荧光分子断层成像技术(fluorescence molecular tomography,FMT)系统中为获得体内光源的结构信息,需要利用CT体数据。FMT系统在进行光学图像与CT图像的配准时,由于两种模态图像的成像原理、图像风格和图像维度等方面的差异,导致传统配...荧光分子断层成像技术(fluorescence molecular tomography,FMT)系统中为获得体内光源的结构信息,需要利用CT体数据。FMT系统在进行光学图像与CT图像的配准时,由于两种模态图像的成像原理、图像风格和图像维度等方面的差异,导致传统配准方法耗时长、效果差。本研究提出了一种基于T2DR-Net(texture transfer and dense registration net)与互信息的光学-CT图像配准方法,实现FMT系统中白光图像与CT图像的配准。该方法将光学-CT图像配准分为粗配准和精配准两个部分。在粗配准阶段,利用CycleGAN实现了FMT白光图像和CT投影像的纹理迁移,以降低两种图像纹理差异对图像配准的影响,并提出了DenseReg-Net模型获取白光图像和CT投影像粗配准参数;在精配准阶段,通过互信息方法进一步对两种模态图像配准,并得到最终的配准结果。利用1330张光学图像和39711张CT投影像作为样本集来验证配准方法的有效性,实验结果表明,本研究提出的光学-CT图像配准方法,相关系数为0.8797±0.0175,结构相似性为0.8683±0.0051,模型配准时间为(2.88±1.39)s。模型的配准效果及其稳定性优于传统方法。此外,与传统方法相比,速度提升了约60倍。展开更多
文摘荧光分子断层成像技术(fluorescence molecular tomography,FMT)系统中为获得体内光源的结构信息,需要利用CT体数据。FMT系统在进行光学图像与CT图像的配准时,由于两种模态图像的成像原理、图像风格和图像维度等方面的差异,导致传统配准方法耗时长、效果差。本研究提出了一种基于T2DR-Net(texture transfer and dense registration net)与互信息的光学-CT图像配准方法,实现FMT系统中白光图像与CT图像的配准。该方法将光学-CT图像配准分为粗配准和精配准两个部分。在粗配准阶段,利用CycleGAN实现了FMT白光图像和CT投影像的纹理迁移,以降低两种图像纹理差异对图像配准的影响,并提出了DenseReg-Net模型获取白光图像和CT投影像粗配准参数;在精配准阶段,通过互信息方法进一步对两种模态图像配准,并得到最终的配准结果。利用1330张光学图像和39711张CT投影像作为样本集来验证配准方法的有效性,实验结果表明,本研究提出的光学-CT图像配准方法,相关系数为0.8797±0.0175,结构相似性为0.8683±0.0051,模型配准时间为(2.88±1.39)s。模型的配准效果及其稳定性优于传统方法。此外,与传统方法相比,速度提升了约60倍。
