基于卷积变分自编码网络的脑部MRI医学图像配准方法研究

• 作 者: 王子成
• 机 构: 山东大学
• 出 处: 山东大学
• 发表日期: 2021年期
• 关键词: 医学图像配准

医学图像配准是临床医学研究中处理医学图像信息的关键技术，传统方法主要依赖于医生人工标识的特殊标记物作为关键点来指导图像配准，但是该过程复杂而冗长，较为依赖医生经验，容易出现错误。随着数字图像的不断发展，传统方法已经无法应对越来越多的高精度医学图像。因此，使用深度学习(Deep Learning，DL)网络进行医学图像配准逐渐成为研究热点，其中针对高精度数字图像的配准方法研究主要使用端到端的配准方法，这种方法虽然可以实现快速的一步到位配准，但是和传统方法相比，在配准时会损失重要的关键部位特征信息，例如病灶发生位置等，不利于临床中对病理的分析和判断。
　　针对现有配准方法的不足，本文受深度学习在特征选择领域已取得的应用效果所启发，对基于深度学习的图像配准技术展开研究，旨在有效地提取医学图像关键点特征信息，进而提高医学图像配准的速度和准确性。论文的主要内容和研究成果包括:
　　提出了一种基于深度卷积变分自编码网络的关键点特征提取方法。在深度卷积变分自编码网络的构建中，首先将变分自编码(Variational Auto-Encoder，VAE)网络改造成适合高精度医学图像的卷积变分自编码网络。该网络可以输入带有关键点的图像块，输出该关键点的256维属性向量。在此基础之上，使用栈式自编码网络(Stacked Autoencoder，SA)进一步提取关键点特征信息，最后得到128维用于指导关键点匹配的特征信息。本文对所构建的提取特征点信息的网络进行了测试验证分析。经实验证实，卷积变分自编码网络所匹配的关键点，在对同一张经过变形的图像进行配准时，比SIFT等传统方法匹配的关键点得到了更高的匹配准确率。
　　提出了一种基于特征的医学图像配准方法，首先改进HAMMER算法以及Diffeomorphicdemons算法，令其可以适配卷积变分自编码网络所提取的关键点的特征信息。然后对脑部MRI图像进行预处理，使其可以适合作为卷积变分自编码网络的输入，接着使用网络输出的关键点特征信息将待配准图像的关键点一一匹配。最后通过两种改进后的传统算法实现对医学图像的配准工作。
　　基于以上研究成果，在ADNI(Alzheimers Disease Neuroimaging Initiative)与LONI数据集上进行了医学图像配准实验，并对配准效果进行了评估，通过实验证实了所提方法的可行性和有效性。实验结果表明，与传统的方法获取的关键点对相比，本文构建的深度卷积变分自编码网络所指导匹配的关键点对，在指导医学图像配准时可以获得更高的准确率。同时，由于卷积变分自编码网络并不依赖于人工特征点或是图像标签，属于无监督网络，在临床医学的实用性与效率上都更具有优势。此外，在两个数据集上都获得了较为一致的配准准确率，说明构建的网络具有一定的稳定性和泛用性。综上，本文所提出的基于特征点提取的医学图像配准方法，可以更快速有效地进行临床医学图像配准工作，对医生工作具有良好的辅助作用，具有一定的实用价值。