基于机器学习的医学图像非线性配准技术研究

发布时间：2020-03-22 09:53

【摘要】：医学图像非线性配准技术可准确的建立图像间解剖结构的一致性,是实现医学图像精准分析的基础与前提。非线性配准在病种分析、纵向跟踪研究、疾病诊断、治疗方案优化等临床任务中都具有重要作用。非线性配准的主要任务是求解图像间基于形变模型的空间变换关系,通过形变场将两个图像空间中具有相同形态结构的位置对应起来。因此,非线性配准是一个复杂的非线性优化问题。随着现代医学图像数据维度和规模的增大,图像数据呈现出更高的复杂性与多样性,传统非线性配准算法在配准精度、鲁棒性和适用性上表现出一定的局限性。结合实际临床需求,为了更好的解决多模态、纵向多时间点、大形变医学图像非线性配准问题,本文将机器学习技术应用于非线性配准,提出了多种基于机器学习的医学图像非线性形变配准算法。论文主要研究内容包括:1.提出了基于机器学习的多模态图像非线性配准算法,用以解决前列腺癌放射治疗中盆腔CT与MRI图像的非线性配准问题。针对CT与MRI图像外观灰度差异大,盆腔器官结构局部形变显著等问题,提出了基于双向图像合成的多模态非线性图像配准算法,实现了盆腔CT与MRI图像的精确配准,为前列腺癌精准放疗的临床实现提供了有力保障。具体包括:在传统随机森林学习算法的基础上,提出了结构化随机森林和多目标随机森林回归方法,建立了MRI→CT、CT→MRI双向图像合成模型,实现了两种模态间的图像灰度预测,解决了CT与MRI配准中图像灰度不一致的问题。在图像合成实现过程中,双向图像合成有效保留了两个模态完整的解剖结构信息,为多模态非线性无偏配准提供了架构设计参考。基于双向图像合成,提出了双核驱动的多模态非线性配准算法。双向图像合成将复杂多模态配准问题简化为单一模态配准问题。为保证多模态图像配准精度,充分使用CT与MRI图像中互补的解剖结构信息,提出了双核形变融合算法,通过CT核与MRI核配准结果的迭代融合,可以有效估计盆腔器官局部形变,提高配准精度。基于双向图像合成,提出了区域自适应多模态非线性配准算法。为了有效利用CT像中显著的骨骼结构信息和MRI图像中显著的软组织结构信息,本文提出了区域自适应配准算法,通过CT模态核实现骨骼区域的局部匹配,通过MRI模态核实现软组织区域的局部匹配。这样,两个模态核共同使用,不同模态显著性结构信息优势互补,进一步提高了整个盆腔结构的局部形变估计精度和最终配准精度。2.提出了基于脑结构发育模型的纵向婴儿脑图像非线性配准算法,为新生儿脑结构发育研究、脑相关疾病的精确分析与诊断奠定基础。新生儿出生后第一年内由于脑结构生长与白质髓鞘形成,不同时间点的图像存在巨大的形态与灰度差异。本文提出了多任务随机森林学习方法,对纵向多时间点婴儿脑结构发育与灰度演化过程进行学习,建立了新生儿出生后2周、3个月、6个月及9个月到第12个月的脑结构发育模型与图像灰度演化模型。通过多任务回归学习,在保证模型预测精度的同时,保护了脑拓扑结构关系。基于机器学习方法建立的婴儿脑结构发育与灰度演化模型对不同时间点图像间较大的形态与灰度差异进行了有效的预测与补偿,极大的简化了非线性配准过程,实现了纵向多时间点婴儿脑图像的精确配准。3.提出了基于深度学习的成人脑图像非线性配准算法,为脑结构功能探索研究、多样化成人脑相关疾病的精确分析奠定基础。传统非线性配准算法需要充分的迭代优化,配准精度对参数设置敏感,图像间较大的形态差异会导致算法精度下降。针对这些问题,本文提出了基于线索感知的深度回归网络,使用卷积神经网络建立准确的非线性配准模型,实现从待配准图像到形变场的有效估计。为了提高深度学习模型对非线性配准任务的感知能力,本文提出了数据驱动网络结构,为配准模型的训练提供了有效的辅助参考信息。为了增强深度学习配准模型的精度与泛化能力,本文提出了关键点均衡化训练样本的采样策略,提高了训练样本的完备性,有效避免了训练过程中的过拟合问题。训练好的配准模型在使用过程中可直接实现对形变场的预测,无需参数调节与迭代优化,对于大形变图像的配准也能保证较高的精度。该算法的提出有效的改进了传统配准算法的精度与鲁棒性,增强了配准算法在临床多样化配准任务中的适用性。本文以前列腺癌精准放疗、婴儿脑发育及疾病诊断、成人脑科学研究分析三个医学临床应用为背景,针对不同医学图像特性与医学图像分析的临床需求,提出了多种基于机器学习的非线性形变配准算法。对随机森林、卷积神经网络等机器学习算法进行了深入研究与改进,通过改进的机器学习方法设计非线性配准算法,有效的解决了多模态图像、纵向多时间点图像和大形变图像配准等医学图像配准难题,对医学图像智能化、精准化分析具有重要意义。
【图文】：

解剖结构,示例,一致性,图像

对现代医学图像的智能分析提出了涵丰富，包括图像配准、图像分割、图像增强。图像配准是医学图像分析任务的基础。图像t）或不同对象（inter-subject）在不同条件下（不同位置或角度）采集的两幅或多幅图像进行个体的两幅或多幅图像进行匹配融合的过程体差异（线性配准）与局部形变（非线性配准确鲁棒的图像配准是实现智能与精准医疗的（a）脑核磁共振图像（MRI）的解剖结构一致性

基本流程,表示图,灰度值

第 1 章绪论MI）[43, 44]以及归一化互信息（Normalized Mutual Information, NMI）[45, 46]等。这些相似度测度的具体定义参见表 1-1。其中，分别表示参考图像与浮动图像，即图像的灰度信息集合。N 表示参考图像空间体素总数。表示图像的均值， (д)表示图像的方差。表示图像对应于图像的第 k 个灰度区间所覆盖的体素位置的灰度值集合表示中包含的体素数量，，且 = щ , 表示图像灰度值区间索引。 ( ) = щ ( ) 表示图像的联合熵，是指基于(i, j)联合直方图区间估计的联合概率分布， ( )与 ( )表示边缘概率分布。
【学位授予单位】：西北工业大学
【学位级别】：博士
【学位授予年份】：2018
【分类号】：TP391.41;TP181

【相似文献】