文摘gydF4y2Ba

在医学图像分析领域,3 d多模图像配准是一个重要的问题。登记、处理的优化方法已经应用于估计的参考图像和目标图像的变换。一些地方也经常使用优化技术,如梯度下降的方法。然而,这些方法需要一个好的初始值,以避免当地的决议。在本文中,我们提出一个新的改进的全局优化方法命名的混合粒子群优化(HPSO)医学图像配准,其中包括遗传algorithms-subpopulation和交叉的两个概念。gydF4y2Ba

1。介绍gydF4y2Ba

在医学图像分析、多峰性3 d图像配准是一个重要的问题gydF4y2Ba1gydF4y2Ba]。图像配准的目的是注册一个目标图像(移动图像)参考图像(固定图像),这样我们可以结合两幅图像的信息获取更详细的信息或一些特定的功能。例如,宠物图像通常显示器官的代谢活动和正常组织明显但缺乏器官组织的结构。另一方面,图像先生所描述的更复杂的强度代表器官组织的结构。如果我们实现MR-PET图像配准结合不同形态的两幅图像的信息,然后我们可以得到准确的形状、数量和位置的异常组织注册的形象。登记是一个非常重要和有用的预处理技术用于医学诊断或手术操作。gydF4y2Ba

注册的处理可以被看作是一个迭代的优化框架,它可以分为3部分:转换、成本函数和优化。在每个迭代中,目标图像首先改变了转换参数的当前时间。然后,参考图像和转换后的目标图像用于计算的成本函数可以评估是否这两个图片是注册在当前参数的转换。如果图片不注册,一个优化方法将用于调整参数,和一个新的迭代将开始。gydF4y2Ba

注册的应用程序可以与维度分类的图像,图像的形态,和模型的转换。有2 d 2 d, 3 d, 2 d, 3 d三维图像配准对许多不同的应用程序。3 d三维图像配准通常需要估计比二维到二维图像配准参数,所以它需要更高级的优化方法。然后,如果两张图片有不同强度的范围必须注册,如CT-MR登记,它被称为多通道登记。另一方面,如果注册两个图像具有相同的形态,它被称为monomodal登记,如CT-CT。根据模态登记,不同的成本函数已经被使用,比如强度差的平方和(SSD) mono-modal登记或互信息(MI)多通道登记。此外,转换模型的类型决定是否注册属于刚性或非刚性的。如果目标对象,我们想注册不同的形状或变形,如肝、使用非刚性变换叫做非刚性的登记(gydF4y2Ba2gydF4y2Ba];否则它叫做严格登记。本文重点是刚性多通道三维医学图像配准。gydF4y2Ba

正如我们先前解释,我们估计的参数变换的优化代价函数(相似性度量)的处理注册。一些当地的优化技术,如梯度下降法,常用于医学图像注册(gydF4y2Ba3gydF4y2Ba,gydF4y2Ba4gydF4y2Ba]。然而,由于一般非凸和不规则变换参数,这种方法需要很好的初始值,以避免局部最小值。gydF4y2Ba

克服当地的分辨率问题,遗传算法(GA)的全局优化技术,提出了医学图像注册(gydF4y2Ba5gydF4y2Ba]。尽管遗传算法全局优化是一种先进的方法,它需要巨大的计算时间和缺乏微调功能。我们需要更强大的方法。粒子群优化(PSO)是一种新的全局优化技术。这个方法是一个随机,以人群为基础的进化计算机算法(gydF4y2Ba6gydF4y2Ba,gydF4y2Ba7gydF4y2Ba]。算法是一个非常简单的算法,它似乎是更有效的优化范围广泛的功能,并已被证明非常有效的二维刚性图像配准(gydF4y2Ba8gydF4y2Ba]。gydF4y2Ba

另一方面,更多的变换参数必须估计在3 d图像注册。我们的实验表明,传统的遗传算法和PSO无法找到全局最优。因此,我们提出一个新的方法命名的混合粒子群优化算法(HPSO)。在我们的方法中,两个概念的遗传algorithms-subpopulation crossover-are纳入传统PSO方法改进传统遗传算法和PSO的准确性,因为这些传统的方法找不到全球最佳分辨率估计当我们需要大量的参数。实验是做数学测试函数和医疗体积数据,提出并证明了HPSO执行更好的结果比传统的梯度体面,遗传算法和PSO方法。gydF4y2Ba

本文的组织结构如下:图像配准技术是总结部分gydF4y2Ba2gydF4y2Ba粒子群优化(PSO),我们提出了混合粒子群优化(HPSO)节中给出gydF4y2Ba3gydF4y2Ba测试函数,实验结果与数学和医学体积数据提出了部分gydF4y2Ba4gydF4y2Ba,最后给出了结论和未来的工作gydF4y2Ba5gydF4y2Ba。gydF4y2Ba

2。3 d图像配准gydF4y2Ba

医学图像配准是医学图像处理中的基本任务。医学图像配准框架如图gydF4y2Ba1gydF4y2Ba。两卷的医疗数据必须有注册的固定形象和移动图像。用固定的形象gydF4y2Ba,在那里gydF4y2Ba是一组坐标。移动图像也同样用gydF4y2Ba。鉴于gydF4y2Ba是一个从固定图像的坐标系转换到移动图像,gydF4y2Ba移动图像与固定的图像吗gydF4y2Ba。为了简化后续的一些方程,我们将使用gydF4y2Ba表示两个转换及其参数化。在这里,我们使用了一个估计的转换寄存器固定图像和移动图像通过最大化他们的成本函数(相似性度量)所示(gydF4y2Ba1gydF4y2Ba):gydF4y2Ba 在哪里gydF4y2Ba是一个3 d或2 d点的坐标。gydF4y2Ba

2.1。转换gydF4y2Ba

注册可以被看作是一个发现的过程空间转换映射点从一个图像对应点的另一个形象。在这里,我们专注于刚性三维全球变换。刚性变换处理6个自由度的3 d对象的平移和旋转。刚性变换可以表示三维物体(gydF4y2Ba2gydF4y2Ba):gydF4y2Ba

在哪里gydF4y2BaαgydF4y2Ba,gydF4y2BaβgydF4y2Ba,gydF4y2BaγgydF4y2Ba在每一个轴旋转角度,gydF4y2Ba,gydF4y2Ba,gydF4y2Ba分别为每个轴,翻译。应该注意的是,只有两个参数估计的二维刚性变换。gydF4y2Ba

2.2。指标函数(互信息)gydF4y2Ba

多模医学图像配准,互信息(MI)被广泛用作相似性度量(gydF4y2Ba9gydF4y2Ba]。MI是一个灰度相似性度量和密切相关的联合熵。给定一个图像gydF4y2Ba和一个图像gydF4y2Ba,可以计算两个图像的联合熵gydF4y2Ba 在哪里gydF4y2Ba是像素的联合概率分布函数与图像相关的gydF4y2Ba和gydF4y2Ba。gydF4y2Ba联合熵最小化时的像素之间存在一对一的映射gydF4y2Ba和同行gydF4y2Ba。gydF4y2Ba它增加之间的统计关系gydF4y2Ba和gydF4y2Ba削弱了。互信息熵方面可以定义如下:gydF4y2Ba 在哪里gydF4y2Ba和gydF4y2Ba个人熵,也可以由概率分布函数(PDF)gydF4y2Ba 通常采用一个离散的联合直方图估计联合PDF MI的计算。试图找到最复杂的重叠区域,我们应该个人熵最大化和最小化联合熵可以解释彼此。gydF4y2Ba

3所示。混合粒子群优化gydF4y2Ba

在本文中,我们提出一个新的方法命名的混合粒子群优化(HPSO)三维刚性医疗卷登记。用于描述更详细的信息,我们首先展示传统的算法。gydF4y2Ba

3.1。粒子群优化(PSO)gydF4y2Ba

假设某种程度上分散人口现有叫做群体和个体群的成员称为一个粒子。一个粒子可以作为搜索空间中的一个点成像。一群粒子倾向于集群在一个位置确定优化结果。因此,为了实现粒子群优化,每个粒子调整本身通过比较经验及其邻国获得最好的结果。粒子群优化的公式可以表示为下图:gydF4y2Ba

在迭代gydF4y2Ba,gydF4y2Ba是gydF4y2Bath粒子移动的速度矢量gydF4y2Ba,gydF4y2Ba的个人最好gydF4y2Ba,gydF4y2Ba是全球最好的在所有粒子。gydF4y2Ba意味着重量。最初的重量是0.4。最小重量是0.4,最大的是0.98。gydF4y2Ba和gydF4y2Ba代表加速常数(gydF4y2Ba)。兰德是一个0到1之间的随机数均匀分布。每个粒子的运动图所示gydF4y2Ba2gydF4y2Ba。gydF4y2Ba

为图像配准算法的流程图如图gydF4y2Ba3gydF4y2Ba。gydF4y2Ba

在PSO-based登记方法中,粒子gydF4y2Ba是需要估计变换参数,gydF4y2BapgydF4y2Ba_best是每个粒子的最大MI(成本函数),和gydF4y2BaggydF4y2Ba_best取决于集群咪。咪图gydF4y2Ba2gydF4y2Ba代表了相似性度量函数。gydF4y2Ba

3.2。混合粒子群优化gydF4y2Ba

在本节中,我们提出一个新的方法命名的混合粒子群优化(HPSO)三维刚性医疗卷登记。我们的遗传算法的方法包含两个概念,这是分组人口和交叉,传统的算法。我们希望我们的方法将提高利用分组人口登记的准确性和交叉。HPSO如图的流程图gydF4y2Ba4gydF4y2Ba。gydF4y2Ba

3.2.1之上。分组人口gydF4y2Ba

这些粒子被分成许多的亚种。每个族群都有自己的最好的最优,gydF4y2Ba。算法的过程是每个分组人口组完成的。如果gydF4y2Ba比gydF4y2Ba,gydF4y2Ba然后gydF4y2Ba取代gydF4y2Ba,在那里gydF4y2Ba是分组人口数量。gydF4y2Ba

3.2.2。交叉gydF4y2Ba

的gydF4y2Ba大互信息的排序顺序。前两名gydF4y2Ba选为父母(gydF4y2Ba和gydF4y2Ba)交叉,gydF4y2Ba和gydF4y2Ba是他们的分组人口数量。为每个生成的后代是由算术交叉,显示为gydF4y2Ba 和速度gydF4y2Ba 兰德是0到1之间的一个均匀分布的随机数。最糟糕的粒子在同一族群被后代所取代。gydF4y2Ba

4所示。实验结果gydF4y2Ba

在本节中,我们执行几个登记实验测试函数和医疗体积数据评估的性能提出了HPSO技术。与此同时,我们还执行传统的遗传算法和PSO相比之下。最后,我们实现了并行技术来降低计算成本和展示我们的实现的效率。gydF4y2Ba

4.1。测试功能评估gydF4y2Ba

在第一节的一部分gydF4y2Ba4gydF4y2Ba4,我们应用数学函数具有不同数量的参数估计方法的准确性。使用函数如下所示:gydF4y2Ba

函数通常用于评价实验和覆盖各种特征,影响算法性能(gydF4y2Ba10gydF4y2Ba]。gydF4y2Ba单峰与全球最低中心,有三个参数估计。gydF4y2Ba是强大的剧情发展中心和全球最低有2个参数估计。gydF4y2Ba是高度与全球最低在中心和20多通道参数估计。gydF4y2Ba综合全球最小的角落,有10个参数估计。gydF4y2Ba和gydF4y2Ba更困难的gydF4y2Ba和gydF4y2Ba,gydF4y2Ba是最困难的问题。gydF4y2Ba

如表所示gydF4y2Ba1gydF4y2Ba,PSO和HPSO都可以得到完美的解决方案,和GA也可以得到合理的结果gydF4y2Ba和gydF4y2Ba参数的数量只有3和2,分别。另一方面,增加参数的数量(gydF4y2Ba和gydF4y2Ba),传统的遗传算法和PSO尤其是不能得到合理的结果gydF4y2Ba,而提出HPSO可以执行比传统遗传算法和PSO甚至更好的结果gydF4y2Ba。gydF4y2Ba

根据我们的实验中,我们还发现,方法是强烈影响亚种群的数量。图gydF4y2Ba5gydF4y2Ba显示优化精度的依赖亚种群的数量gydF4y2Ba。我们改变亚种群的数量(gydF4y2Ba)和执行40分gydF4y2Ba。平均平方误差如图gydF4y2Ba5gydF4y2Ba。所有的实验都使用5600个粒子。我们可以看到曲线的平均平方误差时亚种群的数量(gydF4y2Ba)增加。传统的算法对应gydF4y2Ba。这一结果表明我们的HPSO方法可以提供更高的精度,同时使用更多的程序。然而,如果亚种群的数量太大,准确性会降低,如图gydF4y2Ba5gydF4y2Ba因为有限粒子数的程序。gydF4y2Ba

4.2。医疗体积数据gydF4y2Ba

在本部分中,我们执行几个登记实验医学幻影数据量来评估的性能提出HPSO技术。gydF4y2Ba

4.2.1。准备模拟数据gydF4y2Ba

我们首先使用模拟数据测试方法。图gydF4y2Ba6gydF4y2Ba显示了一些片2实验我们的测试数据有不同的转换参数。每个体积的大小的大小gydF4y2Ba,每个卷的间距gydF4y2Ba(毫米)。gydF4y2Ba

这些模拟数据是由特定的参数,我们给它,这样我们可以很容易地估计的结果登记精度通过使用这些答案(实际结果)。表gydF4y2Ba2gydF4y2Ba和gydF4y2Ba3gydF4y2Ba显示比较结果HPSO和前面的方法(GA和PSO) diff被定义为不同实验结果和地面真理。gydF4y2Ba

根据实验结果显示之前,我们意识到我们的方法可以提供更准确的注册参数比传统方法的结果。这是第一次我们HPSO证据证明是一个更好的优化方法。gydF4y2Ba

4.2.2。范德比尔特数据库gydF4y2Ba

真正的医疗数据(范德比尔特数据库(gydF4y2Ba11gydF4y2Ba)还用于评估我们的表现提出HPSO(见图gydF4y2Ba7gydF4y2Ba)。这个数据库给多通道脑容量和概略介绍黄金标准的转换。这些刚性变换是由概略介绍未来的注册技术和由八夫妇的3 d点(标志)的两个医疗卷。这样一个黄金标准变换可以看作一种地面真理(正确)。每个体积的大小的大小gydF4y2Ba和每个卷的间距gydF4y2Ba(毫米)。gydF4y2Ba

这里我们尝试梯度体面的方法、遗传算法、算法,HPSO CT先生登记问题。总共3运行不同的随机初始值进行。八个地标的体积范德比尔特数据库用于定量评价。方程(gydF4y2Ba12gydF4y2Ba)是一种测量用于比较experiment-obtained变换之间的登记的准确性(gydF4y2Ba)和黄金标准变换(gydF4y2Ba)。gydF4y2Ba是具有里程碑意义的坐标gydF4y2Ba:gydF4y2Ba 登记结果的平均精度为每个方法如表所示gydF4y2Ba4gydF4y2Ba。可以看出,我们提议HPSO执行更好的结果比传统的梯度体面的方法,遗传算法和算法。gydF4y2Ba

4.3。并行实现gydF4y2Ba

登记的效率也是一个重要的问题以及登记的准确性(gydF4y2Ba12gydF4y2Ba,gydF4y2Ba13gydF4y2Ba]。虽然我们前面显示的准确性提高,几乎全局优化有一个大缺点:一个巨大的计算成本。我们应用提出HPSO电脑4核的CPU和实现并行技术来解决这个问题。注册两个图像的大小gydF4y2Ba,平均计算成本从3661.747秒减少到1893.637秒的实现。这些结果表明,计算成本可以显著减少并行实现。gydF4y2Ba

5。结论和未来的工作gydF4y2Ba

介绍了一种新的全局优化方法命名的混合粒子群优化(HPSO)包含两个概念:族群传统算法和遗传算法的交叉。我们进行了功能评价和三维刚性医疗卷登记估计方法。首先,4功能已经应用于测试我们的方法寻找全球解决方案的能力,避免当地的决议。然后,在3 d刚性医疗卷登记,我们应用HPSO模拟数据和实际医疗数据(范德比尔特数据库)发现这种方法的能力真正的医疗卷登记。为了比较传统的方法,如遗传算法和PSO也用于每个实验。所有的实验结果证明该HPSO执行比传统遗传算法和算法更好的结果。因此,我们可以总结我们HPSO是一种先进的优化方法。大型计算成本可以显著减少并行实现。gydF4y2Ba

此外,这项工作可以扩展到三维非刚性的登记,以覆盖更多的计算机辅助实时肝脏肿瘤切除等手术的应用程序。gydF4y2Ba

确认gydF4y2Ba

这部分工作是支持科学研究补助金从日本部教育、科学、文化和体育拨款。2430076也没有。24103710和部分R-GIRO从立命馆大学研究基金。gydF4y2Ba