基于 FCN 和互信息的医学图像配准技术研究(学习笔记)
摘要
针对传统配准方法在进行三维多模态图像配准时存在收敛速度较慢、容易陷入极值等问题,提出一种基于全卷积神经网络(Fully Convolutional Networks,FCN)和互信息的配准方法。利用FCN模型提取二维图像深层特征并进行粗配准;将得到的配准结果作为互信息算法的初始搜索点,从而使搜索范围缩小至全局最优解附近;利用互信息算法对参数进一步微调优化,得到最优三维配准结果。实验结果表明,在进行CT-MR图像配准时,所提方法不仅可以大幅度提升配准速度,还能有效避免局部收敛的情况,具有更高的准确性。
内容
1.传统医学图像配准
互信息是最常见的基于灰度配准方法之一。在互信息图像配准中,使用较多的优化算法如下图所示。
2.全卷积神经网络(FCN)
全卷积神经网络(Fully ConvolutionalNetworks,FCN)。FCN 是在CNN 上的发展和延伸,两者最大的区别是FCN 将卷积层替代了全连接层(如图1 所示),正是这种差异,使得FCN能够避免全连接层线性变换导致图像空间位置信息丢失,进一步丰富特征的学习。同时,由于卷积层权值共享的特性,FCN有效减少了网络训练参数的数目,能够提升模型训练的速度,FCN的网络结构如下图所示。
2.1 FCN模型的构建
整个模型由两部分组成,即参考图像和浮动图像各自的多尺度特征提取器Multi-Scale Layer(下图的a部分),以及通过Concatenate 级联合并(图中为字母C表示)后的公共特征提取器Public Layer。
3.算法流程
文章采用FCN和互信息的混合优化算法实现三维图像配准任务。利用FCN获得的配准结果作为互信息搜索算法的起始点,通过进一步搜索优化得到更高精度的配准参数,整个配准流程如下图所示。
4.实验结果评估标准
1.相似性系数(DSC)
相似性系数用于度量实际配准结果与理论配准结果的重合度,公式如下图所示。
2.相关系数(CC)
相关系数数学计算公式如下图所示:
其中,N 代表图像中像素点的个数,Mi表示浮动图像的灰度值,Si 表示参考图像的灰度值,M'、S'分别表示浮动图像和参考图像的平均灰度值。相似性系数(DSC)、互信息(MI) 以及相关系数(CC)指标都是值越高代表配准效果越好。
3.互信息
互信息(Mutual Information)是衡量随机变量之间相互依赖程度的度量。假设存在一个随机变量X和另一个随机变量Y,那么它们的互信息如下图所示。
4.配准时间
即算法运行的时间。
原文链接
上一篇: 论文笔记 | CVPR2015 | 用于语义分割的全卷积网络
下一篇: R 语言完整案例示例说明