2023年全國碩士研究生考試考研英語一試題真題(含答案詳解+作文范文)_第1頁
已閱讀1頁,還剩108頁未讀, 繼續(xù)免費(fèi)閱讀

下載本文檔

版權(quán)說明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請(qǐng)進(jìn)行舉報(bào)或認(rèn)領(lǐng)

文檔簡(jiǎn)介

1、隨著醫(yī)學(xué)成像及圖形圖像技術(shù)的不斷進(jìn)步,該技術(shù)正在逐步滲入醫(yī)學(xué)領(lǐng)域中,開創(chuàng)了數(shù)字醫(yī)療的新時(shí)代。尤其是對(duì)核磁共振(MagneticResonance,MR)腦圖像的分析處理,具有很重要的臨床應(yīng)用價(jià)值。立體腦圖像的彈性配準(zhǔn)是該領(lǐng)域的難點(diǎn)問題,也是近幾年來醫(yī)學(xué)圖像處理技術(shù)研究的熱點(diǎn)。 縱觀現(xiàn)有的配準(zhǔn)算法,本文總結(jié)出了以下的一些不足之處:(1)幾乎所有的配準(zhǔn)算法在整幅圖像中都使用相同的圖像特征來確定兩幅圖像中點(diǎn)與點(diǎn)之間的對(duì)應(yīng)關(guān)系。但是相同

2、的圖像特征無法保證在圖像的各個(gè)局部區(qū)域都可以正確地建立對(duì)應(yīng)關(guān)系。另一方面,所有的配準(zhǔn)算法都使用相同的圖像鄰域來提取圖像特征,而忽略了圖像局部信息的空間變化。(2)現(xiàn)有的配準(zhǔn)算法依次地對(duì)圖像中的每個(gè)點(diǎn)進(jìn)行運(yùn)算,而沒有考慮到不同的點(diǎn)在配準(zhǔn)過程的各個(gè)階段具有不同的重要性。(3)以往的配準(zhǔn)算法多使用簡(jiǎn)單的各向同性的平滑項(xiàng)來規(guī)范化位移場(chǎng)。然而這種處理方法雖然簡(jiǎn)化了問題,但是由于忽視了圖像的局部信息以及位移場(chǎng)的群體信息,對(duì)配準(zhǔn)結(jié)果的準(zhǔn)確性和魯棒性有

3、很大的影響。 本論文針對(duì)現(xiàn)有的配準(zhǔn)算法的局限性,提出了一種基于機(jī)器學(xué)習(xí)的彈性配準(zhǔn)框架,即通過學(xué)習(xí)圖像樣本空間中的各種統(tǒng)計(jì)信息來改進(jìn)現(xiàn)有算法的不足之處,從而提高配準(zhǔn)算法的性能。本文的主要工作和創(chuàng)新點(diǎn)如下所述: 1.用機(jī)器學(xué)習(xí)的方法確定圖像中每個(gè)點(diǎn)上的提取圖像特征的最佳領(lǐng)域大小。首先,本文定義了每個(gè)點(diǎn)上的提取圖像特征所要求的最佳鄰域大小的標(biāo)準(zhǔn):在最佳鄰域中提取的圖像特征不僅要和周圍的點(diǎn)具有最大的差異性,而且要和樣本空間中不同

4、個(gè)體上的對(duì)應(yīng)點(diǎn)具有最大的相似性,即所謂的特征顯著性和特征一致性標(biāo)準(zhǔn)。然后,通過計(jì)算不同的圖像特征在特定鄰域內(nèi)分布的熵來分別量化上述的兩個(gè)標(biāo)準(zhǔn),同時(shí)引入馬爾可夫隨機(jī)場(chǎng)保證每個(gè)點(diǎn)上的最佳鄰域的大小具有空間連續(xù)性。最后,構(gòu)建能量函數(shù)并用基于梯度的最優(yōu)化方法得到圖像中每個(gè)點(diǎn)上計(jì)算圖像特征的最佳鄰域大小。 2.用機(jī)器學(xué)習(xí)的方法確定圖像中每個(gè)點(diǎn)上的最佳特征。首先,挑選典型的局部圖像特征構(gòu)建圖像特征集。集合中的特征不僅種類不同,而且在計(jì)算特征

5、時(shí)所用的鄰域大小也不同。然后,整個(gè)腦圖像被分為許多自相似的區(qū)域,在每個(gè)區(qū)域中用adaboost根據(jù)特征顯著性和一致性標(biāo)準(zhǔn)來學(xué)習(xí)最佳特征。為了提高訓(xùn)練算法的性能,上述的兩個(gè)步驟,即圖像劃分和特征選擇被有機(jī)地結(jié)合在一起:圖像劃分為進(jìn)行特征選擇奠定了基礎(chǔ),特征選擇反過來又可以改善圖像劃分的效果。實(shí)驗(yàn)證明用本文所提出的學(xué)習(xí)算法挑選的最佳特征是合理有效的,可以顯著地提高配準(zhǔn)過程中建立對(duì)應(yīng)關(guān)系的準(zhǔn)確程度。 3.用機(jī)器學(xué)習(xí)的方法確定圖像中的關(guān)

6、鍵點(diǎn)。在給定了最優(yōu)特征向量后,本文定義了配準(zhǔn)過程中的圖像體素點(diǎn)的重要性指標(biāo):該點(diǎn)上的最優(yōu)特征向量應(yīng)該和周圍鄰域內(nèi)的點(diǎn)具有最大的可分性,而且要和樣本空間中的對(duì)應(yīng)點(diǎn)具有最大的一致性。利用該項(xiàng)指標(biāo)可以對(duì)圖像中的體素點(diǎn)的重要性進(jìn)行評(píng)估,使得關(guān)鍵點(diǎn)集中在腦室角點(diǎn)、腦回頂端及腦溝根部等圖像信息豐富的區(qū)域。學(xué)習(xí)關(guān)鍵點(diǎn)的好處在于可以實(shí)現(xiàn)分階段層次化的配準(zhǔn),避免配準(zhǔn)算法陷入局部極值點(diǎn)。 4.用機(jī)器學(xué)習(xí)的方法分析位移場(chǎng)的統(tǒng)計(jì)信息。首先本文提出用多層

7、B樣條函數(shù)來表示整個(gè)位移場(chǎng),并通過自適應(yīng)地在圖像中放置控制點(diǎn)來克服了高維空間中訓(xùn)練樣本過少的困難。在低分辨率時(shí)由于樣條控制點(diǎn)之間的間距相對(duì)較大,需要學(xué)習(xí)的控制點(diǎn)參數(shù)維數(shù)較低,在訓(xùn)練樣本有限的情況下可以解決。在高分辨率時(shí),雖然控制點(diǎn)的數(shù)目呈指數(shù)級(jí)增長(zhǎng),但是可以根據(jù)樣條函數(shù)的已逼近程度及控制點(diǎn)在圖像中的重要性進(jìn)行取舍,從而實(shí)現(xiàn)降低統(tǒng)計(jì)模型維數(shù)的目的。其次,本文提出對(duì)每一層的B樣條控制點(diǎn)進(jìn)行主成分分析(PrincipleComponentAn

8、alysis,PCA),構(gòu)建多層次的控制點(diǎn)參數(shù)統(tǒng)計(jì)模型,學(xué)習(xí)位移場(chǎng)在不同分辨率時(shí)的統(tǒng)計(jì)信息。最后,本文提出用位移場(chǎng)的統(tǒng)計(jì)模型對(duì)位移場(chǎng)進(jìn)行合理的規(guī)范化,糾正配準(zhǔn)中可能出現(xiàn)的不正確的形變。 5.構(gòu)建于機(jī)器學(xué)習(xí)的彈性配準(zhǔn)框架。本文提出的彈性配準(zhǔn)框架分為兩個(gè)階段:學(xué)習(xí)階段和配準(zhǔn)階段。在學(xué)習(xí)階段,分別用adaboost的方法選擇最佳的圖像特征,評(píng)估體素點(diǎn)的重要性,挑選圖像中的關(guān)鍵點(diǎn),用多層的B樣條函數(shù)表示位移場(chǎng),構(gòu)建位移場(chǎng)的多層統(tǒng)計(jì)模型。

9、在配準(zhǔn)階段,先層次化地挑選關(guān)鍵點(diǎn),然后用學(xué)習(xí)到的最佳特征來更加準(zhǔn)確地建立參照?qǐng)D像和浮動(dòng)圖像間關(guān)鍵點(diǎn)的對(duì)應(yīng)關(guān)系,其余點(diǎn)的對(duì)應(yīng)關(guān)系由關(guān)鍵點(diǎn)決定。在每次迭代過程的最后,用控制點(diǎn)參數(shù)模型在不同的分辨率上對(duì)位移場(chǎng)進(jìn)行規(guī)范化。 綜上所述,本文提出了一種基于機(jī)器學(xué)習(xí)的智能彈性配準(zhǔn)框架,通過學(xué)習(xí)最佳特征、關(guān)鍵點(diǎn)及位移場(chǎng)的統(tǒng)計(jì)信息來提高現(xiàn)有配準(zhǔn)算法的精度。在該框架下,我們進(jìn)行了兩方面的應(yīng)用。首先,用學(xué)習(xí)到的最佳鄰域大小代替HAMMER算法中的固定

10、鄰域,用學(xué)習(xí)到的圖像關(guān)鍵點(diǎn)代替HAMMER中只經(jīng)過簡(jiǎn)單閾值處理得到的驅(qū)動(dòng)點(diǎn),使得HAMMER算法的性能在真實(shí)和模擬的人腦MR圖像上得到了顯著的提高。其次,我們對(duì)HAMMER算法進(jìn)行了擴(kuò)展,提出用新的統(tǒng)計(jì)學(xué)習(xí)方法對(duì)在不同鄰域內(nèi)提取的不同種類的圖像特征進(jìn)行訓(xùn)練,挑選出最佳的圖像特征,克服了HAMMER算法需要事先對(duì)圖像進(jìn)行分割的局限性。此外,我們采集了100個(gè)位移場(chǎng)作為訓(xùn)練樣本,在此基礎(chǔ)之上學(xué)習(xí)位移場(chǎng)的統(tǒng)計(jì)信息并對(duì)配準(zhǔn)過程中產(chǎn)生的位移場(chǎng)進(jìn)行

溫馨提示

  • 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請(qǐng)下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請(qǐng)聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁內(nèi)容里面會(huì)有圖紙預(yù)覽,若沒有圖紙預(yù)覽就沒有圖紙。
  • 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
  • 5. 眾賞文庫僅提供信息存儲(chǔ)空間,僅對(duì)用戶上傳內(nèi)容的表現(xiàn)方式做保護(hù)處理,對(duì)用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對(duì)任何下載內(nèi)容負(fù)責(zé)。
  • 6. 下載文件中如有侵權(quán)或不適當(dāng)內(nèi)容,請(qǐng)與我們聯(lián)系,我們立即糾正。
  • 7. 本站不保證下載資源的準(zhǔn)確性、安全性和完整性, 同時(shí)也不承擔(dān)用戶因使用這些下載資源對(duì)自己和他人造成任何形式的傷害或損失。

評(píng)論

0/150

提交評(píng)論