（10篇文献，几段）医学图像配准有一套自己的处理体系，包括一些文献精华汇总，代....

杨利霞

医学图像配准有一套自己的处理体系

问题定位
图像配准这个研究方向比较深,近年来深度学习的方法也层出不穷。从数学建模比赛的
的角度出发，基于常见的原理作出合理的解答，完成一 -篇叙述详细、方法合理的文章即可，
' j( G! o. y: T0 [; }0 X. F( G8 Q* E不必苛求难度。当然，如果你对机器学习颇有研究也可以给出自己的方法(最好不用照搬)。.和其他数模问题不同，医学图像配准有一套自己的处理体系。对于这种问题，需要参考
较多的专业资料，同时简化问题，对于重点部分给出自己的模型解答。
! R2 ^& l, {) x1 h" D2 o9 l5 F整体论文思路:
1.        对图像配准的数学描述(建模基础)
2 V0 D3 R* ?. b" f0 [" ?- ?7 Z7 Z2.        选择一种方法(或者给出自己的方法)详细介绍.
) N% p( v' T' E- h$ f; o4 F3.        用数据进行实验，给出结果。
(在建立局部模型后最好给出一个整体的流程让整篇文章更完整



模型思路
本题属于同模式的图像配准，此时所有图像都是由同一种成像技术产生的。(两次 CT成像
图像匹配模型主要分两部分。第一部分 是特征的计算,第二部分是图像变换模型的最优参数求解，是建立一个优化模型。

! S7 E" i8 e0 A7 m特征计算部分论文中都有较成熟的方法，本题重点在于第二部分优化模型的建立。这个优化
模型就是利用选定的变换模型对特征集进行变换,并选择合适的优化搜索算法最小化匹配误差，获取变换模型参数的最优估计，病变的发展情况可以简单用一些特征的变化来度量,如病变部位的形状大小、灰度值变化率等。
具体方法
目前医学图像配准的两类主要方法是基王灰度的方法和基于特征的方法。基于灰度的配准方
. B, E4 q+ D5 x9 U& D1 @法使用全部的灰度信息来进行变换图像的相似性度量。该类方法并不存在特征的检测和提取,也不需要对图像进行预处理。另外，图像灰度的统计信息可以作为一种度量标准检验图像配准的精度。基于灰度的配准方法主要分为基于互相关的方法、基于互信息的方法和基于傅里
叶变换的方法。(因为方法较多，这里建议大家找一篇具体的文章参考)基于图像特征的方法是利用图像中某些具有显著特征的局部结构进行比对和匹配,其关键是对图像特征的判定、识别、提取、描述和匹配操作。其中，常用的图像特征有局部区域、轮廓、边缘、直线和点。
一些经典的图像边缘提取算法和图像分割算法都可以被用来进行图像特征的提取,如高
斯一拉普拉斯算子，Canny 算子等。(其实这两种方法本质一直，灰度可以看作一种全局特征)

入 门 知 识 参 考 ：https://blog.csdn.net/qq_41375318/article/details/103006360?utm_medium=distribute.pc_rele vant_download.none-task-blog-baidujs-4.nonecase&depth_1-utm_source=distribute.pc_relevant _download.none-task-blog-baidujs-4.nonecase
$ e  R5 s, _% Y' a, C一些代码思路参考：
https://blog.csdn.net/m_buddy/article/details/75911900?utm_medium=distribute.pc_relevant_ download.none-task-blog-2~default~blogcommendfrombaidu~default-11.nonecase&depth_1-ut m_source=distribute.pc_relevant_download.none-task-blog-2~default~blogcommendfrombaidu ~default-11.nonecas
+ |) l9 i# x2 G+ a+ ~5 b& [https://blog.csdn.net/YunlinWang/article/details/77882503?utm_medium=distribute.pc_relevan t_download.none-task-blog-2~default~blogcommendfrombaidu~default-9.nonecase&depth_1-ut m_source=distribute.pc_relevant_download.none-task-blog-2~default~blogcommendfrombaidu ~default-9.nonecas
https://blog.csdn.net/shandianfengfan/article/details/113750401