Nội dung được dịch bởi AI, chỉ mang tính chất tham khảo
Một phương pháp đăng ký hình ảnh y tế sử dụng thuật toán Tối ưu Hợp tác Nhóm Dựa trên Biến thiên Đôi
Multimedia Tools and Applications - Trang 1-25 - 2024
Tóm tắt
Đăng ký hình ảnh y tế là quá trình căn chỉnh nhiều hình ảnh y tế, thể tích hoặc bề mặt vào cùng một hệ tọa độ. Trong nhiều ứng dụng phân tích hình ảnh y tế, đăng ký hình ảnh đóng một vai trò quan trọng. Các phương pháp đăng ký hình ảnh y tế truyền thống chủ yếu dựa vào tối ưu hóa, tìm kiếm những biến dạng tối ưu khai thác sự tương đồng giữa hai hình ảnh. Do đó, bài báo này dự định phát triển một phương pháp tối ưu hóa mới cho việc đăng ký, với sự hỗ trợ của hai hình ảnh, bao gồm một hình ảnh tham chiếu cũng như một hình ảnh đang di chuyển. Tại đây, các đặc trưng của Mạng Nơ-ron Tích chập (CNN) được trích xuất từ hình ảnh đã được áp dụng biến đổi và hình ảnh tham chiếu. Sau đó, với sự hỗ trợ của mô hình đa tương đồng được đề xuất, sự tương đồng giữa các đặc trưng của hình ảnh đã biến đổi và hình ảnh tham chiếu được tìm thấy. Đối với mô hình đa tương đồng được đề xuất, Thông tin Tương hỗ Bất biến Logarit (LNMI), Thông tin Tương hỗ Bất biến Điều chỉnh (MNMI), và mô hình tương phản đặc trưng của Tversky được sử dụng. Cuối cùng, thuật toán Tối ưu Hợp tác Nhóm Dựa trên Biến thiên Đôi (DE-DGCO) được đề xuất, phát triển bằng cách kết hợp Tối ưu Hợp tác Nhóm Dựa trên Biến thiên (DGCO) và làm mượt Đôi Exponential (DeS) được sử dụng để cập nhật trọng số và các thông số biến đổi. Cuối cùng, việc thử nghiệm được thực hiện để kiểm tra hiệu quả của mô hình được đề xuất. Tại đây, thuật toán DE-DGCO đạt được hiệu suất cao hơn so với các kỹ thuật truyền thống với giá trị PSNR tối đa là 47.737; giá trị điểm dice là 0.855, và giá trị RMSE tối thiểu là 0.113.
Từ khóa
#Đăng ký hình ảnh y tế #Tối ưu hóa #Mạng Nơ-ron Tích chập #Tương hỗ Bất biến Logarit #Tương hỗ Bất biến Điều chỉnh #Tối ưu Hợp tácTài liệu tham khảo
Ayatollahi F, Shokouhi S, Ayatollahi A (2012) "A new hybrid particle swarm optimization for multimodal brain image registration", J Biomed Sci Eng 5(4). https://doi.org/10.4236/jbise.2012.54020
Hu J, Sun S, Yang X, Zhou S, Wang X, Fu Y, Zhou J, Yin Y, Cao K, Wu X (2019) Towards accurate and robust multi-modal medical image registration using contrastive metric learning. IEEE Access 7:132816–132827. https://doi.org/10.1109/ACCESS.2019.2938858
Balakrishnan G, Zhao A, Sabuncu MR, Guttag J, Dalca AV (2019) VoxelMorph: a learning framework for deformable medical image registration. IEEE Trans Med Imaging 38(8):1788–1800. https://doi.org/10.48550/arXiv.1809.05231
Fechter T, Baltas D (2019) "One shot learning for deformable medical image registration and periodic motion tracking", Motion Tracking. https://doi.org/10.48550/arXiv.1907.04641
Tang K, Li Z, Tian L, Wang L, Zhu Y (2020) ADMIR–affine and deformable medical image registration for drug-addicted brain images. IEEE Access 8:70960–70968. https://doi.org/10.1109/ACCESS.2020.2986829
Wen T, Liu H, Lin L, Wang B, Hou J, Huang C, Pan T, Du Y (2020) "Multiswarm artificial bee colony algorithm based on spark cloud computing platform for medical image registration", Comput Methods Programs Biomed 192. https://doi.org/10.1016/j.cmpb.2020.105432
Swathi R, Srinivas A (2020) “An improved image registration method using E-SIFT feature descriptor with hybrid optimization algorithm.” J Indian Soc Remote Sens 48:215–226. https://doi.org/10.1007/s12524-019-01063-w
Guorong W, Kim M, Wang Q, Munsell BC, Shen D (2016) Scalable high-performance image registration framework by unsupervised deep feature representations learning. IEEE Trans Biomed Eng 63(7):1505–1516. https://doi.org/10.1109/TBME.2015.2496253
Wyawahare MV, Patil PM, Abhyankar HK (2009) Image registration techniques: an overview. Int J Sig Process, Image Process, Pattern Recognit 2(3):11–28
Miao S, Wang ZJ, Zheng Y, Liao R (2016) "Real-time 2D/3D registration via CNN regression," IEEE 13th IntSymp Biomed Imag (ISBI) 430–1434. https://doi.org/10.48550/arXiv.1507.07505
Andrade N, Faria FA, Cappabianco FAM (2018) "A practical review on medical image registration: from rigid to deep learning based approaches", Conference: 2018 31st SIBGRAPI Conference on Graphics, Patterns and Images (SIBGRAPI), pp 463–470. https://doi.org/10.1109/SIBGRAPI.2018.00066
Sokooti H, de Vos B, Berendsen F, Lelieveldt BPF, Išgum I, Staring M (2017) ‘‘Nonrigid image registration using multi-scale 3D convolutional neural networks,’’ Proc Int Conf Med Image Comput Computer-Assisted Intervent 232–239. https://doi.org/10.1016/j.neuroimage.2017.07.008
Yang X, Kwitt R, Styner M, Niethammer M (2017) ‘Quicksilver: fastpredictive image registration—a deep learning approach.’ Neuro Image 158:378–396. https://doi.org/10.1016/j.neuroimage.2017.07.008
Beg MF, Miller MI, Trouvé A, Younes L (2005) Computing large deformation metric mappings via geodesic flows of diffeomorphisms. Int J Comput Vision 61(2):139–157
Zachariadis O, Teatini A, Satpute N, Gómez-Luna J, Mutlu O, Elle OJ, Olivares J (2020) "Accelerating B-spline interpolation on GPUs: application to medical image registration", Comput Methods Programs Biomed 193. https://doi.org/10.1016/j.cmpb.2020.105431
Zhu F, Zhu X, Huang Z, Ding M, Li Q, Zhang X (2021) "Deep learning based data-adaptive descriptor for non-rigid multi-modal medical image registration", Sig Process 183. https://doi.org/10.1016/j.sigpro.2021.108023
JiuchengXie C-M, Pan Z, Gao H, Wang B (2019) Automatic medical image registration based on an integrated method combining feature and area information. Neural Process Lett 49:263–284
Booranawong T, Booranawong A (2017) Simple and double exponential smoothing methods with designed input data for forecasting a seasonal time series: in an application for lime prices In Thailand. Suranaree J Sci Technol 24:301–310
Fouad MM, El-Desouky AI, Al-Hajj R, El-Kenawy E-SM (2020) Dynamic group-based cooperative optimization algorithm. IEEE Access 8:148378–148403. https://doi.org/10.1109/ACCESS.2020.3015892
Sharma T, Singh V, Sudhakaran S, Verma NK (2019) "Fuzzy based pooling in convolutional neural network for image classification," IEEE International Conference on Fuzzy Systems (FUZZ-IEEE), New Orleans, LA, USA, pp 1–6. https://doi.org/10.1109/FUZZ-IEEE.2019.8859010
Brain tumor MRI and CT scan taken from, "https://www.kaggle.com/datasets/chenghanpu/brain-tumor-mri-and-ct-scan?select=data%28processed%29", accessed on February 2023
Multimodal-image-fusion-to-detect-brain-tumors taken from, "https://github.com/ashna111/multimodal-image-fusion-to-detect-brain-tumors/tree/master/dataset/Patient%20Data", accessed on February 2023
Galesic M, Goode AW, Wallsten TS, Norman KL (2018) Using Tversky’s contrast model to investigate how features of similarity affect judgments of likelihood. Judgm Decis Mak 13(2):163–169. https://doi.org/10.1017/S1930297500007075