核磁共振（Magnetic Resonance,MR）技術(shù)已經(jīng)成為了一種常用和重要的疾病檢測技術(shù),通過核磁共振醫(yī)學影像,可以對身體重要器官及部位具有良好的診斷功能。同時,通過MR影像對人體的非均質(zhì)柔性生物組織在不同情況下的形變狀態(tài)的獲得,進行柔性體內(nèi)部變形場測量,計算非線性柔性生物組織的彈性模量及泊松系數(shù)等物理參數(shù),在計算機科學研究領(lǐng)域具有重要的理論和實踐價值。本文所研究的基于MR影像的非均質(zhì)柔性體內(nèi)部特征點的檢測與匹配是柔性生物組織變形場測量的重要步驟之一,不僅可以應(yīng)用于生物組織器官輔助診斷和分析,也可以應(yīng)用于醫(yī)學手術(shù)機器人等研究上。所研究的MR影像中大量均勻分布的特征點的提取與匹配技術(shù),在圖像拼接,目標的定位與跟蹤,三維建模等領(lǐng)域也有不同程度的應(yīng)用。以往圖像特征多為手工特征,這些設(shè)計主要依靠設(shè)計者的先驗知識,設(shè)計人員很可能忽略掉圖像某些方面的特征,因此算法的好壞在很大程度上還要依靠經(jīng)驗和運氣。目前,深度學習方法已經(jīng)應(yīng)用在很多醫(yī)學圖像處理方面,但是由于醫(yī)學圖像樣本數(shù)據(jù)量的限制,大大降低了學習性能。針對柔性生物組織內(nèi)部特征點匹配問題進行分析研究,具體內(nèi)容如下所示:1)針對非線性柔性生物... 

【文章頁數(shù)】：59 頁

【學位級別】：碩士

【文章目錄】：
摘要
abstract
第1章 緒論
    1.1 研究背景與意義
    1.2 研究現(xiàn)狀
        1.2.1 特征點的提取和描述
        1.2.2 相似性度量
    1.3 研究內(nèi)容與創(chuàng)新
    1.4 本文的章節(jié)安排
第2章 基于遷移學習的MR圖像特征點匹配
    2.1 引言
    2.2 基于遷移學習的MR圖像特征匹配
        2.2.1 CNN+體系結(jié)構(gòu)
        2.2.2 特征描述符
        2.2.3 樣本挖掘
        2.2.4 模型訓練和微調(diào)
    2.3 實驗結(jié)果與討論
        2.3.1 實驗數(shù)據(jù)
        2.3.2 系統(tǒng)環(huán)境
        2.3.3 實驗結(jié)果和分析
    2.4 本章小結(jié)
第3章 基于度量學習算法的MR圖像特征點匹配
    3.1 引言
    3.2 全局度量學習
    3.3 局部度量學習
    3.4 全局和局部相結(jié)合的度量學習
        3.4.1 特征點的提取和表達
        3.4.2 全局和局部相結(jié)合的度量學習
    3.5 實驗結(jié)果與討論
        3.5.1 實驗數(shù)據(jù)
        3.5.2 實驗結(jié)果和分析
    3.6 本章小結(jié)
第4章 基于深度度量學習的MR圖像特征點匹配研究
    4.1 引言
    4.2 基于深度度量學習的MR圖像匹配研究
        4.2.1 整體模型
        4.2.2 深度提取網(wǎng)絡(luò)
        4.2.3 樣本挖掘
        4.2.4 Center Loss代價函數(shù)
        4.2.5 特征描述符度量學習
    4.3 實驗結(jié)果與討論
        4.3.1 實驗數(shù)據(jù)
        4.3.2 實驗結(jié)果分析
    4.4 本章小結(jié)
第5章 總結(jié)與展望
參考文獻
附錄
致謝



本文編號：3647628