【脊柱超声与CT图像配准方法分析案例7500字】_第1页
【脊柱超声与CT图像配准方法分析案例7500字】_第2页
【脊柱超声与CT图像配准方法分析案例7500字】_第3页
【脊柱超声与CT图像配准方法分析案例7500字】_第4页
【脊柱超声与CT图像配准方法分析案例7500字】_第5页
已阅读5页，还剩8页未读， 继续免费阅读

下载本文档

版权说明：本文档由用户提供并上传，收益归属内容提供方，若内容存在侵权，请进行举报或认领

文档简介

脊柱超声与CT图像配准方法分析案例目录TOC\o"1-3"\h\u32467脊柱超声与CT图像配准方法分析案例 )其中，是一个与和有关常数，代表形变场。1.1.2改进的残差神经元网络脊柱超声与CT图像完成刚性配准后，两幅图像在同一参考坐标系下对应解剖结构的空间位置基本对齐，仅在细节上仍然存在一些微小的差距。因此，需要对刚性配准后得到的脊柱超声与CT图像进行细配准，即脊柱超声与CT图像形变配准，用于消除刚性配准后两幅图像之间细节上的微小差距。对于医学图像形变配准，残差神经元网络通过一系列残差块对输入的待配准医学图像对进行卷积和池化操作，自动从训练数据集的所有待配准医学图像对中学习输入待配准医学图像对的关键特征信息，并对医学图像形变配准所需的形变场进行预测。但是，随着残差块的不断增加，在卷积层输出的图像特征图中，包含的图像信息不断减少，导致脊柱超声与CT图像形变配准模型只能通过局部特征对待配准医学图像对进行配准，而无法从全局的角度获取更多的医学图像特征信息，将对后续预测配准所需的形变场构成影响[67]。在此基础上，为了提高脊柱超声与CT图像配准的配准效果和配准成功率，本文提出了一种改进的残差神经元网络，其网络结构如图1.7所示。在脊柱超声与CT图像形变配准应用中，本文利用传统残差神经元网络的残差块构建了4个下采样块，同时将反卷积的概念引入残差块，又构建了4个上采样块。其中，反卷积是一种上采样方式，通过输出和已知输入重构未知输入。主要应用于图像领域，其作用是将提取的抽象特征还原到原始输入大小。反卷积可以理解为卷积的逆操作，将卷积变换进行一次反向变换，因此不具备学习能力。通常，采用双线性插值和反向池化操作实现反卷积，将高维的特征图像转化为低维特征图像。除此之外，大量研究表明，在计算机视觉与医学图像处理领域，采用密集连接方式构建神经元网络往往会提升模型的性能。因此，本文通过求和操作将输入特征图像与输出特征图像大小及深度均相同的上采样块和下采样快连接在一起，使8个采样快的连接更为紧密，从而提升模型的性能。与此同时，这样的连接方式使得模型在预测脊柱超声与CT图像的形变场时，不仅能够有效提取脊柱超声与CT图像的局部特征，而且能够最大限度的保留这两幅图像的全局特征。最终，通过结合脊柱超声与CT图像的全局特征与局部特征、低维特征与高维特征对脊柱超声与CT图像形变配准所需的形变场进行预测，从而实现脊柱超声与CT图像形变配准。图1.7形变配准模型的网络结构Fig.1.7Networkstructureofdeformableregistrationmodel1.4本章小结由于术前采集的脊柱CT图像与术中实时采集的脊柱超声图像在空间位置上往往存在巨大差异。为了解决该问题，本章在对脊柱超声与CT图像进行形变配准之前，通过基于标签的弱监督式学习方法，利用残差网络对其进行全局刚性配准，从而减小两

人人文库> 全部分类> 行业资料 > 工业设计

温馨提示

  • 1. 本站所有资源如无特殊说明，都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
  • 2. 本站的文档不包含任何第三方提供的附件图纸等，如果需要附件，请联系上传者。文件的所有权益归上传用户所有。
  • 3. 本站RAR压缩包中若带图纸，网页内容里面会有图纸预览，若没有图纸预览就没有图纸。
  • 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
  • 5. 人人文库网仅提供信息存储空间，仅对用户上传内容的表现方式做保护处理，对用户上传分享的文档内容本身不做任何修改或编辑，并不能对任何下载内容负责。
  • 6. 下载文件中如有侵权或不适当内容，请与我们联系，我们立即纠正。
  • 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。

最新文档

评论

0/150

提交评论