医学图像处理课件-16 图像配准技术（1）.pptVIP

梯度下降优化器 f( x , y ) S = L ? G( x , y ) f( x , y ) ? G( x , y ) = L too large 梯度下降优化器 f( x , y ) S = L ? G( x , y ) f( x , y ) ? G( x , y ) = L too small 常规步长梯度下降优化器 f( x ) S = D ? G( x ) ^ Di = Di-1 / 2.0 D1 If G changes direction D1 D1 D2 常规步长梯度下降优化器 f( x ) S = D ? G( x ) ^ D1 User Selects D1 D1 D1 D2 User Selects Dstop User Selects Gstop 绘制优化程序的路径 均方差 Step Length = 1.0 mm 绘制优化程序的路径 均方差 Step Length = 2.0 mm 绘制优化程序的路径 均方差 Step Length = 5.0 mm 绘制优化程序的路径 均方差 Step Length = 10.0 mm 绘制优化程序的路径 均方差 Step Length = 20.0 mm 绘制优化程序的路径 均方差 Step Length = 40.0 mm 结论 刚性配准作为常规使用 影像引导的手术系统，用于神经外科和整形外科手术 挑战: 非刚性配准算法的验证方法 鲁棒性强的相似性度量 区分刚性结构和可变形结构 优化：准确性与效率 Discussion 图像配准是一个非常简单的概念：拍摄两张图像，并对其进行转换，以便相应的部分通过两个目标之一进行对齐：要么需要知道转换，要么需要使用两个图像的相应部分的信息 一旦。 这是你们大部分人每天都在做的事情。 你的每一只眼睛都能捕获一张图像，而你的大脑将它们对齐。 通过使用来自双眼的信息，您可以提取关于您正在查看的3D位置的信息。 人脑几乎毫不费力地从您的眼睛注册图像。 对于图像引导干预中使用的医学图像来说，实现相同的目标是远远不够的，本讲座将向您介绍医学图像配准领域。 * preintervention * 用另一个信息增加一个图像 结合来自多个图像的信息 确定组织或工具的运动 * Extrinsic 外在的 , Intrinsic 内在的,固有的 * 图像的原点与间距 Origin (Ox,Oy) Spacing (Sy) Spacing (Sx) x y 图像采样网格 Origin (Ox,Oy) Spacing (Sy) Spacing (Sx) 图像像素 Origin (Ox,Oy) Spacing (Sy) Spacing (Sx) Pixel Value Pixel Region 图像索引 Origin (Ox,Oy) Spacing (Sy) Spacing (Sx) [0,0] [1,0] [2,0] [3,0] [4,0] [5,0] [0,1] [0,2] [0,3] [0,4] [0,5] [4,7] [0,6] [0,7] Pixel Index 物理坐标索引 Origin (Ox,Oy) Spacing (Sy) Spacing (Sx) [0,0] [1,0] [2,0] [3,0] [4,0] [5,0] [0,1] [0,2] [0,3] [0,4] [0,5] [4,7] [0,6] [0,7] Pixel Index 图像区域 Origin (Ox,Oy) Spacing (Sy) Spacing (Sx) Pixel Value Pixel Region Image Region 图像区域 Origin (Ox,Oy) Spacing (Sy) Spacing (Sx) Image Region Starting Index Region Size [2,3] [3,5] 下采样 Sub-Sampling by Half Origin (Ox,Oy) Spacing (Sy) Spacing (Sx) Image Region Spacing ( 2 x Sy ) Spacing ( 2 x Sx ) 下采样 Sub-Sampling by Half Origin (Ox,Oy) New Origin (O’x,O’y) New Spacing S’y New Spacing S’x 上采样 Super-Sampling by Double Origin (Ox,Oy) Spacing (Sy) Spacing (Sx) Image Region Spacing ( Sy/2 ) Spacing ( Sx/2 ) 上采样 Super-Sampling by Double Origin (Ox