醫(yī)學圖像配準技術是醫(yī)學圖像處理領域中的一個非常重要的環(huán)節(jié),也是圖像精確融合的基礎。多模態(tài)醫(yī)學圖像配準將不同模態(tài)圖像之間的信息互補,可以同時給醫(yī)生提供病灶部位的功能信息和解剖信息,為輔助醫(yī)生準確診斷疾病提供有力依據(jù)。本文主要對基于圖像合成的圖像配準方法展開系統(tǒng)研究,本文工作主要包括以下幾個方面:（1）針對現(xiàn)有基于圖像合成的配準算法中合成模型魯棒性差及合成圖像特征信息表示不足導致配準精度不高的問題,提出了基于殘差密集相對平均條件生成對抗網(wǎng)絡（residual dense-relativistic average conditional generative adversarial network,RD-RaCGAN）的多模態(tài)腦部圖像配準方法。首先,結(jié)合相對平均生成對抗網(wǎng)絡中的相對平均鑒別器能夠增強模型穩(wěn)定性以及條件生成對抗網(wǎng)絡加入條件變量能提高生成圖像質(zhì)量的優(yōu)點,利用殘差密集塊充分提取深層網(wǎng)絡特征的能力,構(gòu)建RD-RaCGAN合成模型。然后,待配準的參考CT（computed tomography）和浮動MR（magnetic resonance）圖像通過已訓練好的RD-RaCGAN合成模... 

【文章來源】：中北大學山西省

【文章頁數(shù)】：77 頁

【學位級別】：碩士

【文章目錄】：
摘要
abstract
第1章 緒論
    1.1 選題依據(jù)、研究背景及意義
        1.1.1 選題依據(jù)
        1.1.2 研究背景及意義
    1.2 國內(nèi)外研究現(xiàn)狀
        1.2.1 醫(yī)學圖像配準算法分類
        1.2.2 基于圖像合成的圖像配準算法的研究現(xiàn)狀
    1.3 基于圖像合成的多模態(tài)醫(yī)學圖像配準方法存在的問題
    1.4 本文主要研究內(nèi)容及組織結(jié)構(gòu)
        1.4.1 本文主要研究內(nèi)容
        1.4.2 本文組織結(jié)構(gòu)
    1.5 本章小結(jié)
第2章 醫(yī)學圖像配準基礎理論
    2.1 醫(yī)學圖像配準基本概念
    2.2 殘差密集相對平均CGAN的圖像配準方法的基礎理論
        2.2.1 相對平均生成對抗網(wǎng)絡
        2.2.2 條件生成對抗網(wǎng)絡
        2.2.3 殘差密集塊
    2.3 基于多域邊緣感知的多模態(tài)圖像配準方法的基礎理論
        2.3.1 Sobel算子
        2.3.2 StarGAN V2
    2.4 評價方法
        2.4.1 圖像合成評價方法
        2.4.2 圖像配準評價方法
    2.5 本章小結(jié)
第3章 殘差密集相對平均CGAN的多模態(tài)腦部圖像配準
    3.1 RD-RACGAN算法網(wǎng)絡結(jié)構(gòu)
        3.1.1 生成器
        3.1.2 相對平均鑒別器
        3.1.3 最小二乘損失函數(shù)
    3.2 區(qū)域自適應配準算法
    3.3 算法流程
    3.4 實驗結(jié)果與分析
        3.4.1 數(shù)據(jù)集與實驗環(huán)境
        3.4.2 訓練過程
        3.4.3 實驗結(jié)果與分析
    3.5 本章小結(jié)
第4章 基于多域邊緣感知的多模態(tài)腦部圖像配準
    4.1 多域邊緣感知合成算法網(wǎng)絡結(jié)構(gòu)
        4.1.1 生成器
        4.1.2 多任務鑒別器
        4.1.3 映射網(wǎng)絡
        4.1.4 風格編碼器
        4.1.5 損失函數(shù)
    4.2 區(qū)域自適應配準算法
    4.3 算法流程
    4.4 實驗結(jié)果與分析
        4.4.1 訓練過程
        4.4.2 結(jié)果比較與分析
    4.5 本章小結(jié)
第5章 多模態(tài)腦部圖像配準系統(tǒng)
    5.1 系統(tǒng)設計的目的及意義
    5.2 系統(tǒng)總體設計
    5.3 系統(tǒng)模塊功能實現(xiàn)
        5.3.1 系統(tǒng)運行主界面
        5.3.2 無圖像合成的配準模塊運行界面
        5.3.3 基于圖像合成的配準模塊運行界面
    5.4 本章小結(jié)
第6章 總結(jié)與展望
    6.1 全文總結(jié)
    6.2 未來工作展望
參考文獻
攻讀碩士學位期間發(fā)表的論文及所取得的研究成果
致謝


【參考文獻】：
期刊論文
[1]殘差密集相對平均CGAN的腦部圖像配準[J]. 王麗芳,張程程,秦品樂,藺素珍,高媛,竇杰亮.  中國圖象圖形學報. 2020(04)
[2]基于機器學習的醫(yī)學圖像分割、配準、融合及去噪[J]. 左振宇.  電子設計工程. 2019(17)
[3]深度學習在醫(yī)學圖像配準上的研究進展與挑戰(zhàn)[J]. 鄒茂揚,楊昊,潘光暉,鐘勇.  生物醫(yī)學工程學雜志. 2019(04)
[4]醫(yī)學圖像配準技術[J]. 申艷平.  中國醫(yī)學物理學雜志. 2013(01)



本文編號：3171702