基于医学图像(脑部)配准方法研究任务书_5
一种颅脑医学图像配准方法[发明专利]
![一种颅脑医学图像配准方法[发明专利]](https://img.taocdn.com/s3/m/3204db81f5335a8103d22016.png)
专利名称：一种颅脑医学图像配准方法
专利类型：发明专利
发明人：曹国刚,朱信玉,曹聪,王一杰,李梦雪,刘顺堃,毛红东,孔德卿
申请号：CN202010467259.2
申请日：20200528
公开号：CN111612782A
公开日：
20200901
专利内容由知识产权出版社提供
摘要：一种颅脑医学图像配准方法包括以下步骤：S1：分别对颅脑CT原始图像、颅脑MRI原始图像进行多分辨率分解；S2：通过IBSO算法对CT低分辨率图像和MRI低分辨率图像进行图像配准，得到第一粗配准结果；S3：对第一粗配准结果进行倍率缩放并作为单纯形搜索法起点对CT次高分辨率图像和MRI次高分辨率图像进行图像配准，得到第二粗配准结果；S4：根据第二粗配准结果进行倍率缩放并作为单纯形搜索法起点对CT原始图像和MRI原始图像进行图像配准，得到CT原始图像与MRI原始图像结合的配准图像。
本发明结合IBSO算法和单纯形搜索法实现了颅脑CT图像与颅脑MRI图像配准，可以显著地提升颅脑CT‑MRI图像配准精度、配准效果，减少配准时间。
申请人：上海应用技术大学
地址：200235 上海市徐汇区漕宝路120-121号
国籍：CN
代理机构：上海汉声知识产权代理有限公司
代理人：胡晶
更多信息请下载全文后查看。
医学影像处理中的图像配准技术研究
医学影像处理中的图像配准技术研究图像配准是医学影像处理中的重要技术之一，它能够将不同时间、不同空间或者不同传感器获取的图像进行对齐，以实现精确的比较分析和组织管理。
医学影像配准技术在临床诊断、手术规划、治疗评估等方面有着广泛的应用。
本文将对医学影像处理中的图像配准技术进行研究探讨。
一、图像配准的定义及应用图像配准是指通过一系列的数学算法和图像处理方法，将不同图像在空间上进行对齐。
这些图像可以是不同时间拍摄的、不同方式获取的以及来自不同患者的。
图像配准的目的在于提高医学图像的定量分析、模拟仿真、病变检测等领域的准确性和可靠性。
在医学诊断中，通过图像配准技术可以实现多时相影像的对比，观察患者病情的演变和治疗效果的评估。
在手术规划中，医生可以将术前和术后的影像进行配准，帮助确定手术切口和操作方案。
在放射治疗的计划中，通过将不同影像进行配准，可以更精确地确定病灶的位置和边界，减少对正常组织的损伤。
二、图像配准的方法图像配准的方法主要包括特征匹配、基于显著点的方法和基于变换模型的方法。
1. 特征匹配方法特征匹配方法是一种常用的图像配准方法，它通过提取图像中的特征点或区域，并通过计算它们之间的相似性来实现图像的对齐。
这些特征可以是角点、边缘、纹理等。
常用的特征匹配算法包括基于灰度的角点检测算法、SIFT（尺度不变特征变换）算法和SURF（加速稳健特征）算法等。
特征匹配方法适用于静态图像的配准，但对于动态变化的图像来说，由于特征的变化，可能会导致匹配结果不准确。
2. 基于显著点的方法基于显著点的方法是通过在图像中提取显著点，并将其作为配准参考点进行图像对齐。
这些显著点可以是关键点、角点、边缘等。
通常，基于显著点的方法包括了特征点检测、特征描述和特征匹配三个步骤。
这些方法较好地解决了匹配时的尺度、旋转和亮度变化等问题。
常见的基于显著点的方法包括Harris角点检测算法、FAST角点检测算法和MSER（极值稳定区域）算法等。
基于深度学习的3D生物医学脑图像配准算法研究
基于深度学习的3D生物医学脑图像配准算法研究摘要：在生物医学领域，脑图像配准是一个非常重要的问题。
如今，深度学习技术的出现给脑图像配准带来了新的机遇。
本文提出了一种基于深度学习的3D生物医学脑图像配准算法。
首先，我们使用卷积神经网络（CNN）提取两个脑图像的特征。
然后，我们使用特征点匹配来获得一些对应特征点对。
接着，我们使用非刚性变换来对脑图像进行配准。
我们的实验结果表明最终的配准效果极佳，并且远优于其他同类算法。
这说明了该算法的可行性和有效性，同时也证明了深度学习技术在生物医学领域中的巨大潜力。
关键词：3D生物医学脑图像，配准，深度学习，卷积神经网络1. 引言在医学图像处理中，脑图像配准是一个非常关键的问题。
脑图像配准是指将不同时间（比如同一人的不同时间点）、不同位置或不同成像仪器获取的脑影像进行匹配。
它在神经科学研究、诊断和治疗方面都起着重要作用。
传统的脑图像配准算法通常基于特征匹配、区域匹配、表面匹配等技术，但它们存在许多问题，如难以匹配非刚性变形、计算速度较慢等缺点。
因此，新的、快速、准确的配准算法就得到了广泛的研究。
近年来，深度学习技术的出现，尤其是卷积神经网络（CNN），取得了在图像识别、分类等方面巨大的成功。
随着技术的发展，它们也被用于医学图像处理的许多方向中。
尤其是对于脑图像配准而言，深度学习技术具有更明显的优势。
深度学习技术本质上是一种学习特征的方法，可以克服传统匹配算法的一些缺点，并且应用于非刚性变形的匹配问题，具有广泛的潜力。
本文提出了一种新的基于深度学习的3D生物医学脑图像配准算法。
该算法使用卷积神经网络（CNN）提取脑图像的特征，使用特征点匹配来进行配准，并使用非刚性变换方法来获得最终的配准结果。
本研究提出的算法能够匹配多个不同形态的脑部区域，适用于更广泛的临床场景。
同时，我们还对算法的性能和鲁棒性进行了详细的分析和实验。
2. 相关工作传统的脑图像配准算法主要有以下几种：2.1 基于特征匹配的算法特征匹配是一种常用的图像配准方法，此类算法可以通过检测两个脑图像之间的共同特征点，然后根据不同的特征点匹配策略来进行匹配。
基于机器学习的医学图像配准与诊断优化研究
基于机器学习的医学图像配准与诊断优化研究摘要：医学图像配准是一项关键技术，用于将多个医学图像对齐以实现更准确的诊断和优化医学治疗。
然而，传统的医学图像配准方法存在一些局限性，例如需要人工标记地标、在大规模图像上的运行速度较慢等。
为了克服这些问题，机器学习技术被引入到医学图像配准中。
本文将探讨基于机器学习的医学图像配准方法以及其在诊断优化方面的应用。
1. 引言医学图像配准是一项基于图像处理技术的关键任务，通过将多个医学图像对齐，可以准确地比较和分析病人的不同时间点或不同模态的图像。
这对于医生们对疾病的诊断和治疗至关重要。
然而，传统的医学图像配准方法存在一些限制，例如依赖于人工标记的地标、计算复杂度高、影像质量差等问题。
2. 机器学习在医学图像配准中的应用机器学习技术的发展为医学图像配准带来了新的可能。
首先，机器学习模型可以学习从图像中提取特征，无需依赖于人工标记的地标。
其次，机器学习模型可以通过训练大规模数据集来提高配准的准确性和鲁棒性。
最后，机器学习模型的预测速度较快，适用于实时配准以及大规模图像数据处理。
2.1 机器学习的特征提取传统的医学图像配准方法通常需要依赖于预定义的地标或特征点，这需要大量的人力工作。
然而，机器学习模型可以自动学习从图像中提取特征，无需人工干预。
例如，卷积神经网络（CNN）可以通过多层卷积和池化操作提取图像的局部和全局特征，这些特征可以用于医学图像配准。
2.2 机器学习的配准准确性和鲁棒性改进机器学习模型可以通过训练大规模的医学图像数据集来提高配准的准确性和鲁棒性。
例如，在配准脑部图像时，可以使用大量不同患者的MRI图像进行训练，使得模型能够更好地适应不同患者之间的差异。
此外，通过使用深度学习的方法，可以学习到更复杂的特征，进一步提高配准的性能。
2.3 机器学习的运行效率传统的医学图像配准方法通常需要对每一对图像进行计算，因此在处理大规模图像数据时会非常耗时。
机器学习模型可以通过预训练和轻量化网络结构来提高配准的速度。
医学影像配准算法在脑部手术中的应用研究
医学影像配准算法在脑部手术中的应用研究1.引言医学影像配准是一种重要的技术手段，广泛应用于脑部手术中。
它能够对脑部影像进行精确的对齐，为医生提供准确的解剖信息，帮助医生进行手术规划与指导。
本文旨在探讨医学影像配准算法在脑部手术中的应用研究。
2.医学影像配准算法概述医学影像配准算法主要包括特征提取、特征匹配和变换模型等步骤。
在脑部手术中，常用的影像包括核磁共振（MRI）、计算机断层扫描（CT）等。
这些影像通过配准算法实现互相对齐，形成一个准确的三维模型，为手术提供参考。
3.医学影像配准算法在脑部手术中的应用3.1 术前手术规划医学影像配准算法可以将患者的术前影像与标准的解剖模型进行配准，帮助医生进行手术规划。
医生可以在计算机上模拟手术过程，并通过手术模拟器进行操作，优化手术方案，减少手术风险。
3.2 引导手术导航医学影像配准算法还可以结合实时手术导航系统，实现对手术过程的引导。
在手术中，医生可以通过导航仪实时显示患者的脑部结构、手术位置和手术器械的相对位置，帮助医生确定手术范围，避免伤及重要脑结构。
3.3 引入误差补偿由于手术中患者的头部姿态和位置可能会发生变化，导致术前计划与实际操作存在差异。
医学影像配准算法可以通过实时监测患者的头部姿态和位置，自动进行配准纠正，减少手术误差。
4.医学影像配准算法的应用案例4.1 脑神经导航系统脑神经导航系统是一种基于医学影像配准算法的手术辅助设备。
它通过将患者的脑部影像与手术现场进行配准，实时显示手术导航系统中，帮助医生进行手术操作。
该系统能够提高手术的准确性和安全性。
4.2 脑立体定向放疗脑立体定向放疗是一种治疗脑部疾病的有效手段。
医学影像配准算法可以将患者的MRI影像与放疗系统进行配准，实现对肿瘤精确的定位和定量剂量的设计，减少对正常脑组织的损伤。
4.3 脑部手术模拟与培训医学影像配准算法还可以与虚拟现实技术相结合，实现对脑部手术的模拟与培训。
医生可以通过虚拟现实设备进行手术模拟和操作训练，提高手术的技术水平和安全性。
基于深度学习的医学图像配准算法研究
基于深度学习的医学图像配准算法研究基于深度学习的医学图像配准算法研究摘要：医学图像配准是医学图像处理的基本任务之一，对于提高医学诊断的准确性和可视化效果至关重要。
本文旨在研究基于深度学习的医学图像配准算法，在现有研究的基础上，进一步改进配准精度和效率。
本研究提出了一种新型深度学习网络结构，并使用大量的医学图像数据对其进行训练和优化。
实验结果表明，我们的方法在医学图像配准任务中取得了显著的改进。
1. 引言医学图像配准是将不同来源或不同时间拍摄的医学图像进行对齐和匹配的过程，旨在提高医学图像的准确度和一致性。
传统的医学图像配准方法主要基于特征匹配和优化方法，但受限于特征提取和匹配的准确性，在一些复杂的情况下效果不佳。
近年来，深度学习技术的快速发展为医学图像配准问题提供了新的解决思路。
2. 研究方法本研究采用了一种基于深度学习的医学图像配准算法，该算法首先构建了一个深度卷积神经网络（DCNN）模型，并通过大量的医学图像数据对其进行训练。
然后，我们使用已有的配准数据集进行算法的优化和验证，以评估算法的配准精度和效率。
2.1. 深度卷积神经网络模型我们设计了一个多层的深度卷积神经网络模型，用于医学图像的特征提取和匹配。
该模型包括卷积层、池化层和全连接层，通过学习医学图像的特征表达，实现图像的配准和对齐。
2.2. 数据集和训练我们使用了一个包含多种类型医学图像的数据集进行训练和优化。
该数据集包括CT扫描、MRI、X光和超声图像等多个模态的医学图像。
为了提高数据的多样性和数量，我们从多个医疗机构收集了大量的医学图像数据，并进行了预处理和标注。
3. 模型分析和结果呈现本实验使用了10个不同的医学图像数据集进行测试和评估，分别包括CT扫描、MRI和X光图像。
我们将我们的深度学习算法与传统的特征匹配方法进行了比较，并评估了它们的配准精度和效率。
3.1. 配准精度比较我们使用了平均配准误差（Mean Registration Error，MRE）和配准一致性指标（Registration Consistency Index，RCI）来评估不同算法的配准精度。
基于医学图像(脑部)配准方法研究任务书_5
本科生毕业设计（论文）任务书医学图像（脑部）配准方法研究题目名称学院专业班级姓名学号指导老师一、毕业设计（论文）的内容与要求（课题内容应明确、详细，难度适中、工作量饱满；强调通过文献研究，找出多个解决方案并进行多方案对比；强调解决复杂工程问题；强调对现代工具的使用及局限性分析，强调对实验结果分析等；明确应用工程管理原理和经济决策方法，分析和评价解决方案对社会、健康、安全、法律以及文化的影响）图像配准是指：将两张以上图像进行匹配，比如不同时间、不同仪器、不同位置拍摄的两张图像。
医学图像配准是指：找一种几何变换方式，使两张医学图像的空间点达到相同。
通俗地说，图像配准就是将两幅不同的图像进行一个“对齐”、“匹配”的操作，只有如此，将两幅图像对比才具有实际意义。
图像配准也是许多后续图像处理的预处理步骤，比如图像分割、图像融合，这两种处理方法必须建立在两幅图像已经配准的基础上。
这足以说明图像配准方面的研究在临床上具有重要意义。
按空间变换类型对图像配准方法进行归纳，其主要有：刚性配准、相似变换配准、仿射变换配准、投影变换配准、可变形配准。
此外还有基于灰度的配准方法，基于图像特征点的配准方法等。
在医学研究和临床治疗中，往往需要将不同模态的图像进行配准融合。
我们依据配准过程中涉及到的图像模态，可以将图像配准分为单模态医学图像配准和多模态医学图像配准。
当配准图像的模态都为同一模态时（比如CT与CT配准），我们称之为单模态医学图像配准；而配准图像为两种或多种模态时（比如CT与MRI配准），我们称之为多模态医学图像配准。
在临床治疗和医学研究中经常会同时使用多种模态的图像，因此多模态医学图像配准使用较为广泛，也是医学图像配准的主要研究方向。
本课题设计旨在通过大量文献调研，掌握医学图像配准的实验方法，对医学图像配准技术进行研究。
从多角度对比各种配准方法的异同点，最后对配准算法进行总结归类，并对实验中的配准算法进行优缺点比较。
医学影像分析中脑部图像配准技术的应用教程与误差分析
医学影像分析中脑部图像配准技术的应用教程与误差分析在医学影像领域的研究和诊断中，脑部图像的配准是一个非常重要的技术。
脑部图像配准是指将不同扫描仪、不同时间、不同患者的脑部图像进行对齐，以实现图像的准确比较和分析。
本文将介绍脑部图像配准的应用教程，并对其误差进行分析。
一、脑部图像配准的基本原理脑部图像配准的基本原理是通过计算机算法将不同图像的特征点对齐，以达到图像重叠的效果。
常用的配准方法有刚性配准和非刚性配准。
1.1 刚性配准刚性配准适用于无需考虑脑部形变的情况，例如不同时间点的MRI图像对比。
它的基本原理是计算两个图像之间的平移、旋转和缩放变换，使得它们在空间中对齐。
常见的刚性配准算法有互信息（MI）、归一化互相关（NCC）等。
1.2 非刚性配准非刚性配准适用于需要考虑脑部形变的情况，例如手术前后的MRI图像对比。
它的基本原理是通过局部变形场来对齐图像，以克服脑部形变所引起的图像不一致。
常见的非刚性配准算法有B样条插值配准（BSpline）、光流法（Optical Flow）等。
二、脑部图像配准的应用教程下面将以互信息作为刚性配准方法，以B样条插值配准为非刚性配准方法，介绍脑部图像配准的具体操作步骤。
2.1 刚性配准教程步骤1：导入需要配准的脑部图像，包括参考图像和待配准图像。
步骤2：选择配准方法，这里以互信息为例。
步骤3：调整配准参数，包括平移、旋转和缩放变换。
步骤4：进行配准计算，得到配准后的图像。
步骤5：评估配准结果，比较配准前后的图像相似度。
2.2 非刚性配准教程步骤1：导入需要配准的脑部图像，包括参考图像和待配准图像。
步骤2：选择配准方法，这里以B样条插值配准为例。
步骤3：调整配准参数，包括形变场的控制点个数和插值次数。
步骤4：进行配准计算，得到配准后的图像。
步骤5：评估配准结果，观察图像形变情况和特征点对齐程度。
三、误差分析脑部图像配准中存在一定的误差，主要包括局部形变误差和特征点对齐误差。
基于深度学习的医学图像配准与分析研究
基于深度学习的医学图像配准与分析研究近年来，随着深度学习技术的迅速发展，它在医学图像处理领域中的应用也越来越广泛。
其中，医学图像配准与分析是一个非常重要的研究方向。
本文将就基于深度学习的医学图像配准与分析进行探讨，包括研究背景、方法原理及应用前景等方面。
首先，我们来了解一下医学图像配准与分析的背景。
医学图像配准是指将来自不同时间点、不同模态或不同患者的医学图像进行对齐，从而实现图像的比较和分析。
医学图像分析则是对医学图像进行处理和分析，以提取出有用的信息，辅助医生进行诊断和治疗。
传统的医学图像配准与分析方法通常基于手工设计的特征和数学模型，但由于医学图像的复杂性和多样性，这些方法往往难以取得令人满意的结果。
而基于深度学习的医学图像配准与分析方法则能够通过学习大量的医学图像样本，来自动学习特征和模型参数，从而更好地适应不同的图像数据。
深度学习是一种模仿人脑神经网络结构和算法的机器学习方法，它通过多个层次的神经网络将输入数据进行特征表示和分类。
深度学习在计算机视觉领域取得了很多重要的突破，例如在图像分类、目标检测和语义分割等任务上取得了很好的效果。
在医学图像配准方面，基于深度学习的方法主要包括基于卷积神经网络（Convolutional Neural Networks, CNN）和基于生成对抗网络（Generative Adversarial Networks, GAN）的配准方法。
CNN是一种深度学习网络结构，能够学习和提取出图像中的重要特征，从而实现图像的对齐。
而GAN是一种通过对抗训练的方式来生成新样本的模型，它能够学习到数据样本的概率分布，并生成具有相似特征的医学图像。
基于GAN的医学图像配准方法能够解决一些传统方法难以处理的问题，如非刚性图像配准和多模态图像配准等。
在医学图像分析方面，基于深度学习的方法主要包括基于卷积神经网络的图像分类、目标检测和语义分割等任务。
通过学习大量的医学图像样本，基于深度学习的模型能够自动学习特征并进行分类和分割。
磁共振颅脑图像配准的研究
摘要医学图像配准与信息融合是当代信息科学、计算机图像技术与当代医学等多学科交叉的一个研究领域。
医学图像的回溯性配准是序列图像和多模图像自动分析的前提条件和核心问题之一，在基础医学研究临床诊断、治疗、质量保证和疗效评价等方面都有广泛的应用。
本文首先介绍了医学图像配准研究的现状和方法，给出了图像配准的定义及一般步骤等基础知识，分析了医学图像配准领域的研究现状和存在的问题。
对各类配准算法及其相关技术进行了综述，总结了它们各自优缺点。
并对多分辨率条件下的各种相似性测度的性能进行了比较。
提出了一种在金字塔各层应用不同相似性测度的图像配准方法。
实验结果表明，本文的方法可以提高配准算法的收敛域与收敛精度。
其次，基于曲波变换理论，提出了一种基于曲波变换的图像配准算法。
相比传统的小波变换，曲波变换更适合分析图像中包含的线状边缘信息，并对图像中包含的噪声具有较好的抑制作用。
实验结果表明，本文的算法能有效的抑制待配图像中存在的噪声与灰度不均匀等干扰信息，具有良好的鲁棒性。
与基于小波变换的配准结果相比，基于曲波变换的配准算法具有更高的配准精度，达到了亚像素级精度。
最后，提出了一种改进的PSO-GA混合优化算法。
将遗传算法的操作因子引入粒子群算法中，在保证基本粒子群算法收敛速度的前提下，提高了算法的全局收敛能力。
实验结果表明，PSO-GA混合算法能有效的跳出目标函数中存在的局部极值，提高配准的精确度。
关键词：医学图像配准；相似性测度；曲波变换；优化算法AbstractMedical image registration and fusion is a crossing research topic of information science, computer image technology and modern medicine. Retrospective medical image registration is a key technology to make full use of the modern multimodality medical images integratedly. It is very important to the automatic analysis of serial images and multimodality images, and widely used in the areas of clinical diagnoses, therapy, quality assurance and evaluation.Firstly, related concept, methods and the up-to-the-date situation are briefly reviewed in this thesis. Then several commonly-used similarity measures were compared under multiresolution wavelet framework. A new registration method was released, which is using different similarity measure on different level of wavelet pyramid. The experimental results show that the proposed method obtained a longer capture range and more accurate results.Secondly, we proposed an image registration approach based on curvelet transform. Compare with the classical wavelet transform, curvelet transform is more appropriate for the curve analyzing and noise reduction. Experimental results show that the proposed algorithm can achieve subpixel precision with higher accuracy and robustness than wavelet transform based algorithm.Finally, this thesis proposed an improved PSO-GA optimum. PSO-GA hybrids offer a combination of the GA (Genetic Algorithms) and PSO (Particle Swarm Optimization) with the hope of utilizing the GA operators. Experimental results show that the PSO-GA optimum can avoid the local maxima of similarity measures effectively, and improved the accuracy of registration process.Key Words: medical image registration, similarity measure, curvelet, optimum目录摘要Abstract第一章 诸论 (1)1.1 选题意义和研究目的 (1)1.2 医学图像配准的发展概况 (4)1.3 医学图像配准方法的分类 (5)1.4 本文研究内容 (7)1.5 数据来源 (7)第二章 医学图像配准的基本变换 (9)2.1 刚体变换 (10)2.2 仿射变换 (10)2.3 投影变换 (11)2.4 非线性变换 (11)第三章 相似性测度的性能研究 (14)3.1 小波变换（Wavelet Transform） (15)3.1.1 连续小波变换 (15)3.1.2 离散小波变换 (17)3.1.3 图像小波变换的频率特性 (18)3.1.4 基于小波金字塔的图像配准 (18)3.2 相似性测度 (18)3.2.1 相关比（Correlation Ratio, CR） (19)3.2.2 PIU测度（Partitioned Intensity Uniformity, PIU） (19)3.2.3 基于熵的配准测度 (20)3.3 实验结果与分析 (21)3.3.1 配准测度收敛性能实验 (21)3.3.2 配准测度精确度性能实验 (28)3.4 本章小结 (21)第四章 基于曲波变换的图像配准 (35)4.1 第一代曲波变换（Curvelet99） (35)4.1.1 连续脊波变换 (36)4.1.2 Radon变换 (36)4.1.3脊波变换金字塔 (37)4.1.4 离散脊波变换 (38)4.1.5 曲波变换 (39)4.2 第二代曲波变换（Curvelet02） (41)4.2.1 第二代曲波变换原理 (41)4.3 基于第二代曲波变换的医学图像配准 (44)4.3.1 基于第二代曲波变换的图像配准流程 (44)4.3.2 基于第二代曲波变换的图像配准结果 (45)4.4 本章小结 (48)第五章 优化策略 (50)5.1 遗传算法 (50)5.1.1 遗传算法的基本原理 (51)5.1.2 遗传算法的一般步骤 (51)5.1.3 遗传算法的特点 (54)5.2 粒子群优化算法 (55)5.2.1 算法原理 (55)5.2.2 基本粒子群算法 (56)5.2.3 改进粒子群算法 (58)5.3 粒子群-遗传算法 (59)5.3.1 PSO-GA算法流程 (60)5.3.2 实验结果与分析 (63)5.4 本章小结 (67)结论 (68)参考文献 (70)附录A（攻读学位期间所发表的学术论文目录） (75)附录B（攻读学位期间参与的科研课题） (76)致谢 (77)第一章绪论20世纪以来，医学成像技术经历了一个从静态到动态，从形态到功能，从平面到立体的发展过程，尤其近年计算机技术的迅猛发展为临床医学提供了多种成像手段。
基于神经网络的医学图像配准方法研究
基于神经网络的医学图像配准方法研究医学图像配准是医学影像领域中的重要任务，它可以将不同模态或不同时间点获取的医学图像对齐，进而提供准确的定量分析和准确的病情诊断。
在过去的几十年中，研究人员提出了各种各样的图像配准方法，其中基于神经网络的医学图像配准方法因其优良的性能而受到广泛关注。
神经网络是一种能够模拟人脑神经元网络结构的计算模型，具有非常强大的学习和表示能力。
基于神经网络的医学图像配准方法主要利用神经网络的非线性映射能力来实现不同图像之间的准确配准。
下面将介绍一些常见的基于神经网络的医学图像配准方法。
首先，基于卷积神经网络的医学图像配准方法是目前应用最广泛的方法之一。
卷积神经网络能够自动提取图像中的特征，针对医学图像的特点进行学习，从而实现图像配准的目标。
该方法通常包含两个主要步骤：特征提取和配准。
在特征提取阶段，卷积神经网络通过多层卷积和池化操作，逐层提取医学图像的高级特征。
在配准阶段，利用模板匹配或优化算法，将不同图像的特征映射到同一坐标系中，实现图像的准确配准。
其次，基于生成对抗网络的医学图像配准方法也是当前研究的热点之一。
生成对抗网络由生成器和判别器两个网络组成，生成器负责生成与目标图像相似的合成图像，判别器则负责判断生成的图像与真实图像的差异。
通过训练生成对抗网络，可以使生成的图像与真实图像尽可能接近，从而实现医学图像的配准。
这种方法不仅可以根据医学图像的特点生成合成图像，还可以通过优化生成器和判别器的结构和参数，进一步提高图像配准的准确性和鲁棒性。
此外，基于变分自编码器的医学图像配准方法也得到了广泛的研究。
变分自编码器是一种生成模型，它可以通过学习样本数据的分布特点，从而实现图像的重建和合成。
在医学图像配准中，变分自编码器可以学习并提取医学图像的特征，通过最小化重建误差来实现图像的配准。
相比于其他方法，基于变分自编码器的医学图像配准方法具有较好的适应性和泛化能力，并且可以处理多模态或不完整的医学图像。
基于深度学习的医学图像配准算法研究
近年来，深度学习在医学图像配准领域取得了显著 进展，通过训练深度神经网络模型，可以实现更准 确、高效的图像配准。
研究意义
本文旨在研究基于深度学习的医学图像配准算法， 提高配准精度和效率，为医学诊断和治疗提供更准 确、可靠的图像支持。
国内外研究现状及发展趋势
国内研究现状
02
医学图像配准基本原理
医学图像配准定义
医学图像配准
是指将不同时间、不同成像设备或不同条件下获取的医学图像进 行空间对齐的过程，使得相应解剖点在两幅或多幅图像上达到空 间上的一致。
配准的目的
是为了消除或减少由于成像条件差异导致的图像间的几何形变和 灰度差异，为后续医学图像处理和分析提供准确、可靠的数据基 础。
配准算法分类
基于特征的配准算法
通过提取图像中的特征点、线、面等 结构信息进行配准，如SIFT、SURF等 算法。
基于灰度的配准算法
基于深度学习的配准算法
通过训练深度学习模型学习图像间的 复杂非线性变换关系，实现图像的自 动配准。
利用图像间灰度的统计信息进行配准 ，如互信息法、交叉相关法等。
评价指标
激活函数
在神经网络中引入非线性激活 函数，如ReLU、Sigmoid等， 增加网络的表达能力，使其能 够拟合复杂的非线性关系。
卷积神经网络在医学图像配准中应用
80%
图像特征提取
卷积神经网络通过卷积操作提取 图像中的局部特征，利用多层卷 积层叠加，实现对图像从局部到 全局的特征提取。
100%
特征图匹配
01
02
03
硬件环境
使用高性能GPU服务器进 行训练和测试，确保计算 效率和速度。
软件环境
医学影像分析中的脑部图像配准技术研究
医学影像分析中的脑部图像配准技术研究脑部图像配准技术是医学影像分析中的关键步骤，主要用于将多个脑部图像的空间位置对齐，以便进行比较和分析。
本文将探讨脑部图像配准技术的原理、方法以及应用。
在医学影像分析中，脑部图像配准的目的是将不同时间点或不同个体的脑部图像对齐，以便进行定量分析和比较。
例如，在研究脑部疾病的发展过程中，研究者可能需要将同一个患者在不同时间点的脑部图像对齐，以便观察病变的变化。
另外，对多个个体的脑部图像进行配准，可以帮助研究者在不同个体之间进行比较，揭示脑部结构和功能的差异。
脑部图像配准的原理基于图像的空间变换，即将一个图像的像素坐标映射到另一个图像的相应位置上。
常用的脑部图像配准方法包括基于特征点的配准、基于图像强度的配准以及基于形变场的配准。
基于特征点的配准是一种常用的方法，它通过在图像中提取特征点，并将这些特征点之间进行匹配，从而实现图像的对齐。
常用的特征点包括角点、边缘点和斑点等。
这种方法主要用于静止图像的配准，其优点是计算速度快，但对于存在变形或运动的图像效果较差。
基于图像强度的配准是一种更为常用的方法，它将图像的灰度值作为特征，通过最小化图像之间的相似度指标来实现对齐。
常用的相似度指标包括互信息（Mutual Information）和归一化互相关系数（Normalized Cross Correlation）等。
这种方法适用于静止图像和动态图像的配准，对于存在较大变形或运动的图像效果较好。
基于形变场的配准是一种更为复杂和精确的方法，它通过建立源图像到目标图像的像素级映射关系，实现图像的对齐。
在这种方法中，脑部图像被看作是一个弹性体，并通过计算形变场来表示图像间的变换。
常用的形变场模型包括仿射变换、非线性变换和流形变换等。
这种方法可以较准确地处理脑部结构的形变和变形，适用于高度变形的图像。
脑部图像配准技术在临床医学和科学研究中具有广泛的应用。
在临床上，脑部图像配准可以辅助医生进行疾病诊断和手术规划，帮助准确定位病变部位。
一种基于混合优化算法的医学图像配准方法
一种基于混合优化算法的医学图像配准方法
沈小卫;何明一
【期刊名称】《计算机应用研究》
【年(卷),期】2010(027)008
【摘要】为了实现脑部多模医学图像配准,提出了一种基于混合优化算法的配准方法.该算法采用遗传算法中的杂交思想改进了混沌粒子群算法,并用最大互信息测度对脑部MRI及CT图像进行配准.该改进算法可有效地避免优化算子陷入局部极值,而且算法收敛快.实验结果证明了提出的基于遗传思想的改进混沌粒子群优化算法对多模医学图像配准具有有效性.
【总页数】3页(P3159-3161)
【作者】沈小卫;何明一
【作者单位】西北工业大学,电子信息学院,陕西省信息获取与处理重点实验室,西安,710129;西北工业大学,电子信息学院,陕西省信息获取与处理重点实验室,西安,710129
【正文语种】中文
【中图分类】TP391.4
【相关文献】
1.基于混合优化算法的医学图像配准技术 [J], 王雪;王秋爽
2.基于混合优化算法的医学图像配准方法 [J], 别术林;刘杰;唐子淑;邱禧荷
3.基于混合互信息和改进粒子群优化算法的医学图像配准方法 [J], 史益新;邱天爽;
韩军;金声
4.基于混合粒子群优化算法的医学图像配准 [J], 火元莲;齐永锋;吕振肃;马胜前
5.基于混合互信息和改进粒子群优化算法的医学图像配准 [J], 黄宝康
因版权原因，仅展示原文概要，查看原文内容请购买。
基于小波变换的脑部医学Demons图像配准
基于小波变换的脑部医学Demons图像配准
唐祚;闫德勤;刘彩凤
【期刊名称】《计算机测量与控制》
【年(卷),期】2015(023)007
【摘要】非刚性配准是医学图像处理的一个重要研究方向;针对Demons衍生出的一系列经典的配准算法在医学图像应用上计算复杂、方向信息不足问题进行了研究;基于光流场模型的Demons算法依赖图像灰度梯度使图像发生变形,当缺乏梯度信息时,力不能确定,因而容易造成误差,并且该算法仅适合于单模态图像配准;为此文章提出了一种基于小波变换理论的频域Demons配准处理方法(BDemons);该方法利用小波变换能够对各个尺度、方向和位置实现较好定位的优势,通过高频、低频的图像变换反映出图像的特征信息;实验结果证明了算法的有效性和鲁棒性.
【总页数】3页(P2515-2517)
【作者】唐祚;闫德勤;刘彩凤
【作者单位】辽宁师范大学计算机与信息技术学院,辽宁大连 116081;辽宁师范大学计算机与信息技术学院,辽宁大连 116081;辽宁师范大学计算机与信息技术学院,辽宁大连 116081
【正文语种】中文
【中图分类】TP181
【相关文献】
1.基于非冗余平移不变小波变换的医学图像配准 [J], 石宏理;罗述谦
2.基于改进光流场模型的脑部多模医学图像配准 [J], 许鸿奎;江铭炎;杨明强
3.基于结构图像表示和微分同胚 Demons 算法的多模态医学图像配准 [J], 李碧草;张俊峰;杨冠羽;舒华忠
4.基于互信息的EAA算法的脑部医学图像配准技术 [J], 李琳;李刚;崔晓艺;孙欣
5.基于局部熵的Active Demons多模医学图像配准 [J], 薛文静;党建武;王阳萍;杜晓刚
因版权原因，仅展示原文概要，查看原文内容请购买。
基于深度学习的医学图像配准算法研究
基于深度学习的医学图像配准算法研究一、引言医学图像配准是指将不同时间或不同成像模式下的医学图像对齐，以便于取得更全面、清晰和可视化的图像信息。
医学图像配准应用广泛，包括光学成像、放射学、磁共振成像、计算机断层扫描等。
一般而言，医学图像配准具有时间耗费长、结果不利于直观表示以及复杂度高等特点。
为了解决这些问题，近年来，深度学习技术在医学图像配准领域中得到广泛应用。
本文主要介绍基于深度学习的医学图像配准算法研究。
二、医学图像配准研究现状①传统图像配准方法传统的医学图像配准算法包括基于特征的方法、基于刚体或仿射变换的方法、基于流形的方法以及基于融合的方法等。
传统配准方法存在的一些问题包括精度不高、需要多种技术相结合、易受到噪声和伪影等影响。
②深度学习在医学图像配准中的应用深度学习已经成为重要的模式识别技术，在医学图像配准中应用起来也更为广泛。
其优点主要包括通过大量数据学习，减少了对特定场景的人工规则的依赖，从而降低算法实现的门槛，同时深度学习算法自动进行特征提取、模式匹配等操作，精度相较于传统方法得到了极大提升。
三、深度学习在医学图像配准中的实现①视觉变换网络视觉变换网络（STN）是在网络的中低级特征层次上，对输入图像进行空间变换的网络。
STN可以根据上游类别、位置、提供的元数据或应用程序的其他输入来执行任意输入矩形中的空间变换。
STN可以在卷积神经网络（CNN）结构中集成，这使得深度学习模型对输入图像的变换关系倾向于自行优化，而不依赖于额外的先验知识。
②内部特征学习网络相对于CNN等模型的输入直接来自原始的图像像素值，内部特征学习网络（IFL-NET）使用特征点作为输入。
IFL-NET在提取原始图像特征后，将其作为特征点输入，经过随机森林（Random Forest）模型进行点云配准。
IFL-NET模型的优点在于既不依赖于具体的仿射模型，又能够通过特征点的学习提供更具有普适性的模型，使得其可以适用于多种医学图像配准场景。
基于医学图像配准方法的研究
基于医学图像配准方法的研究
曲延华;秦宏;张玉梅
【期刊名称】《科技信息》
【年(卷),期】2009(000)013
【摘要】本文对医学图像的配准方法进行了研究,分析了刚性配准和非刚性配准方法的主要区别和适用范围,并分别对图像进行了两种方法的配准.
【总页数】2页(P388,381)
【作者】曲延华;秦宏;张玉梅
【作者单位】沈阳工程学院自动控制工程系电子技术教研室,辽宁,沈阳,110136;沈阳工程学院自动控制工程系电子技术教研室,辽宁,沈阳,110136;沈阳工程学院自动控制工程系电子技术教研室,辽宁,沈阳,110136
【正文语种】中文
【中图分类】G71
【相关文献】
1.基于改进的互信息结合边缘互方差的医学图像配准方法研究 [J], 刘青芳;李月娥
2.一种基于标记点的三维医学图像配准方法研究 [J], 冯云;张维军;李寅岩;张送根
3.基于特征点和互信息的医学图像配准方法比较研究 [J], 鲍军肖;谷俊改
4.基于混合配准策略的多模态医学图像配准方法研究 [J], 齐永锋;火元莲
5.基于互信息的多模态医学图像配准方法研究 [J], 沈仑; 寿鹏里
因版权原因，仅展示原文概要，查看原文内容请购买。
一种头部磁共振图像自动配准方法
一种头部磁共振图像自动配准方法
邓莹莹;廖庆敏;李永;SuRuan;DanielBloyet
【期刊名称】《计算机应用》
【年(卷),期】2003(023)005
【摘要】提出一种基于曲线形状匹配的头部磁共振图像自动配准方法,可实现预分割提取头部轮廓曲线、曲线形状特征提取及匹配和单层匹配结果的校正.实验证明在缺乏成像位置参数时,该方法可快速有效地成功实现头部磁共振图像的配准,特别是颅脑内部包含肿瘤的图像配准.
【总页数】3页(P47-49)
【作者】邓莹莹;廖庆敏;李永;SuRuan;DanielBloyet
【作者单位】清华大学,电子工程系,北京,100084;清华大学,电子工程系,北
京,100084;清华大学,电子工程系,北京,100084;卡恩大学,法国;卡恩放射和材料科学研究所计算机-图像-自动化-仪器研究组实验室,法国
【正文语种】中文
【中图分类】TP391.41
【相关文献】
1.一种基于FCM和VBM的头部磁共振图像多组织分割算法 [J], 刘君;何南;武和雷
2.一种三维激光数据与数码影像自动配准的方法 [J], 宋二非;童小华;刘向锋;陈鹏
3.一种基于改进SURF的遥感图像自动配准方法 [J], 吕健春
4.一种基于改进SURF的遥感图像自动配准方法 [J], 吕健春
5.基于核磁共振图像的人体头部三维重建的方法 [J], 房晶;高小榕;高上凯
因版权原因，仅展示原文概要，查看原文内容请购买。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
本科生毕业设计（论文）任务书医学图像（脑部）配准方法研究题目名称学院专业班级姓名学号指导老师一、毕业设计（论文）的内容与要求（课题内容应明确、详细，难度适中、工作量饱满；强调通过文献研究，找出多个解决方案并进行多方案对比；强调解决复杂工程问题；强调对现代工具的使用及局限性分析，强调对实验结果分析等；明确应用工程管理原理和经济决策方法，分析和评价解决方案对社会、健康、安全、法律以及文化的影响）图像配准是指：将两张以上图像进行匹配，比如不同时间、不同仪器、不同位置拍摄的两张图像。
医学图像配准是指：找一种几何变换方式，使两张医学图像的空间点达到相同。
通俗地说，图像配准就是将两幅不同的图像进行一个“对齐”、“匹配”的操作，只有如此，将两幅图像对比才具有实际意义。
图像配准也是许多后续图像处理的预处理步骤，比如图像分割、图像融合，这两种处理方法必须建立在两幅图像已经配准的基础上。
这足以说明图像配准方面的研究在临床上具有重要意义。
按空间变换类型对图像配准方法进行归纳，其主要有：刚性配准、相似变换配准、仿射变换配准、投影变换配准、可变形配准。
此外还有基于灰度的配准方法，基于图像特征点的配准方法等。
在医学研究和临床治疗中，往往需要将不同模态的图像进行配准融合。
我们依据配准过程中涉及到的图像模态，可以将图像配准分为单模态医学图像配准和多模态医学图像配准。
当配准图像的模态都为同一模态时（比如CT与CT配准），我们称之为单模态医学图像配准；而配准图像为两种或多种模态时（比如CT与MRI配准），我们称之为多模态医学图像配准。
在临床治疗和医学研究中经常会同时使用多种模态的图像，因此多模态医学图像配准使用较为广泛，也是医学图像配准的主要研究方向。
本课题设计旨在通过大量文献调研，掌握医学图像配准的实验方法，对医学图像配准技术进行研究。
从多角度对比各种配准方法的异同点，最后对配准算法进行总结归类，并对实验中的配准算法进行优缺点比较。
具体任务为：1、了解本课题研究背景、目的和意义；分析目前医学图像配准面临的主要技术问题，综述当前医学图像配准技术的研究现状；制定本课题的研究工作内容以及假设实验达到的预期结果。
2、研究掌握配准流程中各个步骤的实现方法、以及现有的各种配准算法的原理、特点。
3、制定实验流程，搭建实验编程环境及平台，目前的医学图像配准开发平台主要有ITK、Elastix、MATLAB等。
收集同一部位的多组医学图像数据（如CT、MRI等），注：脑部医学图像数据资源较多。
4、对医学图像进行单模态配准（如：CT-CT、MRI-MRI），配准方式：刚性配准和弹性（非刚性）配准。
根据实验条件，采用适合的刚性配准算法和非刚性配准算法对图像进行配准操作。
对配准实验结果进行比较分析（配准算法比较、配准方式比较）5、在第4步的实验基础上，对医学图像进行多模态非刚性配准（CT-MRI），并实现较好的配准结果。
注：在第4、5步中，需要利用可视化软件查看配准结果。
6、对上述实验得出的结果，进行讨论分析。
7、对课题进行总结与技术展望。
二、毕业设计（论文）应完成的工作（文献研究，方案比较，解决方案对社会等其他领域的影响分析，深入原理，现代工具使用及局限，方案实施，结果分析，本课题工程经济、管理、伦理方面的考虑。
）（1）文献研究：查阅国内外关于医学图像配准的相关文献，收集各种医学图像配准方法以及实现环境、平台，了解当前国内外医学图像配准的技术研究进展以及存在的技术不足。
（2）方案比较分析：目前，可以用于医学图像配准的主流方案主要有：基于Visual Studio的ITK （Insight Toolkit）平台、基于ITK工具包的Elastix软件包、MATLAB平台等。
（3）解决方案对社会等其他领域的影响分析：由于医学成像设备多种多样并且成像原理各不相同，出现了各种各样的成像类型，常见的成像手段有核磁共振成像（MRI）、计算机断层成像（CT）、X射线成像等等，正是由于病人在不同时间，不同条件下，或是不同的设备产生的图像也会有所差异，因此各图像的医学特征信息可能片面化。
综合以上存在的问题，本课题提出了针对医学图像配准的研究方案，通过图像配准技术，实现各图像的信息互补。
医学图像配准把各个图像的优点或互补性有机结合起来，获得信息量更为丰富的新图像的技术。
图像配准技术可以利用各自图像的信息优势，在同一幅图像上同时表达来自人体的多方面信息，使人体内部的结构、功能等多方面的状况通过影像反映出来，从而更加直观地提供人体解剖、生理及病理等信息，为医生提供全面了解病人病情的条件，方便医生进行病情诊断。
（4）深入原理：暂无。
（5）现代使用工具及局限：编程开发工具：1）Microsoft Visual Studio 软件Microsoft Visual Studio 简称VS，是微软公司的开发工具包产品，支持微软开发的所有平台，适合各方面的开发。
VS 有多种版本，随着开发者们的不断改进，其功能逐渐趋向于完善，被公认是最好用的IDE（集成开发环境）。
注：本设计可使用基于Visual Studio的ITK、VTK工具2）ITK库Insight Segmentation and Registration Toolkit 简称ITK，是一个开源、面向对象的算法库，也是一个提供医学图像处理、配准与分割算法的平台。
它是一种基于C++语言、针对医学图像处理领域而开发的库。
ITK 基本上包括了常用的医学图像处理算法，用户既不需要重新写每个算法的代码，也不需要弄清楚其中的原理，就能够在实践中应用。
优点：ITK 是面向对象的库，处理问题时一般是管道式的结构，语法和功能比较固定，可以现学现用。
局限性：ITK 没有可视化函数，因此无法实现可视化功能，在做医学图像处理时无法查看，不够直观。
针对这一缺点常采用ITK 与某些可视化库（VTK）结合。
3）Elastix软件包Elastix是基于ITK的开源软件，大部分代码基于ITK，所以与ITK功能基本相同。
该软件由一组用于解决医学图像配准问题的算法组成。
优点：Elastix的模块化设计允许用户快速配置、测试和比较特定应用程序的不同配准方法。
命令行界面支持通过脚本自动处理大量数据集。
可视化工具：1）VTK库Visualization Toolkit 简称VTK，和ITK 一样，是一个开源的C++库，并提供了多种编程语言的接口。
它最主要的功能是图像处理和可视化，这点恰好可以弥补ITK 的不足。
由于数据信息对人而言比较抽象，而图像信息比较直观，数据可视化可以帮助人们理解复杂概念。
CT 扫描出来的三维数据，可以用VTK 进行三维重建，帮助医生直观诊断、分析疾病，也可以利用VTK 分割出病变区域，3D 辅助医生进行手术。
2）3D Slicer 软件3D Slicer是一款开源、免费和可扩展的医学图像处理和可视化的医学图像处理和分析应用平台。
由波士顿布里格姆妇女医院手术计划实验室和麻省理工学院人工智能实验室于1998年联合开发而成。
3D Slicer是一款易于使用分析和可视化的软件，此外3D Slicer还支持多操作系统，如Windows，Mac OS X和Linux。
（6）方案实施：暂无。
（7）结果分析：暂无。
（8）课题工程经济、管理、伦理方面考虑：三、毕业设计（论文）进程安排四、应收集的资料及主要参考文献任务书起始日期：2019-01-10 指导教师签名:任务预计完成期：2019-05-30 专业负责人签章:主管教学院长签章:参考文献：[1] 张程程. 基于图像合成的非刚性多模态医学图像配准[D].中北大学,2020.[2] 程章培. 基于深度学习的3D生物医学脑图像配准算法研究[D].安徽大学,2020.[3] 王杨. 基于迭代回归的2D/3D多模态医学图像配准[D].电子科技大学,2020.[4] 杨德荣. 非刚性医学图像配准技术研究[D].南昌航空大学,2019.[5] 卢佳毅. 基于卷积神经网络的肺部CT图像配准方法[D].华中科技大学,2019.[6] 王晨. 医学图像配准综述[D].浙江大学,2019.[7] 张驰. 基于B样条和互信息的多模态医学图像非刚性配准方法研究[D].浙江工业大学,2019.[8] 张丽梅. 医学图像非刚性配准方法及系统研究[D].南京理工大学,2019.[9] 蒋洪波. 脑部医学图像配准算法的研究[D].电子科技大学,2018.[10] 汪军. 基于B样条和互信息的非刚性医学图像配准的研究与应用[D].太原理工大学,2017.[11] 史聪文. 多模医学图像配准技术研究[D].苏州大学,2017.[12] Orestis Zachariadis,Andrea Teatini,Nitin Satpute,Juan Gómez-Luna,Onur Mutlu,Ole Jakob Elle,Joaquín Olivares. Accelerating B-spline interpolation on GPUs: Application to medical image registration[J]. Computer Methods and Programs in Biomedicine,2020,193.[13] 吕凯,吴军.基于B样条和水平集方法的医学图像联合分割与配准[J].激光与光电子学进展,2020,57(10):86-96.[14] 姚明青,胡靖.基于深度强化学习的多模态医学图像配准[J].计算机辅助设计与图形学学报,2020,32(08):1236-1247.[15] 曾安,王烈基,潘丹,黄殷.基于FCN和互信息的医学图像配准技术研究[J].计算机工程与应用,2020,56(18):202-208.[16] 沈仑,寿鹏里.基于互信息的多模态医学图像配准方法研究[J].科学技术创新,2019(34):93-94.[17] 张桂梅,胡强,郭黎娟.基于自适应分数阶的医学图像非刚性配准[J/OL].自动化学报:1-11[2020-10-16].[18] Staring M , Van d H U A , Klein S , et al. Registration of Cervical MRI Using Multifeature Mutual Information[J]. Medical Imaging IEEE Transactions on, 2009, 28(9):p.1412-1421.[19] 刘薇. 医学图像配准的关键技术研究[D].电子科技大学,2017.[20] 潘晓光. 医学图像配准算法及其应用的研究[D].东北大学,2012.[21] 顾菊平,程天宇,王建平,华亮,赵凤申,蒋凌.基于几何特征不变量的快速3D医学图像配准(英文)[J/OL].系统仿真学报:1-5。