项目名称: 大脑影像标准化的优化模型与算法研究

项目编号: No.11471208

项目类型: 面上项目

立项/批准年度: 2015

项目学科: 数理科学和化学

项目作者: 应时辉

作者单位: 上海大学

项目金额: 62万元

中文摘要: 近年来,大脑结构与功能分析得到了迅猛发展,而影像技术提供了大量直观而又可信的信息。然而,由于不同个体以及不同时间所采集的大脑影像在体积、形状和灰度值上存在较大差异,因此我们需要将所得到的大脑影像进行标准化,使得大脑结构与功能的比较与分析更为客观。本项目拟建立更为准确而无偏见的大脑图像标准化方法。具体地,首先,采用微分同胚表示图像间的形变,并通过对形变引入基于图像特征点精确对应的约束和对相似性度量的选择来提高图像间形变的估计精度;其次,通过流形学习理论与方法,刻画出图像全体所在的图像流形,进一步,描述图像在该流形上的分布,并将此分布信息引入模型来提高图像标准化的精度。从而将图像标准化问题转化为微分同胚群上的约束优化问题;再次,通过Lie群参数化方法和变分方法,并结合近代优化算法,给出求解图像标准化模型的高效算法;最后,将得到的模型和算法应用到大脑图像的标准化问题。

中文关键词: 图像标准化;非线性配准;大脑影像;图像流形;微分同胚

英文摘要: In recent years, brain structure and functional analysis have been rapidly developed and imaging techniques give amounts of intuitive and believable informations. However, the volumes, shapes and intensities of brain images collected from different subjects and at different time have large variances. Therefore, it is necessary to normalize them to make the comparison and analysis of brain structures and functions more objective. This project aims at designing more accurate and unbiased normalization methods for brain images. Concretely, we will first represent the deformation between two images by the diffeomorphism and improve the accuracy of deformation estimation between images by introducing the constraints based on accurate correspondences of feature points to the deformation and selecting suitable similarity measures. Second, by manifold learning theories and methods, we will describe the image manifold which all images are located in. Furthermore, the distribution of images on this manifold will be described. Then, this distribution information will be introduced to the model to improve the accuracy of normalization, and hence the image normalization problem is naturally translated into the constrained optimization problem on the diffeomorphism group. Thirdly, by combining Lie group parameterization method and variation method with modern optimization algorithms, we will design some efficient algorithms for image normalization problem. Finally, we will apply the proposed model and algorithms to the normalization of brain images.

英文关键词: image normalization;nonlinear registration;brain image;image manifold;diffeomorphism

成为VIP会员查看完整内容
0

相关内容

【博士论文】基于深度学习的单目场景深度估计方法研究
专知会员服务
27+阅读 · 2021年10月6日
专知会员服务
28+阅读 · 2021年6月4日
专知会员服务
37+阅读 · 2021年6月3日
【WWW2021】用优化框架解释和统一图神经网络
专知会员服务
44+阅读 · 2021年2月1日
专知会员服务
77+阅读 · 2020年12月6日
【Nature通讯】深度神经网络模型中的个体差异
专知会员服务
13+阅读 · 2020年11月16日
专知会员服务
123+阅读 · 2020年11月15日
深度学习目标检测方法综述
专知会员服务
274+阅读 · 2020年8月1日
元学习(meta learning) 最新进展综述论文
专知会员服务
278+阅读 · 2020年5月8日
【速览】TPAMI丨泛化边缘保持和结构保持图像平滑模型
中国图象图形学学会CSIG
1+阅读 · 2021年10月15日
深度学习与医学图像分析
人工智能前沿讲习班
40+阅读 · 2019年6月8日
脉冲神经网络与小样本学习【附PPT】
人工智能前沿讲习班
47+阅读 · 2019年2月1日
目标跟踪算法分类
算法与数据结构
20+阅读 · 2018年9月28日
干货!一文读懂行人检测算法
全球人工智能
11+阅读 · 2018年5月31日
一文读懂图像压缩算法
七月在线实验室
16+阅读 · 2018年5月2日
YOLO算法的原理与实现
机器学习研究会
43+阅读 · 2018年1月19日
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2014年12月31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
1+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
1+阅读 · 2012年12月31日
国家自然科学基金
3+阅读 · 2011年12月31日
国家自然科学基金
1+阅读 · 2011年12月31日
国家自然科学基金
1+阅读 · 2009年12月31日
Arxiv
0+阅读 · 2022年4月20日
Arxiv
16+阅读 · 2021年11月27日
Arxiv
26+阅读 · 2020年2月21日
小贴士
相关主题
相关VIP内容
【博士论文】基于深度学习的单目场景深度估计方法研究
专知会员服务
27+阅读 · 2021年10月6日
专知会员服务
28+阅读 · 2021年6月4日
专知会员服务
37+阅读 · 2021年6月3日
【WWW2021】用优化框架解释和统一图神经网络
专知会员服务
44+阅读 · 2021年2月1日
专知会员服务
77+阅读 · 2020年12月6日
【Nature通讯】深度神经网络模型中的个体差异
专知会员服务
13+阅读 · 2020年11月16日
专知会员服务
123+阅读 · 2020年11月15日
深度学习目标检测方法综述
专知会员服务
274+阅读 · 2020年8月1日
元学习(meta learning) 最新进展综述论文
专知会员服务
278+阅读 · 2020年5月8日
相关资讯
【速览】TPAMI丨泛化边缘保持和结构保持图像平滑模型
中国图象图形学学会CSIG
1+阅读 · 2021年10月15日
深度学习与医学图像分析
人工智能前沿讲习班
40+阅读 · 2019年6月8日
脉冲神经网络与小样本学习【附PPT】
人工智能前沿讲习班
47+阅读 · 2019年2月1日
目标跟踪算法分类
算法与数据结构
20+阅读 · 2018年9月28日
干货!一文读懂行人检测算法
全球人工智能
11+阅读 · 2018年5月31日
一文读懂图像压缩算法
七月在线实验室
16+阅读 · 2018年5月2日
YOLO算法的原理与实现
机器学习研究会
43+阅读 · 2018年1月19日
相关基金
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2014年12月31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
1+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
1+阅读 · 2012年12月31日
国家自然科学基金
3+阅读 · 2011年12月31日
国家自然科学基金
1+阅读 · 2011年12月31日
国家自然科学基金
1+阅读 · 2009年12月31日
微信扫码咨询专知VIP会员