整个工作流的2 d图像比传统方法如图预先登记 1。在传统的算法中,一个仿射矩阵计算通过检测特性之间的通讯,包含信息的旋转,规模,和翻译。这个过程明显受到特征点检测的准确性。在切断变形图像,传统的功能方法通常腐败。我们的算法单独流程上面的三个元素。通过精炼过程,准确的固定和移动图像之间的对应关系。它的工作原理如下。 (我)

旋转,首先cnn离线训练分类器是为了纠正图像的旋转程度严重变形。cnn训练分类器可以识别360类旋转。

不同于2 d图像预先登记,cnn分类器是用于片位置的体素( x y , y z , x z 三个方向),而不是旋转标识符。3 d图像预先登记的工作流程是显示在图 2。主要过程包括抽样、片分类、变换矩阵计算,和图像变换的矩阵。使用有线电视新闻网3 d图像配准是一个新的尝试来解决高形变图像配准。详细的方法介绍了部分 5。2。

(1)分类的鲁棒性。cnn是一种基于数据分类方法进行培训,适当的数据量。CNN适合几乎任何类型的数据,可以使分类精度高,尤其是对功能磁共振成像的低质量,CT图像或图像在高变形(实验部分 5显示了这两种真实数据适合CNN处理方法)。详细的cnn结构和反向传播训练方法将部分中描述 3.5。

(2)自动图像特性感知。几乎所有种类的预先注册方法是基于精确的特征感知,这样不同的特性感知方法扮演关键的角色在这个过程。传统的图像特征感知方法通常是基于专家指定的数据特征。通常专家给一些固定的方法来检测特定功能有限种类的图像。例如调情方法使用跨模型体素相似措施相关比率和互信息用于检测体素关系的不同部分。这种方法限制图像来源,高质量和变量设置。当特殊情况发生时,一些大的变形图像输入为例,它不会工作得很好。而网络本身的特性从cnn方法学会从训练数据,如边缘亮度,高或低频率特性,分布特征等等。一旦训练数据更新,网络会自动得到适合更多的功能在同一时间。尽管训练时间长和复杂的网络变量学习使CNN方法不是那么容易使用,由于其精度高,它仍然是图像处理和未来趋势。

(3)高效的分类。虽然cnn的数据训练时间长(根据详细的训练方法,网络层结构和硬件设备比如GPU),测试或分类所花费的总时间是很短的。一旦网络训练好,唯一一次消费处理如线性操作。

最重要的是,尽管有一些不错的仿射变换方法基于专家知识,我们仍然需要一个聪明的适应更复杂的图像处理任务。

深度学习的概念是由辛顿和Salakhutdinov 92006年],它带来了巨大的进步机器学习。学习旨在构建/使用大脑深处模拟识别数据,如图像/视频、音频和文本以一种无监督的方式。深度学习框架使用一个多层“编码器”网络将高维数据转换为一个低维代码和一个类似“译码”网络恢复的数据代码。低层网络的输出作为输入更高的层网络。整个网络的目标是相同的输入和输出没有损失的信息。通过使用底层特性代表更高的层功能/分类、分布特性表示的数据。汽车编码器,稀疏编码、限制玻耳兹曼机(元),深层信念网络(DBNs)和cnn五种深度学习框架。卷积神经网络是优秀的深度学习架构,首先介绍了福岛( 10),申请了手写数字识别。图像识别和分割任务也成功应用cnn自那时以来,错误率低至0.23% MINST数据库( 11]。此外,它是图像分类的速度和精度高( 12]。在面部识别 13, 14)和视频质量分析( 15),cnn还获得了大量减少错误率和均方根误差。

CNN是一个多层感知器组成的多层膜,每一层用卷积层二次抽样层紧随其后。通过本地网络连接,固定特征的自然图像利用网络拓扑。首先,图像采样成小块。卷积层,小功能探测器是基于这些提取的样本学习。然后,特征检测器的特性是通过卷积计算和图像。在抽样层,功能降低减少计算复杂度和不变性特性介绍。cnn学的特性的一个重要属性是平移不变性,旋转,缩放和其他变形。这两次特征提取结构使cnn高变形公差时识别输入样本。

cnn没有区别与其他的目标分类方法。他们都集中在最小平方误差。在这里,我们使用 c 来表示类数, N 来表示训练数据集,总平方误差函数可以显示: (2) E N = 1 2 ∑ n = 1 N ∑ k = 1 c t k n - - - - - - y k n 。

在这里 t k n 是 k 维度的 n 数据集, y k n 代表了 k 网络的输出,激活函数在cnn乙状结肠函数更快的收敛速度。对于每一个单一的数据集 n , 2可以描述为 3。cnn的最终目的是实现的最小平方误差 t k n 和 y n 。考虑 (3) E n = 1 2 ∑ k = 1 c t k n - - - - - - y k n 2 = 1 2 t n - - - - - - y n 2 2 。

对传统全连接神经网络、BP(反向传播方法)是用来计算偏导数最小平方误差,通常 我 当前层的输出 我 可以显示为 4,在那里 f 是乙状结肠函数。考虑 (4) x l = f u l , 与 u l = W l x l - - - - - - 1 + b l , (5) x j l = f ∑ 我 ∈ 米 j x 我 l - - - - - - 1 * k 我 j l + b j l 。

不像 4,因为 5显示了卷积,层 我 ,图像特性( x )之前由内核层是复杂的,在不同的层次是不同的, b j l 乙状结肠函数的抵消吗 f 。考虑 (6) x j l = f β j l 下来 x j l - - - - - - 1 + b j l 。

示例层、数字和图像特性风格与之前是相同的层除了特征尺寸按比例缩小。每个功能都包含一种多和加法抵消。本文样本大小是2这意味着下一层图像大小是减少体重和身高的两倍。通过结合 4和 5方程,我们可以得到样品 7在这 α 我 j 代表的价值。 j 没有输出。 我 输入功能。通过计算 α 我 j 和培训内核反向传播方法我们终于可以得到最好的特性从不同层次较高的分类精度。考虑 (7) x j l = f ∑ 我 = 1 N 我 n α 我 j x 我 l - - - - - - 1 * k 我 l + b j l 。 约束条件 ∑ 我 α 我 j = 1 , 0 ≤ α 我 j ≤ 1 。

如图 3被定义为输入层,输入图像;详细介绍可以在部分 3.4和 3.5。隐层是四对卷积和二次抽样层,表示为 年代 l l = 1、2 , 3、4 , C l l = 1、2 , 3、4 和被称为本地连接层。输出层的组合连接层和softmax分类的分类器。每一层的 年代 l l = 1、2 , 3、4 和 C l l = 1、2 , 3、4 构造与multi-maps每个地图是由多独立的神经细胞。让 d l - - - - - - 1 和 d l 的输入和输出 l th层, 年代 我 l × 年代 我 l 和 年代 O l × 年代 O l 输入和输出地图的大小, N 我 l 和 N O l 分别是输入和输出的数字地图的图层。据美国有线电视新闻网, N 我 l = N O l - - - - - - 1 年代 我 l = 年代 O l - - - - - - 1 。

我们采用ten-layer cnn感知器网络(包括输入和输出层;卷积和样本层分别计算)。关键变量设置包括内核大小和采样率的不同层次提出了CNN是显示在表 1和图 3。学习速率α= 1,变量更新批大小= 10,迭代次数= 1000,任何训练和测试图像归一化 128年 * 128年 大小的灰色图像 ( 0 1 ] 像素大小。

培训我们的输入图像之间的差异图像固定和移动图片: F - - - - - - 米 。 米 在与不同程度的旋转变形。每一个旋转360°角被定义为一个类,生产多达360类。两个区分人物的cnn知觉领域和共享的权重。知觉领域意味着每个神经细胞在每一层不是xxx所有神经细胞连接在相邻层,但仅限于当地的神经细胞( 9 * 9 如图 3)。共享权重意味着连接权重参数( 9 * 9 )当地每一个神经细胞的细胞都是相同的。如图 3假设输入图像的大小 T 是 128年 * 128年 。在卷积过滤器,内核的大小 9 * 9 、图像壹空间的变化 120年 * 120年 大小。然后尺度到Tc1形象 60 * 60 在层S1。后四双 年代 和 C ,原始图像表示为Ts4仅有的 4 * 4 矩阵。在这个隐藏层,所有神经细胞特征图上并不是所有的连接,但相同的权重。结果,只有 9 * 9 重量参数需要计算,大大减少计算复杂度。所有连接之间存在Ts4矩阵和输出层,消除差距造成的部分连接在隐藏层。然后softmax分类器识别矩阵和输出检测结果。之后,通过反向传播参数调整的1000倍,直到收敛。所有这些步骤之后,一个有限的分类器。

在19世纪,麦克斯韦首先介绍了恶魔的概念来说明热力学的一个悖论。1998年,蒂里翁 16)提出了一个注册算法恶魔模型下,通过像素配准精度高,效率速度引起的边缘的基础力量。

(我)理论和改进的恶魔登记。恶魔登记利用光流方程为基础力量寻找微小变形时间序列图像。为点 p 在太空,让 f 和 米 是强度值在固定的形象 F 和移动图像 米 分别。根据蒂里翁的理论, 8显示计算的速度 u 让点 p 对应点的匹配 米 。在这里, ∇ f 内部边缘固定图像的梯度图像和力量 ( 米 - - - - - - f ) 所谓的外力。为了使方程更加稳定和适合图像配准,蒂里翁添加项 ( 米 - - - - - - f ) 2 。后来,他王等人添加图像的力量移动图像方程提高收敛速度和稳定的注册所示 9。参数 α 提出了Cachier调整力强度等人。考虑 (8) u = 米 - - - - - - f Δ f Δ f 2 + 米 - - - - - - f 2 , (9) u = 米 - - - - - - f Δ f Δ f 2 + α 2 米 - - - - - - f 2 + 米 - - - - - - f Δ 米 Δ 米 2 + α 2 米 - - - - - - f 2 。

比·et al。 17)提出了非参数diffeomorphic恶魔算法。它认为恶魔算法作为优化的过程在整个空间的速度场和适应过程的空间diffeomorphic转换。转换的结果是更顺利、更准确。然后·et al。 18)将过程分为log-domain,他使用一个固定的速度场。此外,该算法对输入的顺序是对称的图像。Lorenzi et al。 19)实现了一个对称的当地相关系数log-demons diffeomorphic算法。Lombaert et al。 1)提出了光谱log-demons捕捉大变形。Peyrat et al。 20.)实现多通道恶魔寄存器4 d心脏图像时间序列。

(2)Diffeomorphic日志恶魔算法。在这里,diffeomorphic日志恶魔算法简要地提醒。diffeomorphic转换 ϕ 相关指数速度场的地图吗 v : ϕ = 经验值 ⁡ ⁡ ( v ) (算法 1)[ 1]。log-demons框架之间的交替更新的相似性度量,建立了函数的优化 10。一般来说,恶魔diffeomorphic日志框架程序中描述的算法 2。考虑 (10) Sim卡 F , 米 ∘ 经验值 ⁡ v = 我 F - - - - - - 我 米 ∘ 经验值 ⁡ v 2 。

输入:速度场 v 。

注册:

分类器训练:培育cnn列车不同级别的旋转和变形图像

数学上,主成分分析的定义是正交线性变换将数据转换到一个新的坐标系统中提取最大的方差数据集。因此,它能够避免影响形象的偏见造成的。传统上,主成分分析用于降维,便于分类、可视化、高维数据的通信和存储。这里,PCA应用2 d和3 d医疗和通常的图像,和发现功能表示被用作输入的相似性度量达到解剖函授和协助优化程序注册。

有许多古典度量措施,比如SSD,互信息(MI),互相关(CC),模式强度也相应的改进版。摘要皮尔森,枪兵,肯德尔,SSD一起利用主成分分析法(PCA)提取特征运用新的相似性度量。斯皮尔曼皮尔逊和肯德尔概念在统计和数据挖掘中常用的。皮尔森是皮尔森积差相关系数(PPMCC),开发来衡量两个变量之间的线性相关。斯皮尔曼等级相关系数是一个非参数衡量两个变量之间的统计依赖。两人的−1和+ 1之间的值。斯皮尔曼没有要求变量,而皮尔森坚持变量符合正态分布。我们利用日志恶魔登记避免带来的影响。 (我)

2 d图像的大小 米 × n 首先,主成分分析应用于固定的形象 F 和注册移动图像 米 ,获得了 主成分分析 F 和 主成分分析 米 。因此,可以充分利用图像最重要的信息的组合 主成分分析 F 和 主成分分析 米 作为输入的皮尔森、斯皮尔曼等等,形成新的相似性度量。

传统上,这两个步骤登记意味着最初的仿射登记在开始粗纠正后变形和迭代优化实现的相似性度量的罚款登记注册。我们也采用两步策略。但是在两步登记之前,我们建立一个分类器离线之间在cnn训练识别旋转固定的 F 和移动 米 图像下非常大的扭曲,然后规模和翻译。还在每个迭代中,初始迭代和后登记。这个反馈过程帮助实现更高的登记与传统冲浪和仿射方法精度比较。

此外,在每次迭代结束时,我们利用一个新的相似性度量通过结合主成分分析与传统的SSD,皮尔森,等等,完全包含图像的最重要的特征。因此,收敛速度比传统的高加速SSD没有PCA登记,同时保持相同的精度。算法 3显示了在流的框架。

3 d图像配准是我们专注于大脑地图册注册和给一个cnn的3 d图像配准方法。我们训练脑图谱从18人的3 d图像数据在大脑BrainWeb数据库通过四个步骤:(1)正态分布随机选择10标签分的3 d图像。(2)调整3 d大脑图像和单独的2 d图像在三个方向( x y , y z , x z )。(3)测试每一个2 d切片位置triplanar after-trained CNN分类器(每个维度享有一个CNN网络)和得到正确的片位置(预测压)。(4)调整三维图像标签体素和预测体素,享受最小汉明距离。实验显示了高精度cnn分类结果将大大提高移动三维图像相似性的固定的三维图像。具体过程如图 16。

部分 5。1和 5。2提高对准精度和速度。在本节中,我们测试登记精度T2大脑医疗数据和关注注册加快收敛速度。介绍了PCA提取有价值的特性和通过结合特性与SSD,皮尔森,枪兵,肯德尔,我们得到新的相似性PCA-SSD PCA-pearson, PCA-spearson和假象。原始SSD和能量图表示 17 (e)。course-to-fine(在这里,三个级别推荐)注册策略是采用在这里。在图 17迭代,横轴代表时间,纵轴代表指标的值。首先,意味着收敛程度计算三级登记。则进行均值归一化。可以得到一些结论: (1)

定期PCA相关和原始SSD方法收敛,