没有合适的资源?快使用搜索试试~ 我知道了~
资源推荐
资源详情
资源评论
西北大学课程论文
摘要
为了得到大脑皮层结构与功能间的联系与区别,需要对于尼氏染色的大脑切片图像先进
行 2D 配准,再进行 3D 配准,最终得到完整的大脑三维模型。
传统的配准方法是间接利用对应的高分辨率结构图像上的解剖结构点去完成功能的配
准,但是,结构对齐并不一定意味着功能对齐。最近的研宂也表明基于深度学习的方法可以
用于图像配准,其中无监督深度学习配准方法由于不需要真实形变场而被广泛关注,但是无
监督深度学习的方法更多关注于配准图像对之间的相似度而忽略配准形变场的合理性。针对
无监督深度学习的方法存在形变场不合理的局限性,我们提出了基于3次级联多分辨率
(Multi-ResolutionNetwork,Mr-Net)的深度学习配准网络框架来实现图像的配准。
为了克服医学图像采集和传输过程中存在的图像模糊和边缘丢失现象,我们提出了一种
基于离散小波变换(DWT)和改进中值滤波器的医学图像耦合去噪方法。该方法由图像采集、
图像存储、图像处理和图像重建四个模块组成。针对大脑皮层染色图像,由于去噪后仍有伪
影存在,又添加基于三次 B 样条小波变换的图像边缘检测算法以去除伪影。
关键词:图像配准,小波变换,深度学习
西北大学课程论文
Abstract
In order to obtain the connections and differences between the structure and function of the
cerebral cortex, it is necessary to first perform 2D registration on the Nissl stained brain slice
images, then perform 3D registration, and finally obtain a complete three-dimensional model of
the brain.
The traditional registration method indirectly utilizes anatomical structural points on the
corresponding high-resolution structural images to achieve functional registration, but structural
alignment does not necessarily mean functional alignment. Recent research also shows that the
method based on depth learning can be used for Image registration, among which the
unsupervised depth learning registration method is widely concerned because it does not need the
real deformation field, but the unsupervised depth learning method focuses more on the similarity
between the registered image pairs and ignores the rationality of the registration deformation field.
In response to the limitations of unsupervised deep learning methods with unreasonable
deformation fields, we propose a deep learning registration network framework based on 3-order
Multi Resolution Network (MR-Net) to achieve image registration
In order to overcome the image blurring and edge loss in the process of medical image
acquisition and transmission, we propose a medical image denoising method based on Discrete
wavelet transform (DWT) and improved Median filter. This method consists of four modules:
image acquisition, image storage, image processing, and image reconstruction. For the dyed image
of cerebral cortex, since there are still artifacts after denoising, an image edge detection algorithm
based on cubic B-spline wavelet transform is added to remove artifacts.
Key words:Image registration, wavelet transform, deep learning
西北大学课程论文
西北大学课程论文
目录
摘要 ........................................................................................................................................................... 1
Abstract .................................................................................................................................................... 2
第一章 绪论 ............................................................................................................................................. 1
1.1 课题研究背景和意义...............................................................................................................1
1.2 国内外研究现状 .......................................................................................................................1
第二章 基于小波变换的图像去噪算法 .................................................................................................3
2.1 算法概述 ...................................................................................................................................3
2.2 改进的小波阈值算法...............................................................................................................3
2.3 改进的中值滤波方法...............................................................................................................5
2.4 算法结构 ...................................................................................................................................5
2.5 去噪结果 ...................................................................................................................................7
第三章 基于三次 B 样条小波变换的图像边缘检测算法 .....................................................................8
3.1 边缘检测原理 ...........................................................................................................................8
3.2 去伪影结果 ................................................................................................................................9
第四章 基于刚性变换的图像配准方法 ...............................................................................................10
4.1 基于点特征的配准方法 .........................................................................................................10
4.2 基于灰度信息的配准方法 .....................................................................................................10
4.3 刚体配准结果 .........................................................................................................................10
第五章 基于深度学习的图像配准方法 ...............................................................................................11
5.1 基于有监督的深度学习配准框架 .........................................................................................11
5.2 基于弱监督深度学习配准框架 .............................................................................................11
5.3 深度学习模型构建 .................................................................................................................12
5.4 配准结果 .................................................................................................................................14
第六章 讨论与展望 ............................................................................................................................... 17
参考文献 ................................................................................................................................................. 18
西北大学课程论文
1
第一章 绪论
1.1 课题研究背景和意义
人类的大脑是生物亿万年进化的结果,具有复杂和精细的体系。它作为人类最重要的器官之一,
控制着人的意识和行为。近一个世纪以来,越来越多的学者开始涉足研宄脑科学。脑科学的研究将
拓展人类对自然和自身的认识,有助于了解大脑功能和工作机制,并有利于解释精神疾病的发病机
制和病理表现,因此,对大脑的结构和功能的研究始终是自然科学研宄中最具有研宄意义的课题之
一。
图像配准又称图像匹配,它的目的是得到移动 图像与固定图像匹配过程中生成的变形场,由此
来 准确配准一对图像,并在空间上对齐解剖结构
[1]
。这些对齐的解剖结构能够充分利用不同患者图
像之间 的信息,医生可以运用这些信息对解剖结构进行比较,由此获取患者病情的信息。
而在进行配准之前,对图像的预处理也很重要,例如噪声的去除。噪声是影响医学图像质量的
重要因素之一。医学图像中的噪声对疾病的诊断,尤其是对肿瘤疾病和胎儿超声的诊断有一定的不
准确性。医学图像是医生诊断和治疗的基础,获取高质量的医学图像被认为是正确诊断的第一步。
随着医学影像技术的快速发展,出现了多种类型的医学影像 设备,并且这些设备各有所长,采
集到的医学图像差异也很大,图像信息的融合就成为迫切的需求,因此图像配准作为医学图像融合
的关键技术就成为了一个研究热点。医学图像配准是指对不同成像时间、不同人体或不同模态的 多
幅图像进行空间变换,使描述相同解剖结构的体素在同一空间 坐标下匹配对应,去除图像之间的几
何不一致性。根据研究对象 的不同,医学图像配准主要分为刚体配准和非刚体配准两种方法。
1.2 国内外研究现状
为了去除医学图像噪声,近年来发现了几种图像处理技术,如 MF(中值滤波)方法
[2]
、MW(改进维
纳)方法
[3]
、AF(平均滤波)方法
[4]
和 DWT(离散小波变换)
[5]
。MF 是一种基于阶统计理论的非线性数字
滤波方法,不仅对椒盐噪声有很好的抑制效果,而且可以有效地保护图像边缘。自动对焦的设计原
理主要是减弱图像的高频成分,增强图像的低频成分。一般用它来消除图像的随机噪声不如用 MF 来
消除脉冲噪声。由于在空间域和频域具有良好的局域性,小波变换成功地应用于广泛的图像分析问
题,可以呈现图像的任何细节。在使用这些偏好时,也有一些局限性:1)仅对高斯噪声有效。小波
变换对脉冲噪声进行分解,在较小的精细尺度上对应的小波系数较大,不满足小波变换系数值远小
于信号的条件。2)忽略沿轮廓的平滑度。3)仅提供有限的方向性基本信息,这是多维信号的重要特
征
[6]
。近年来,小波变换在信号和图像去噪领域显示出明显的优势,并取得了许多研究成果。
剩余22页未读,继续阅读
资源评论
南木Sir
- 粉丝: 1w+
- 资源: 34
上传资源 快速赚钱
- 我的内容管理 展开
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功