智能算法及其在醫(yī)學(xué)成像中的應(yīng)用.pdf

1、醫(yī)學(xué)成像科學(xué)作為信息工程和醫(yī)學(xué)工程研究的交叉學(xué)科是當(dāng)前學(xué)術(shù)界研究的熱點(diǎn)領(lǐng)域，在理論研究和實(shí)際應(yīng)用中具有非常廣闊的前景。與此同時(shí)，信息工程中的智能計(jì)算作為一種軟計(jì)算方法，正在不斷代替和改進(jìn)傳統(tǒng)工程領(lǐng)域的硬計(jì)算方式。能否將軟計(jì)算的優(yōu)勢用于醫(yī)學(xué)成像領(lǐng)域成為一個(gè)值得研究的命題。本文嘗試?yán)弥悄芩惴ǖ膬?yōu)勢與改進(jìn)的醫(yī)學(xué)成像技術(shù)結(jié)合，探索提高醫(yī)學(xué)成像技術(shù)性能的手段。
　　 在工程領(lǐng)域，解決實(shí)際工程問題的過程一般可概括為模型設(shè)計(jì)和最優(yōu)化算法求解

2、兩部分，本文亦按照這種思路展開。在模型選取中，本文選取了醫(yī)學(xué)成像技術(shù)中應(yīng)用最為廣泛的配準(zhǔn)模型、邊緣檢測模型和分割模型，并分別對(duì)這些模型進(jìn)行改進(jìn)。在最優(yōu)化算法改進(jìn)中，本文主要采用遺傳算法和粒子群優(yōu)化算法代替?zhèn)鹘y(tǒng)醫(yī)學(xué)成像技術(shù)中基于梯度的優(yōu)化算法，或?qū)⒅悄芩惴ㄅc傳統(tǒng)算法結(jié)合，以獲取更為理想的優(yōu)化算法。全文的具體內(nèi)容和創(chuàng)新點(diǎn)可概括如下：
　　 1、由于傳統(tǒng)擴(kuò)散張量成像配準(zhǔn)中普遍采用線性變換模型，本文使用Affine-Demons變換模型

3、代替原有的變換模型，以提高其應(yīng)對(duì)非線性畸變的能力。又針對(duì)擴(kuò)散張量成像配準(zhǔn)中待配準(zhǔn)數(shù)據(jù)為矢量的特性，在傳統(tǒng)模型中增加張量重定向算法，使組織內(nèi)部結(jié)構(gòu)盡可能不受破壞。在此基礎(chǔ)上，提出了FSGA-BFGS算法并應(yīng)用于配準(zhǔn)中的多次尋優(yōu)過程，以獲得更高的配準(zhǔn)精度和更快的配準(zhǔn)速度。
　　 2、針對(duì)醫(yī)學(xué)圖像邊緣檢測的特殊需要，在經(jīng)典Canny算子基礎(chǔ)上引入自適應(yīng)閾值算法。分別利用Otsu算法和概率模型算法作為模型，利用自適應(yīng)粒子群優(yōu)化算法自適應(yīng)

4、求解高低閾值，在提高搜索精度和閾值自適應(yīng)程度的基礎(chǔ)上盡可能減少了搜索所需時(shí)間。
　　 3、在混合高斯模型應(yīng)用于MRI腦圖像分割算法中，用改進(jìn)的APSO-EM算法代替?zhèn)鹘y(tǒng)的EM算法，吸收了APSO算法在全局搜索和EM算法在局部搜索中的優(yōu)勢，得到了一種較理想的腦組織分割算法。
　　 4、在改進(jìn)的APSO-EM混合高斯模型腦組織分割算法基礎(chǔ)上，引入畸變場和先驗(yàn)概率變形場進(jìn)行聯(lián)合分割，利用循環(huán)迭代的思想，將APSO-EM優(yōu)化算法