腦功能成像中的優(yōu)化算法、模型及其應(yīng)用研究.pdf

1、人腦的高級(jí)功能是自然界中最復(fù)雜的運(yùn)動(dòng)形式之一.在人腦高級(jí)功能的研究中,需要取得人腦各個(gè)腦區(qū)在受到刺激時(shí)的反映,采用PET、SPECT、fMRI等設(shè)備可以獲得腦高級(jí)功能實(shí)驗(yàn)所需的具有較高分辨率的圖像.鑒于成像過(guò)程中不可避免會(huì)有噪音干擾和由于被試運(yùn)動(dòng)引起的影像的失真和位置的偏移,有效的信號(hào)檢測(cè)技術(shù)和圖像處理技術(shù)在研究過(guò)程中是必不可少的.腦功能成像技術(shù)是研究腦科學(xué)的重要工具,研究中通常需要將同一病人的多種模式成像結(jié)果或同一模式的時(shí)間序列結(jié)果結(jié)

2、合起來(lái)分析,首先要解決的問(wèn)題就是幾幅圖像的嚴(yán)格對(duì)齊問(wèn)題,即所謂的圖像配準(zhǔn).現(xiàn)行對(duì)醫(yī)學(xué)圖像配準(zhǔn)的研究通常是采用修正的Gauss-Newton法,通過(guò)計(jì)算需配準(zhǔn)圖像和參考圖像之間殘差平方和的極小值,得到圖像變換的最優(yōu)解.該文在傳統(tǒng)Gauss-Newton法的基礎(chǔ)上,對(duì)其進(jìn)行了改進(jìn),即在求搜索方向p時(shí),引入了一種較為實(shí)用有效的求解線性方程組的算法.該算法的引入避免了Gauss-Newton法中矩陣求逆的過(guò)程,從而避免了Jacobi矩陣奇異時(shí)的

3、舍入誤差,提高了算法的計(jì)算速度和精度.另外,針對(duì)Gauss-Newton法對(duì)迭代初值要求較高和容易陷入局部極小而達(dá)不到全局極值這些缺陷,該文對(duì)解決全局優(yōu)化效果較好的模擬退火算法進(jìn)行了相應(yīng)的討論.在該文中引入了一種改進(jìn)的模擬退火算法模型——有記憶的模擬退火算法,該算法對(duì)迭代初值要求不高并通過(guò)記憶功能有效的避免了最終解不是整個(gè)搜索過(guò)程中的最優(yōu)解的現(xiàn)象,從而提高了算法所得解的質(zhì)量.最后,該文通過(guò)實(shí)際算例對(duì)Gauss-Newton法和模擬退火兩