global-to-Local)的多模态医学图像融合规则。(本文来源于《华南理工大学》期刊2013-12-10）
常伯乐[6]（2013）在《医学图像配准和融合的研究》一文中研究指出近年来,医学的快速发展,推动了医疗图像的广泛应用。不同的医学图像承载了人体相关器官的不同信息,互为补充,成为临床诊断和治疗的重要参考。在临床上,为了获得病灶组织更为精准的图像信息,常常需要对多种医学图像进行综合分析。因此,医学图像的融合就显得尤为重要,它通过减少图像间的冗余信息增加互补信息以获得更为可靠、全面的融合结果。医学图像配准是融合的前提,它将直接影响最终融合效果。本文从介绍医学图像配准的意义和发展现状出发,分析了配准的基本原理和具体的实现过程,研究了基于互信息的医学图像配准方法。深入讨论了互信息配准方法的中插值方法、搜索算法对配准的影响。针对互信息医学图像配准方法易陷入局部极值问题,提出了改进的部分体积(Partial volume, PV)插值算法,并在图像互信息引入梯度信息,进一步提高了图像配准的准确性。为提高配准速度,本文采用矩和主轴法进行图像的初配准。多组图像配准实验证明,改进后的配准方法能较准确地实现医学图像的配准。对于配准后的图像,本文提出了基于参数化对数图像处理(Parameterized of Logarithmic Image Processing, PLIP)模型和离散小波变换的医学图像融合方法。PLIP模型通过定义一组参数化非线性运算替代图像的线性运算,对灰度值直接操作,适用于非线性的图像处理算法,特别是图像增强、边缘提取和图像修复。离散小波变换具有时—频聚焦性,对PLIP算法处理后的图像进行小波变换可得到不同分辨率和多方向性的小波子带,为不同子带图像融合提供可能。针对小波子带系数融合规则,本文提出了基于人眼视觉的权重选择方法和区域方差、加窗一致性检验选择方法,分别对低频子带和高频子带进行系数融合。然后经过小波逆变换和PLIP模型逆运算得到融合后图像。通过仿真实验证明,本文提出的基于PLIP模型和离散小波变换的图像融合方法融合效果较好,满足人眼的可视性要求。(本文来源于《郑州大学》期刊2013-05-01）
王玉,王明泉,张志杰[7]（2013）在《多模态医学图像配准和融合算法研究》一文中研究指出由于成像机理不同和人体组织结构的高度复杂性,单模态的医学图像不能提供医生所需要的足够信息,因此对于多模态医学图像的配准和融合有着十分重要的意义。基于此以互信息作为相似性测度,改进单纯形法为最优化算法对CT和MRI图像进行配准。采用了小波变换对图像进行融合。高频部分,取两幅图像小波系数矩阵对应元素的最大绝对值构造小波系数矩阵;低频部分,采用了基于领域像素相关和基于区域方差相结合的融合策略。结果表明,融合图像清晰,细节丰富,相对位置准确,反映了原始图像中更为全面的、互为补充的多重信息。(本文来源于《山西电子技术》期刊2013年02期）
李玮琳[8]（2013）在《医学图像配准与融合算法研究》一文中研究指出图像融合是近年来图像处理和机器视觉领域人们重点研究的一个方向。特别是在医学领域,为了能让医生更直观更准确地对病灶进行判断和治疗,往往需要将来自不同成像设备的医学图像进行综合分析。而医学影像的成像原理,影像特点等都各不相同,例如,CT,它的密度分辨率极高,图像逼真清晰,解剖关系明确,对病变的定位和定性好,易于显示腹内实质性脏器的组织结构,但是含有放射性,空间分辨率较差,曝光时间长,易产生伪影。而MRI,它对脑和软组织成像分辨率极佳,多方位,多参数成像,具有流空效应,能对血管进行检查,可进行形态学,组织化学和生物化学方面的研究,但是钙化特征成像效果差,扫描信号采集时间长,危重症病人不能进行检查。通过对CT影像和MRI影像进行融合,为医生提供了更直观,更全面的生理信息,给病变的判断和治疗带来了帮助。本文首先基于互信息理论,提出了基于二阶互信息与8邻域方差相结合的医学图像配准方法,并和传统的一阶与二阶互信息配准方法的实验结果进行比较,新方法误差更小,配准精度更高。然后,基于小波变换理论,提出了一种新的基于平移不变小波变换的医学图像融合算法。利用平均梯度和方差两个指标来指导低频分量的融合；对于高频分量采用基于梯度能量比加权的融合规则。实验结果表明,与传统的小波变换方法相比,此方法能够充分地将两种不同模式的信息融合在一起,很好地保留原始图像的重要特征,融合图像包含更丰富、更全面的细节信息,有效提高了医学图像融合的信息量。(本文来源于《长春工业大学》期刊2013-04-01）
杨慧[9]（2012）在《融合特征和多尺度信息的医学图像配准》一文中研究指出医学图像配准是现代医学图像处理的关键技术，是医学信息融合的基础和前提。配准速度和精度一直是研究的主要目标。本文首先研究了两类医学图像配准技术：基于特征的配准方法和基于小波变换的配准方法，然后提出一种新的医学图像配准方法：融合图像特征和多尺度信息的医学图像配准方法。基于特征的图像配准，从特征点入手，利用相似性测度和一维搜索算法，进行特征点匹配，得到图像的配准参数。由于特征点远远少于图像像素点个数，因此它是种有效的图像粗配准方法。基于小波变换的图像配准，主要使用不同层次的子图像的特征信息，利用相似性测度和优化算法，寻找最佳的配准参数。融合特征和多尺度信息的医学图像配准方法包括基于特征的粗配准和基于小波变换的精细配准两个部分。在基于特征的粗配准过程中，首先用Harris算子对两幅图像提取角点，同时采用Canny算子提取这两幅图像的边缘特征，然后根据边缘特征，计算两幅图像的中心坐标和平移量，利用主轴法来完成第一次粗配准。根据第一次粗配准中得到的配准参数，再把由Harris算子得到的角点进行第二次粗配准。在精细配准过程中，首先对两幅待配准的图像进行两次小波变换，把两次小波变换中获得的低频子图像作为配准对象，利用粗配准过程中得到的配准参数，初始化Powell算法的初始搜索方向，并以互信息作为相似性测度，从第二级小波变换的低频图像开始配准，然后再对第一级小波变换图像进行配准，最后再对原始图像进行一次配准得到最终的配准结果。实验结果表明，由于有效的利用了图像的特征信息和多尺度信息，并把互信息作为相似性测度，以Powell算法为优化算法，对待配准的两幅图像由粗到细，逐层进行配准，因此，融合特征和多尺度信息的配准方法可以使得医学图像配准结果达到亚像素级，而且在带有噪声的情况下也可以取得较好的配准结果。(本文来源于《东北石油大学》期刊2012-06-15）
姚丽莎[10]（2011）在《多模医学图像配准与融合的研究与实现》一文中研究指出上个世纪以来,医学成像技术从原来的静态信息发展到动态信息,从原来的形态信息发展到包含了人体的功能信息,从平面成像发展到立体成像。医学成像技术这样的发展过程也促进了医学诊断技术的发展,为医生诊断提供了更全面的图像信息。不同医学成像模式有着各自不同的特点并呈现人体各部分不同特征信息。不同的成像模式同时又互相弥补对方的不足。因此,单模态图像不能完整地反映人体的信息。为了更完整更全面地反映人体各个部位的形态和功能信息,有必要将不同医学成像设备获得的多模态图像进行融合,得到更全面更可靠的图像信息,以辅助医生完成临床诊断。由于不同医学成像模式的成像特点不同,为了综合各种成像模式的特点,要将不同模态的图像提供的信息进行融合,在进行图像融合之前首先要使得不同图像在空间上达成一致,使不同图像完成空间位置和解剖结构的统一,即图像配准。因此,医学图像配准是实现医学图像融合的关键技术,对临床医学诊断有着非常重要的意义。本文对多模态医学图像配准与融合的相关技术进行研究和算法实现,论文的主要工作如下：1.对医学图像配准技术进行分析,明确研究目的、研究背景及意义,总结了该领域国内外的发展现状。2.详细介绍了医学图像配准方法及其分类,从配准空间变换方式、图像插值方法、优化策略和相似性度量方法等方面对医学图像配准进行了分析。讨论了医学图像融合的步骤和评价标准,并对医学图像融合的分类和方法进行了阐述。3.针对目前基于互信息图像配准的局部极值问题,提出了一种改进的人工鱼群算法和Powell算法结合的多分辨率医学图像配准算法。该算法采用新的相似性测度方法即归一化模糊加权互信息和归一化局部能量加权匹配度,利用多分辨率策略,采用HPV插值,并采用改进的人工鱼群算法结合Powell算法完成MRI和CT图像的配准。采用改进的人工鱼群算法在图像的最低分辨率上进行全局优化,以全局最优值为初始值,结合Powell算法完成图像配准。这不仅基本解决了互信息函数和Powell算法的局部极值问题,还减少了数据的处理量,加快了配准速度。实验结果表明,文中算法与其他经典的配准算法相比,提高了配准的精确度和性能。4.为了更好地对CT和MRI图像进行融合,提出了一种指数型模糊加权熵自适应融合规则和改进的PCNN区域信息融合规则在多小波基的框架下进行CT和MRI医学图像的融合方法。首先对待融合图像进行多小波基的分解,然后对不同频率分量采用不同融合算法。该方法能够明显提高图像的清晰度,较大程度保留了图像细节信息,具有边缘信息突出,亮度对比度高的优点。(本文来源于《安徽大学》期刊2011-05-01）
医学图像配准和融合论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
介绍一种基于小波分解的多模态脑部医学图像配准技术,并对图像配准相关的关键技术进行研究,包括不引入新灰度值、保持直方图曲线光滑的PV插值算法。CT/MRI图像配准结果证明:这种基于最大互信息的多模态图像的配准方法具有稳健、自动、准确等特点。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
医学图像配准和融合论文参考文献
[1].左振宇.基于机器学习的医学图像分割、配准、融合及去噪[J].电子设计工程.2019
[2].黄剑峰,廖建敏.基于最大互信息的CT/MRI脑部医学图像配准及融合[J].轻工科技.2015
[3].李艳娟,陈冬,仉俊峰,赵庚寅.基于PSO和互信息的小波医学图像配准及融合[J].黑龙江工程学院学报.2015
[4].崔巧玉.基于多模成像的医学图像配准及融合[D].西安电子科技大学.2014
[5].王雷.多模态医学图像配准与融合关键算法研究[D].华南理工大学.2013
[6].常伯乐.医学图像配准和融合的研究[D].郑州大学.2013
[7].王玉,王明泉,张志杰.多模态医学图像配准和融合算法研究[J].山西电子技术.2013
[8].李玮琳.医学图像配准与融合算法研究[D].长春工业大学.2013
[9].杨慧.融合特征和多尺度信息的医学图像配准[D].东北石油大学.2012
[10].姚丽莎.多模医学图像配准与融合的研究与实现[D].安徽大学.2011