CN108550164A - 一种用于生物成像的自适应配准方法及系统 - Google Patents

一种用于生物成像的自适应配准方法及系统 Download PDF

Info

Publication number
CN108550164A
CN108550164A CN201810187288.6A CN201810187288A CN108550164A CN 108550164 A CN108550164 A CN 108550164A CN 201810187288 A CN201810187288 A CN 201810187288A CN 108550164 A CN108550164 A CN 108550164A
Authority
CN
China
Prior art keywords
image
value
registration
auto
imaging
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201810187288.6A
Other languages
English (en)
Inventor
沈健
胡洁
戚进
黄海清
何涛
胡方凯
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai Jiaotong University
Original Assignee
Shanghai Jiaotong University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shanghai Jiaotong University filed Critical Shanghai Jiaotong University
Priority to CN201810187288.6A priority Critical patent/CN108550164A/zh
Publication of CN108550164A publication Critical patent/CN108550164A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
    • G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20212—Image combination
    • G06T2207/20221—Image fusion; Image merging

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供了一种用于生物成像的自适应配准方法及系统，包括：提取图像的SIFT特征点并进行匹配；根据SIFT特征点，对不同的形变图像自适应生成变形场初始参数；将图像的空间相关性信息与基于灰度的图像配准相融合；在迭代过程中自适应调整步长。本发明方法通过自动化、智能化的手段实现对高分辨生物成像的自适应配准，操作简便，检测效率高，可靠性高，通用性强。

Description

一种用于生物成像的自适应配准方法及系统
技术领域
本发明涉及一种图像自适应配准方法，尤其涉及一种用于高分辨生物成像的自适应配准方法。
背景技术
鉴于图像配准技术的重要应用，它一直是遥感图像、医学图像分析中的一个研究热点。图像配准技术起步比较晚，于上世纪80年代才逐渐发展起来，它的发展与计算机图形处理技术的发展是分不开的。图像配准发展到现在，实际问题的解决常常是通过多种方法的综合来实现的。如果仅仅局限在从分类上归类，人们习惯把图像配准的种类按照配准组织的变形类型分为刚性配准与非刚性配准两大类；按照图像数据的维数可以分为二维/二维配准、三维/三维配准、二维/三维配准，二维/ 三维的配准一般应用于可视化手术中，与其他的配准方式相结合使用；按照配准是否使用特征空间可以将配准分为基于特征的配准与基于灰度的配准；此外还有按照应用领域不同的分类等等，其中按照组织变形类型而分的刚性配准与弹性配准比较被人们所认可。
刚性变换由于其本身并不是很复杂，经过一段时间发展，刚性变换的技术基本上已经成熟，在临床中对其需求也较少。实际上，在临床中配准技术碰到的最大困难多是来自组织间的非线性形变，因而非刚性配准是目前人们研究的热点。医学图像中的常用的非刚性配准方法主要有物理模型方法、偏微分方程法、样条函数法等方法；在物理模型方法中，首先提出了弹性配准的物理模型，将配准的过程通过物理模型转换为物理变形过程，在该变形过程中有两个力的作用，一个是外界施加的外力，另一个是物体变形时产生的内力，当外力与内力平衡时便认为变形过程完毕；将粘性流体模型应用到了非刚性图像配准，在该模型中，浮动图像的变形被模拟为粘性流体的流动过程，液体的流动随着内力的变化而进行，当内力消失时即停止流动，完成配准；后来在计算机视觉基础上提出了光流场模型。研究对象在运动过程中其亮度模式在二维图像平面上表现出的流动性称为光流，光流场则用来描述图像中的像素构成的二维瞬时速度场。将固定图像与每次迭代所得到的结果图像看作光流场模型中的一系列帧图像，则配准过程即为通过这些图像迭代求解光流场的速度场的过程。基于物理模型的配准算法在配准过程中变形能量会按照变形程度成比例的增加，因而在对较大变形的处理上有一定局限性，并且模型中的参数会因配准对象的不同而有较大的差异，需要人为的重新设定，也使得该类方法的应用受到限制。
发明内容
针对现有技术中的缺陷，本发明的目的是提供一种用于生物成像的自适应配准方法及系统。
根据本发明提供的一种用于生物成像的自适应配准方法，包括：
SIFT特征提取步骤：提取图像的SIFT特征点并进行匹配；
自适应弹性配准步骤：根据SIFT特征点，对不同的形变图像自适应生成变形场初始参数；
特征筛选步骤：将图像的空间相关性信息与基于灰度的图像配准相融合；
图像融合步骤：在迭代过程中自适应调整步长。
较佳的，所述SIFT特征提取步骤采用RANSAC算法进行匹配。
较佳的，所述自适应弹性配准步骤将SIFT特征点应用到Myronenko算法变形函数中，使变形场初始参数对不同的变形图像自适应生成。
较佳的，所述特征筛选步骤在计算图像的空间相关性信息中使用Powell算法与模拟退火算法。
较佳的，所述图像融合步骤中，为了使目标函数达到最小值，Myronenko算法变形函数中步长的值是根据前后两次目标函数的值的变化而变化的：若此次目标函数的值比上一次的值小，则步长的值不变，以当前步长继续迭代，反之，若目标函数的值比上一次的值大，则步长的值按照固定的比例衰减，以新的步长进行迭代计算。
根据本发明提供的一种用于生物成像的自适应配准系统，包括：
SIFT特征提取模块：提取图像的SIFT特征点并进行匹配；
自适应弹性配准模块：根据SIFT特征点，对不同的形变图像自适应生成变形场初始参数；
特征筛选模块：将图像的空间相关性信息与基于灰度的图像配准相融合；
图像融合模块：在迭代过程中自适应调整步长。
较佳的，所述SIFT特征提取模块采用RANSAC算法进行匹配。
较佳的，所述自适应弹性配准模块将SIFT特征点应用到Myronenko算法变形函数中，使变形场初始参数对不同的变形图像自适应生成。
较佳的，所述特征筛选模块在计算图像的空间相关性信息中使用Powell算法与模拟退火算法。
较佳的，所述图像融合模块中，为了使目标函数达到最小值，Myronenko算法变形函数中步长的值是根据前后两次目标函数的值的变化而变化的：若此次目标函数的值比上一次的值小，则步长的值不变，以当前步长继续迭代，反之，若目标函数的值比上一次的值大，则步长的值按照固定的比例衰减，以新的步长进行迭代计算。
与现有技术相比，本发明具有如下的有益效果：
一，本发明所述的用于生物成像的自适应配准方法，通过将Sift算法引入到弹性配准算法中，实现了对变形场初始参数的自适应选择。在配准过程中常用到的 Tikhonov正则化方法中正则化参数很难恰当的选择，Myronenko算法通过假设先验分布为高斯马尔可夫分布对正则化项进行评估，解决了这个问题。
二，本发明所述的用于生物成像的自适应配准方法，将Sift算法与医学图像特征相结合，剔去了错误匹配点。在将特征引入到Myronenko算法的过程中，错误匹配点的存在对正确生成初始变形场参数的影响很大，必须将其剔去。根据医学图像的特征，将Sift特征点匹配算法搜索匹配点的范围从全局限制到了以30像素为半径的圆内，从而剔去了那些错位较大的匹配点，由于计算是否满足匹配要求的点的数目大量减少，从而加快了算法的速度。在通过特征自适应生成变形场初始参数的过程中，特征点数量要足够多以保证变形场初始参数足够正确，。
三，本发明所述的用于生物成像的自适应配准方法，对弹性配准过程中的步长寻优算法进行了设计。步长机制对配准算法的收敛速度的影响是显著的。本文设计了一种自适应算法，对于不适合于优化函数的步长具有自动调整的能力，并且使配准算法对初始步长值有了自适应的能力。
四，本发明所述的用于生物成像的自适应配准方法，通过将自适应步长算法引入到基于特征的正则化配准算法中，实现了一种所有参数都自适应产生的弹性配准算法，通过与多分辨率B样条算法、RM步长调整算法等比较试验，可以发现，自适应弹性配准算法在配准准确性、配准时间损耗以及配准自适应上都取得了比较显著的效果，在实际的临床应用中有一定的实用价值。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：
图1为本发明的流程框图；
图2为本发明的功能模块图；
图3为本发明基于灰度的融合流程框图；
图4为本发明实施例中的特征点的位置示意图。
具体实施方式
下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明，但不以任何形式限制本发明。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变化和改进。这些都属于本发明的保护范围。
如图1至图3所示，本发明提供的一种用于生物成像的自适应配准方法，包括：
SIFT特征提取步骤：提取图像的SIFT特征点并进行匹配。通过SIFT特征点提取用RANSAC算法进行匹配。将特征引入到基于灰度的配准算法中可以形成很好的算法互补性，使算法对浮动图像的处理能力更强，图像配准的结果更准确。
(1)生成尺度空间
L(x,y,σ)＝G(x,y,σ)*I(x,y) (1)
其中，G(x,y,σ)是尺度可变高斯函数，
(2)极值点及其方向的确定
主曲率通过2×2的Hessian矩阵可以求得：
像素的梯度模值与方向由式(4)和(5)给出：
θ(x,y)＝tan-1((L(x,y+1)-L(x,y-1))2+(L(x+1,y)-L(x-1,y))2) (5)
(3)特征点描述子
图4中的黑点为所选取的特征点的位置，每个小格为其邻域中的一个像素，箭头的方向代表的是该点的梯度的方向。以该特征点为中心取8×8的窗口，该窗口可以分成4 个4×4的子窗口，每个子窗口中像素的梯度叠加之和可以形成一个种子点，因而此特征点可以用4个种子点来描述。描述特征点的种子点数目越多，特征点越稳定，特征点匹配的正确率越高。
(4)特征点匹配
对与图像中的两点a(x1,y1)和b(x2,y2)，它们之间的欧氏距离可以用式(6)求得：
使用了局部结构特征与空间参数相结合的方法，通过使用对目标图像提取的多种特征，克服了医学图像变形组织对配准结果的影响，取得了很好的结果。通过以上事例我们可以看出，将图像的局部特征与图像的灰度配准方法相结合的方法是可行的，正确的将特征引入到基于灰度的配准方法中可以很好的影响空间变形场，可以修正因为变形比较大而使优化算法无法处理的图像部位，从而使图像配准的结果更准确。
自适应弹性配准步骤：根据SIFT特征点，对不同的形变图像自适应生成变形场初始参数。使用图像的空间相关性信息与基于灰度的图像配准相融合，在计算图像相关性是使用Powell算法与模拟退火算法，从而使得配准结果更精确。引入特征算子以后，克服算法计算量大的问题，变形场初始参数可以自适应生成并且无需人工预先设定。将 Sift算法应用到Myronenko算法变形函数中，变形场初始参数对不同的变形图像可以自适应生成而不必人工选择，从而使该算法的自适应性能有了进一步的提升，应用范围有了很大的扩展。将医学图像处理的实际情况引入到特征点匹配算法中，消除了在坐标位置上存在较大偏差的错误的匹配点；为了保证生成的变形场初始参数的正确性，对特征点匹配对的数目进行了监视，通过自适应调整匹配阈值来改变匹配对的数目，提高了算法的鲁棒性。
(1)建立目标函数：
E(u)＝D(O,u)+ωp(u) (7)
其中，D(O,u)用来衡量求得的解u对数据O的合适程度，p(u)为正则化项，ω是在正则项约束性与配准效果之间做出选择的正则化参数。
(2)变形场初始参数的自适应选择
假设提取的固定图像中的特征点为(a1,a2,…an)，其坐标为ai(x,y)，与之相匹配的浮动图像中的特征点为(b1,b2,…bn)，其坐标bi(x,y)，则我们可以得到这些匹配特征点之间的位移向量(c1,c2,…cn)，其中“
ci＝(aix-bix,aiy-biy),i∈(i,n) (8)
在N个已知所受作用力的点中，取N/6个距离点d最近的力，则该点受到的力为：
其中，ci的物理意义表示浮动图像中存在的点需要迁移的幅度。图像中的其他点受到的作用力是未知的，需要通过插值函数来得到，所有点受到的力按照坐标排列即可形成初始变形场。
医学图像中的弹性形变通常是局部的，因此在求一个点所受的作用力时可以根据此点的位置将图像的力平分为六部分，点所受的力只需要用其周围六分之一的力来确定即可。通过这种方式对所有的未知力的点处理后便可形成一个N×N的空间向量场(N×N 为图像的维数)，这个N×N维的向量参数即为通过特征点而自适应形成的变形场初始化参数。通过将Sift算法应用到Myronenko算法变形函数中，变形场初始参数对不同的变形图像可以自适应生成而不必人工选择，从而使该算法的自适应性能有了进一步的提升，应用范围有了很大的扩展；同时，将通过引入特征而形成的变形场初始参数直接带入到优化迭代中，克服了部分局部极小值的困扰，减少了寻优的时间，从而使配准速率也得到了加快。
特征筛选步骤：将图像的空间相关性信息与基于灰度的图像配准相融合。
将特征点匹配范围限制在了30像素单位坐标差以内，消除了一部分错误的匹配点，即使在30像素的范围内仍然有错误的匹配点，它形成的位移向量的误差也很小，也在容忍范围之内。若两幅图像中的特征点匹配点对的数目在50以上，则基本上可以覆盖图像。因而，若在某一阈值下特征点匹配对的数目偏少，则将特征点匹配的阈值增加 0.1(阈值比例最大为1)，从而得到更多的点。阈值的初始默认值为0.5。
图像融合步骤：在迭代过程中自适应调整步长。
(1)给定衰减方程
为了保证在k→∞时rk→0，式(11)中参数选择范围为β>0,A≥1,0<δ≤1其中k 为当前的迭代次数，δ为衰减系数，为了不使方程衰减的过快，它的值一般取0.6以上， A的取值通过最大迭代次数来确定，一般取为小于最大迭代次数的10％的范围内。
(2)确定β取值范围
其中T(xj,u)表示图像中点xj在u作用下的偏移量，σ是一个常量。
(3)配准步长计算
其中表示迭代过程中目标函数C对变形场u的前后两次的梯度内积，Δ表示前后两次目标函数值的变化量，ε为一个常数为50，α为在0.9与1之间的一个比例系数，f为sigmoid非线性作用函数。
在配准初始阶段，固定图像与浮动图像间的差异较大，相似性测度函数值变化比较剧烈，若前后两次的目标函数值之差Δ大于50，则通过引入目标函数C对变形场u的前后两次的梯度与与内积来自适应决定当前的步长衰减系数：在迭代的过程中如果当前目标函数值比上一次的小，则说明收敛方向是正确的，以当前步长搜索；反之，则通过前后两次的梯度值调节衰减系数，步长缩减，进行新的搜索；当固定图像与浮动图像间的差异变小后，相似性测度函数值的变化渐渐平缓，若前后两次的目标函数值之差Δ<50，则使用固定衰减系数α对步长进行调整：若目标函数值比前一次大，则步长衰减，否则，步长不变。
在上述一种用于生物成像的自适应配准方法的基础上，本发明还提供一种用于生物成像的自适应配准系统，包括：
SIFT特征提取模块：提取图像的SIFT特征点并进行匹配，在本发明中，SIFT特征提取模块采用RANSAC算法进行匹配。
自适应弹性配准模块：根据SIFT特征点，对不同的形变图像自适应生成变形场初始参数，自适应弹性配准模块将SIFT特征点应用到Myronenko算法变形函数中，使变形场初始参数对不同的变形图像自适应生成。
特征筛选模块：将图像的空间相关性信息与基于灰度的图像配准相融合，特征筛选模块在计算图像的空间相关性信息中使用Powell算法与模拟退火算法。
图像融合模块：在迭代过程中自适应调整步长。为了使目标函数达到最小值，Myronenko算法变形函数中步长的值是根据前后两次目标函数的值的变化而变化的：若此次目标函数的值比上一次的值小，则步长的值不变，以当前步长继续迭代，反之，若目标函数的值比上一次的值大，则步长的值按照固定的比例衰减，以新的步长进行迭代计算。
本发明方法通过自动化、智能化的手段实现对医学图像的自适应配准，操作简便，检测效率高，可靠性高，通用性强。
本领域技术人员知道，除了以纯计算机可读程序代码方式实现本发明提供的系统及其各个装置、模块、单元以外，完全可以通过将方法步骤进行逻辑编程来使得本发明提供的系统及其各个装置、模块、单元以逻辑门、开关、专用集成电路、可编程逻辑控制器以及嵌入式微控制器等的形式来实现相同功能。所以，本发明提供的系统及其各项装置、模块、单元可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置、模块、单元也可以视为硬件部件内的结构；也可以将用于实现各种功能的装置、模块、单元视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
在本申请的描述中，需要理解的是，术语“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本申请和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本申请的限制。
以上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变化或修改，这并不影响本发明的实质内容。在不冲突的情况下，本申请的实施例和实施例中的特征可以任意相互组合。

Claims (10)

1.一种用于生物成像的自适应配准方法，其特征在于，包括：
SIFT特征提取步骤：提取图像的SIFT特征点并进行匹配；
自适应弹性配准步骤：根据SIFT特征点，对不同的形变图像自适应生成变形场初始参数；
特征筛选步骤：将图像的空间相关性信息与基于灰度的图像配准相融合；
图像融合步骤：在迭代过程中自适应调整步长。
2.根据权利要求1所述的用于生物成像的自适应配准方法，其特征在于，所述SIFT特征提取步骤采用RANSAC算法进行匹配。
3.根据权利要求1所述的用于生物成像的自适应配准方法，其特征在于，所述自适应弹性配准步骤将SIFT特征点应用到Myronenko算法变形函数中，使变形场初始参数对不同的变形图像自适应生成。
4.根据权利要求1所述的用于生物成像的自适应配准方法，其特征在于，所述特征筛选步骤在计算图像的空间相关性信息中使用Powell算法与模拟退火算法。
5.根据权利要求1所述的用于生物成像的自适应配准方法，其特征在于，所述图像融合步骤中，为了使目标函数达到最小值，Myronenko算法变形函数中步长的值是根据前后两次目标函数的值的变化而变化的：若此次目标函数的值比上一次的值小，则步长的值不变，以当前步长继续迭代，反之，若目标函数的值比上一次的值大，则步长的值按照固定的比例衰减，以新的步长进行迭代计算。
6.一种用于生物成像的自适应配准系统，其特征在于，包括：
SIFT特征提取模块：提取图像的SIFT特征点并进行匹配；
自适应弹性配准模块：根据SIFT特征点，对不同的形变图像自适应生成变形场初始参数；
特征筛选模块：将图像的空间相关性信息与基于灰度的图像配准相融合；
图像融合模块：在迭代过程中自适应调整步长。
7.根据权利要求6所述的用于生物成像的自适应配准系统，其特征在于，所述SIFT特征提取模块采用RANSAC算法进行匹配。
8.根据权利要求6所述的用于生物成像的自适应配准系统，其特征在于，所述自适应弹性配准模块将SIFT特征点应用到Myronenko算法变形函数中，使变形场初始参数对不同的变形图像自适应生成。
9.根据权利要求6所述的用于生物成像的自适应配准系统，其特征在于，所述特征筛选模块在计算图像的空间相关性信息中使用Powell算法与模拟退火算法。
10.根据权利要求6所述的用于生物成像的自适应配准系统，其特征在于，所述图像融合模块中，为了使目标函数达到最小值，Myronenko算法变形函数中步长的值是根据前后两次目标函数的值的变化而变化的：若此次目标函数的值比上一次的值小，则步长的值不变，以当前步长继续迭代，反之，若目标函数的值比上一次的值大，则步长的值按照固定的比例衰减，以新的步长进行迭代计算。
CN201810187288.6A 2018-03-07 2018-03-07 一种用于生物成像的自适应配准方法及系统 Pending CN108550164A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810187288.6A CN108550164A (zh) 2018-03-07 2018-03-07 一种用于生物成像的自适应配准方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810187288.6A CN108550164A (zh) 2018-03-07 2018-03-07 一种用于生物成像的自适应配准方法及系统

Publications (1)

Publication Number Publication Date
CN108550164A true CN108550164A (zh) 2018-09-18

Family

ID=63516351

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810187288.6A Pending CN108550164A (zh) 2018-03-07 2018-03-07 一种用于生物成像的自适应配准方法及系统

Country Status (1)

Country Link
CN (1) CN108550164A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113052239A (zh) * 2021-03-25 2021-06-29 山东大学 基于梯度方向参数优化的神经网络的图像分类方法及系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104751475A (zh) * 2015-04-16 2015-07-01 中国科学院软件研究所 一种面向静态图像对象识别的特征点优选匹配方法
CN106485740A (zh) * 2016-10-12 2017-03-08 武汉大学 一种结合稳定点和特征点的多时相sar图像配准方法
CN107292872A (zh) * 2017-06-16 2017-10-24 艾松涛 图像处理方法/系统、计算机可读存储介质及电子设备

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104751475A (zh) * 2015-04-16 2015-07-01 中国科学院软件研究所 一种面向静态图像对象识别的特征点优选匹配方法
CN106485740A (zh) * 2016-10-12 2017-03-08 武汉大学 一种结合稳定点和特征点的多时相sar图像配准方法
CN107292872A (zh) * 2017-06-16 2017-10-24 艾松涛 图像处理方法/系统、计算机可读存储介质及电子设备

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
贾雯晓等: "基于SIFT和改进的RANSAC图像配准算法", 《计算机工程与应用》 *
马金光: "医学图像自适应配准算法研究", 《中国优秀硕士学位论文全文数据库》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113052239A (zh) * 2021-03-25 2021-06-29 山东大学 基于梯度方向参数优化的神经网络的图像分类方法及系统
CN113052239B (zh) * 2021-03-25 2022-08-02 山东大学 基于梯度方向参数优化的神经网络的图像分类方法及系统

Similar Documents

Publication Publication Date Title
Chen et al. Cephalometric landmark detection by attentive feature pyramid fusion and regression-voting
Chang et al. Clkn: Cascaded lucas-kanade networks for image alignment
Yin et al. Sparse representation over discriminative dictionary for stereo matching
Liu et al. Bi-level probabilistic feature learning for deformable image registration
CN115457020B (zh) 一种融合残差图像信息的2d医学图像配准方法
Wang et al. A generalizable and robust deep learning algorithm for mitosis detection in multicenter breast histopathological images
CN103824294A (zh) 一种电子断层图像序列对位方法
Zhang et al. Self-attention-based multiscale feature learning optical flow with occlusion feature map prediction
CN116486233A (zh) 一种多光谱双流网络的目标检测方法
Tang et al. Retinal image registration based on robust non-rigid point matching method
Liu et al. SSG-Net: A robust network for adaptive multi-source image registration based on SuperGlue
Meng et al. Brain tumor sequence registration with non-iterative coarse-to-fine networks and dual deep supervision
Elghoul et al. Fast global SA (2, R) shape registration based on invertible invariant descriptor
US20230245329A1 (en) Structured landmark detection via topology-adapting deep graph learning
Huang et al. Multi-modal medical image registration based on gradient of mutual information and hybrid genetic algorithm
CN108550164A (zh) 一种用于生物成像的自适应配准方法及系统
Gan et al. Probabilistic modeling for image registration using radial basis functions: Application to cardiac motion estimation
CN113033305A (zh) 活体检测方法、装置、终端设备和存储介质
JP2023145404A (ja) イメージ間の対応関係を識別するためにピラミッド及び固有性マッチングフライアを使用するシステム及び方法
Wen et al. Incorporation of structural tensor and driving force into log-demons for large-deformation image registration
CN115439669A (zh) 基于深度学习的特征点检测网络及跨分辨率图像匹配方法
Zhong et al. An overview of image generation of industrial surface defects
Gu et al. Joint multiple image parametric transformation estimation via convolutional neural networks
Sun et al. Progressive 3D biomedical image registration network based on deep self-calibration
Nie et al. Medical Image Registration and Its Application in Retinal Images: A Review

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20180918