项目名称: 基于图像开花模型的弥散张量图像变形配准技术研究

项目编号: No.61201067

项目类型: 青年科学基金项目

立项/批准年度: 2013

项目学科: 电子学与信息系统

项目作者: 王远军

作者单位: 上海理工大学

项目金额: 25万元

中文摘要: 本项目拟基于图像开花模型,研究弥散张量图像变形配准的理论方法和关键技术。当前国内外对弥散张量图像配准的研究存在两个问题:传统的医学图像配准方法对本质上是四维的弥散张量图像配准效果不好;配准过程中对和神经纤维束走向相关的张量场方向信息处理方式不恰当。本项目中我们将基于图像开花模型,以解析的方式实现所提出的弥散张量图像变形配准方法,从精度和速度上确保配准的可靠性;同时,基于弥散张量成像的物理原理和数学模型,研究弥散张量图像后处理应遵循的约束条件及数学表示,并提出基于谱分解的弥散张量场特征向量系统插值方法;最后,对弥散张量场方向矫正技术、相似性度量和多分辨率迭代配准技术深入研究,基于所建立的变形配准模型和考虑方向信息的插值方法,完成弥散张量图像的精确快速变形配准。项目的顺利进行,将为弥散张量图像配准研究提供一种新的变形配准方法,进而为神经精神医学、认知科学等多个方向的研究提供理论和技术支持。

中文关键词: 弥散张量成像;医学图像配准;多项式展开;;

英文摘要: This project intends to carry a research on the theory, method and key technique of deformable diffusion tensor image(DTI) registration based on image expansion model. The current research on DTI registration exists two main issues: the registration result of traditional medical image registration methods on DTI is not good as DTI data is four dimensional essentially; the way dealing with tensor orientation information during the process of image registration is unreasonable. In this project, we will carry out the research of DTI deformable registration with analytical method based on the model of image expansion, which ensure the reliability of registration from the accuracy and speed aspects; at the same time,based on the physical principle and mathematical model of diffusion tensor imaging,we will have a research on the constraints and its mathematical expression for the post processing of DTI, and then we propose an interpolation method for the eigenvector system of diffusion tensor data based on the spectral decomposition; at last, we will have an in-depth study on diffusion tensor reorientation technique, diffusion tensor similarity measure and iterative multi-resolution registration technique, and we complete the accurate and fast DTI deformable registration using the proposed deformable registration mode

英文关键词: diffusion tensor imaging;medical image registration;polynomial expansion;;

成为VIP会员查看完整内容
0

相关内容

基于深度学习的图像目标检测算法综述
专知会员服务
97+阅读 · 2022年4月15日
图像分类的深度卷积神经网络模型综述
专知会员服务
56+阅读 · 2021年10月29日
专知会员服务
27+阅读 · 2021年10月6日
专知会员服务
26+阅读 · 2021年8月24日
专知会员服务
31+阅读 · 2021年7月26日
专知会员服务
24+阅读 · 2021年7月22日
专知会员服务
28+阅读 · 2021年6月4日
专知会员服务
14+阅读 · 2021年3月26日
专知会员服务
29+阅读 · 2021年1月9日
基于深度学习的图像目标检测算法综述
专知
2+阅读 · 2022年4月16日
基于OpenCV的图像阴影去除
极市平台
1+阅读 · 2022年2月27日
NVIDIA 招GNN加速方向实习生,GPU超多~
图与推荐
0+阅读 · 2022年1月24日
一文概括常用图像处理算法以及常用开发库
极市平台
1+阅读 · 2021年11月23日
我们从哪里来?跨物种脑网络组图谱绘制为研究人类本源增添新证据
中国科学院自动化研究所
0+阅读 · 2021年7月12日
【机器视觉】表面缺陷检测:机器视觉检测技术
产业智能官
25+阅读 · 2018年5月30日
一文读懂神经网络(附PPT、视频)
数据派THU
17+阅读 · 2018年3月25日
SAR成像原理及图像鉴赏
无人机
21+阅读 · 2017年8月14日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
3+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
1+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
Arxiv
15+阅读 · 2021年2月19日
小贴士
相关VIP内容
基于深度学习的图像目标检测算法综述
专知会员服务
97+阅读 · 2022年4月15日
图像分类的深度卷积神经网络模型综述
专知会员服务
56+阅读 · 2021年10月29日
专知会员服务
27+阅读 · 2021年10月6日
专知会员服务
26+阅读 · 2021年8月24日
专知会员服务
31+阅读 · 2021年7月26日
专知会员服务
24+阅读 · 2021年7月22日
专知会员服务
28+阅读 · 2021年6月4日
专知会员服务
14+阅读 · 2021年3月26日
专知会员服务
29+阅读 · 2021年1月9日
相关资讯
基于深度学习的图像目标检测算法综述
专知
2+阅读 · 2022年4月16日
基于OpenCV的图像阴影去除
极市平台
1+阅读 · 2022年2月27日
NVIDIA 招GNN加速方向实习生,GPU超多~
图与推荐
0+阅读 · 2022年1月24日
一文概括常用图像处理算法以及常用开发库
极市平台
1+阅读 · 2021年11月23日
我们从哪里来?跨物种脑网络组图谱绘制为研究人类本源增添新证据
中国科学院自动化研究所
0+阅读 · 2021年7月12日
【机器视觉】表面缺陷检测:机器视觉检测技术
产业智能官
25+阅读 · 2018年5月30日
一文读懂神经网络(附PPT、视频)
数据派THU
17+阅读 · 2018年3月25日
SAR成像原理及图像鉴赏
无人机
21+阅读 · 2017年8月14日
相关基金
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
3+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
1+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
微信扫码咨询专知VIP会员