基于粒子群優(yōu)化的CNN模板設(shè)計(jì)及其在醫(yī)學(xué)圖像配準(zhǔn)中的應(yīng)用研究.pdf

1、隨著科學(xué)技術(shù)的進(jìn)步和信息時(shí)代的到來(lái)，信息的處理速度問(wèn)題已經(jīng)成為現(xiàn)今急需解決的關(guān)鍵問(wèn)題之一。人們所要處理的信息量越來(lái)越大，對(duì)實(shí)時(shí)性的要求越來(lái)越強(qiáng)，特別是在圖像處理方面，圖像中所包含的大信息量，使得很多成熟算法由于速度問(wèn)題導(dǎo)致其在圖像處理應(yīng)用的過(guò)程中遇到瓶頸。
　　眾所周知，并行運(yùn)算是解決速度問(wèn)題的最有效途徑，因此尋找具有并行運(yùn)算處理功能的算法進(jìn)入研究者的視線。細(xì)胞神經(jīng)網(wǎng)絡(luò)（CNN）所具有的并行運(yùn)算處理結(jié)構(gòu)非常適合進(jìn)行信息處理和計(jì)算，

2、其在圖像處理和視頻信號(hào)處理等領(lǐng)域得到廣泛的應(yīng)用，因此對(duì)細(xì)胞神經(jīng)網(wǎng)絡(luò)模板的設(shè)計(jì)研究具有十分重要的理論意義和實(shí)踐價(jià)值。本文首先對(duì)CNN模板的設(shè)計(jì)進(jìn)行了改進(jìn)和優(yōu)化，并將其應(yīng)用在圖像處理的醫(yī)學(xué)圖像配準(zhǔn)中。本文的主要工作包括：
　?。?）基于粒子群算法優(yōu)化的CNN模板設(shè)計(jì)。CNN模板設(shè)計(jì)過(guò)程中在模板參數(shù)的選擇時(shí)容易出現(xiàn)局部極值而不是全局最優(yōu)值的問(wèn)題。粒子群算法具有的全局最優(yōu)值選擇，通過(guò)粒子群算法的優(yōu)化，獲取的細(xì)胞神經(jīng)網(wǎng)絡(luò)模板的參數(shù)將是最優(yōu)參

3、數(shù)。在進(jìn)行圖像特征提取的過(guò)程中不會(huì)出現(xiàn)特征值提取錯(cuò)誤的情況發(fā)生，使得圖像配準(zhǔn)過(guò)程的速度更快。
　?。?）基于CNN的互信息圖像配準(zhǔn)算法?，F(xiàn)已有的圖像配準(zhǔn)算法，主要包括按照特征和互信息兩類。在進(jìn)行配準(zhǔn)的過(guò)程中，基于兩種類型的配準(zhǔn)算法各有缺點(diǎn)，如計(jì)算復(fù)雜度高，信息量不準(zhǔn)確等。將這兩類算法進(jìn)行結(jié)合，在互信息圖像配準(zhǔn)算法的基礎(chǔ)上，加入了圖像的特征分析。將其放入圖像配準(zhǔn)過(guò)程中，使得其計(jì)算復(fù)雜度降低，同時(shí)信息量得到一定的補(bǔ)充和完善，使得配準(zhǔn)結(jié)

4、果在準(zhǔn)確性上更好在速度上更快。
　?。?）基于參數(shù)優(yōu)化的CNN互信息圖像配準(zhǔn)算法?；贑NN互信息圖像配準(zhǔn)算法雖然對(duì)圖像配準(zhǔn)的兩類基本算法進(jìn)行了結(jié)合，但是其仍然存在一些問(wèn)題沒(méi)有解決。使用CNN進(jìn)行特征提取時(shí)會(huì)陷入極值選擇困難的難題，及在進(jìn)行配準(zhǔn)的過(guò)程中需要互信息最大，在互信息取值的過(guò)程中涉及到參數(shù)的選擇。面對(duì)上面存在的一些問(wèn)題，通過(guò)使用粒子群算法分別對(duì)CNN模板參數(shù)和互信息取值時(shí)涉及到的參數(shù)進(jìn)行優(yōu)化計(jì)算。進(jìn)一步降低計(jì)算復(fù)雜度的同時(shí)