原创 医学图像配准技术研究

随着计算机技术和生物医学工程技术的飞速发展，可以通过成像设备获得多种医学图像。由于医学图像的不同模式之间像素间距和图像信息的差异，通常需要结合配准技术进行多模式医学图像分析。医学图像配准寻求最佳的空间变换，以便在给定的相似性度量下，两个医学图像的对应点可以达到空间位置和解剖位置的一致性。多模式医学图像配准技术可以为临床医务人员提供更多的病理诊断信息。目前，大多数传统医学图像配准方法都是灰度配准方法，其利用两幅图像的灰度信息来计算相似度，并通过搜索策略搜索最大相似度的变换参数来完成配准任务。互信息方法是最常见的基于灰度的注册方法之一。由于其高配准精度和强健壮性，它已被广泛应用于图像配准领域。在互信息图像配准中，有许多优化算法：遗传算法，蚁群算法，随机梯度下降法等。这些优化算法各有优缺点。前两种算法具有良好的全局搜索能力，但计算形式过于复杂，注册速度较慢。为解决传统互信息方法配准速度慢，容易陷入极值的问题，有文献把CNN引入3D图像配准任务，提出了一种基于FCN和互信息的多模态医学图像配准方法，该方法能够快速准确地获得图像配准参数。

1卷积神经网络

卷积神经网络是一种基于卷积运算的深度神经网络。它可以通过翻译，卷积和合并的特殊操作来提取和利用图像的深层信息。典型的CNN主要由输入层，卷积层，池化层，完整连接层和输出层组成。卷积层包含多个卷积核，并且通过与图像进行卷积操作来提取图像的局部特征，从而获得该层的特征图。不同的卷积核可以提取不同的图像特征，从而增加了提取特征的多样性。合并层通过提取特征图的局部最大值来减小图像尺寸并减少后续计算。通常，CNN包含几个由卷积层和下采样层组成的特征提取器。通过组合较低层的图像特征以形成较高层的抽象特征，可以提取图像的隐式特征。全连接层的功能是通过线性变换将学习到的图像特征映射到样本的标签空间，以获得最终结果。

2结论

通过相关资料显示，该算法在不同程度上提高了配准速度和配准精度，具有一定的临床应用价值。