论文部分内容阅读
随着精准医疗概念的不断深入普及,和人工智能技术与医学影像技术的不断发展,不同模态的医学图像被大量应用于临床诊断,手术导航以及病人个性化的治疗方案的制定等场景。对不同模态图像进行联合使用,从而协助诊断的医学图像融合技术也被广泛应用,而得到可用的融合图像前提即为图像间的精确配准。不同模态间图像差异巨大,目前已有的被广泛应用的多模态配准方法大多集中于脑部等形变较少的部位,且配准时间冗长难以进行临床应用,对于下腹部等解剖结构复杂且存在大量由于人体呼吸导致的器官运动形变的人体部位尚未有十分有效的配准方法。充分考虑并结合目前单模态配准方法的高精度特性,本文在传统多模态配准中引入模拟CT图像这一概念,提出一种将传统多模态配准方法转换为由模拟CT图像合成与单模态配准两部分组成的新型多模态配准思想。本课题研究过程中主要成果如下:1)针对新型多模态配准方法中模拟CT生成部分展开研究,在脑部MR图像合成模拟CT图像的具体场景中提出一种多任务极大熵聚类算法用于MR图像分割,进而获得高质量脑部模拟CT图像。针对腹盆腔这一复杂部位,将两种先进的机器学习技术,迁移学习技术与半监督学习技术引入医学图像处理中,提出一种利用先验知识与部分监督信息的UTE-m Dixon序列模拟CT图像生成方法;后考虑到UTE等高级MR序列的获取存在较大技术挑战,进一步提出仅利用m Dixon序列引入迁移学习与半监督分类协同作用的下腹部模拟CT图像生成方法。多名受试者的实验结果证明,本文提出的方法能够在腹盆腔与下腹部的复杂人体部位生成高质量的模拟CT图像。2)将课题研究中提出的基于单模态配准的新型多模态配准方法框架于下腹部进行具体应用,并提出一种基于模拟CT图像配准的下腹部MR图像与CT图像多模态配准方法。实验结果表明,所提出的新型多模态配准方法在图像质量以及配准时间上明显优于传统多模态配准方法。3)利用所提出的基于单模态配准的新型多模态配准框架,在脑部受到损坏与污染产生未知形变的MR图像修复中进行应用,提出一种基于模拟CT图像配准引导的MR图像修复方法,多名受试者脑部MR图像的修复结果表明,该修复方法能够有效地对脑部MR图像进行修复。4)课题研究过程中对MR图像在合成模拟CT图像中的体现出的数据特征进行总结,协助课题组提出基于补丁学习的下腹部模拟CT图像生成方法。同时受到课题中基于体素的MR图像分割的启发,协助课题组提出针对下腹部MR图像感兴趣区域的器官识别这一具体场景的快速人工神经网络算法。