發(fā)布時間：2021-11-04 04:52

　　目的現(xiàn)有的醫(yī)學圖像配準算法在處理較大非剛性形變的醫(yī)學圖像時,存在配準精度低和泛化能力不足的問題。針對該問題,提出結(jié)合密集殘差塊和生成對抗網(wǎng)絡（generative adversarial network, GAN）的圖像配準方法,用于多模態(tài)醫(yī)學圖像的非剛性配準。方法將密集殘差塊引入到生成器,提取待配準圖像對的更多高層特征,從而提高配準精度;在GAN中采用最小二乘損失代替邏輯回歸構(gòu)造的交叉熵損失,由于最小二乘損失的收斂條件更嚴格,同時能緩解梯度消失和過擬合,從而提高配準模型的穩(wěn)定性;在判別器網(wǎng)絡中引入相對平均GAN（relative average GAN, RaGAN）,即在標準判別器的基礎上增加一項梯度懲罰因子,降低判別器的判別誤差,從而相對減少配準模型的配準誤差,有助于穩(wěn)定配準精度。結(jié)果在DRIVE（digital retinal images for vessel extraction）數(shù)據(jù)集上進行訓練和驗證,在Sunybrook Cardiac數(shù)據(jù)集和Brain MRI數(shù)據(jù)集上進行泛化性能測試,并與幾種主流醫(yī)學圖像非剛性配準算法進行對比實驗,表明,本文配準模型在精度和泛化能力上... 

【文章來源】：中國圖象圖形學報. 2020,25(10)北大核心CSCD

【文章頁數(shù)】：13 頁

【部分圖文】：

本文配準模型結(jié)構(gòu)

以Mahapatra等人(2018)方法為基礎,用最小二乘法損失替換其用邏輯回歸構(gòu)造的交叉熵損失。如圖7所示,隨著迭代次數(shù)的增加,本文配準模型的Dice值逐漸遞增,變化幅度相比Mahapatra等人(2018)更加平穩(wěn),本文最佳迭代次數(shù)為80 000;Mahapatra等人(2018)方法的最佳迭代次數(shù)為100 000。故本文方法能夠促進配準模型更快、更穩(wěn)定地收斂。圖6 不同配準方法驗證集獲取的實驗結(jié)果

圖5 不同模態(tài)眼底視網(wǎng)膜圖像的配準結(jié)果表2 不同配準方法的配準結(jié)果Table 2 Registration results of different methods 評估指標 配準之前 配準之后 Klein等人(2010) Sokooti等人(2017) de Vos等人(2017) Balakrishnan等人(2019) Mahapatra等人(2018) 本文算法 Dice 0.843 0.874 0.863 0.911 0.914 0.946 0.979 ErrDef 14.3 12.1 8.5 7.3 7.0 5.7 4.8 HD 11.4 9.7 7.4 5.9 5.5 4.2 3.5 MAD 9.1 8.7 8.2 5.0 4.8 3.1 2.9 MSE 0.84 0.54 0.33 0.23 0.20 0.09 0.09 注:加粗字體為每行最優(yōu)結(jié)果。

【參考文獻】：
期刊論文
[1]基于最大互信息和量子粒子群優(yōu)化算法的醫(yī)學圖像配準研究[J]. 王小根,須文波.  計算機應用研究. 2008(12)
[2]基于共生互信息量的醫(yī)學圖像配準[J]. 盧振泰,陳武凡.  計算機學報. 2007(06)
[3]非剛性醫(yī)學圖像配準研究綜述[J]. 王海南,郝重陽,雷方元,張先勇.  計算機工程與應用. 2005(11)
[4]基于互信息的2D-3D醫(yī)學圖像配準[J]. 梁瑋,鮑旭東,羅立民.  生物醫(yī)學工程研究. 2004(01)
[5]基于互信息量和模糊梯度相似性的醫(yī)學圖像配準[J]. 陳明,陳武凡,馮前進,楊豐.  電子學報. 2003(12)



本文編號：3475042