大腦影像標準化的最佳化模型與算法研究

《大腦影像標準化的最佳化模型與算法研究》是依託上海大學，由應時輝擔任項目負責人的面上項目。

基本介紹

• 中文名：大腦影像標準化的最佳化模型與算法研究
• 項目類別：面上項目
• 項目負責人：應時輝
• 依託單位：上海大學

中文摘要

近年來，大腦結構與功能分析得到了迅猛發展，而影像技術提供了大量直觀而又可信的信息。然而，由於不同個體以及不同時間所採集的大腦影像在體積、形狀和灰度值上存在較大差異，因此我們需要將所得到的大腦影像進行標準化，使得大腦結構與功能的比較與分析更為客觀。本項目擬建立更為準確而無偏見的大腦圖像標準化方法。具體地，首先，採用微分同胚表示圖像間的形變，並通過對形變引入基於圖像特徵點精確對應的約束和對相似性度量的選擇來提高圖像間形變的估計精度；其次，通過流形學習理論與方法，刻畫出圖像全體所在的圖像流形，進一步，描述圖像在該流形上的分布，並將此分布信息引入模型來提高圖像標準化的精度。從而將圖像標準化問題轉化為微分同胚群上的約束最佳化問題；再次，通過Lie群參數化方法和變分方法，並結合近代最佳化算法，給出求解圖像標準化模型的高效算法；最後，將得到的模型和算法套用到大腦圖像的標準化問題。

結題摘要

本項目以醫學影像標準化問題為驅動，通過完善兩幅圖像的非剛性配準模型、建立醫學影像的圖像流形表征和快速算法設計與分析三個方面的研究，建立更為準確而無偏見的大腦圖像標準化方法。首先，在非剛性形狀配準問題中，引入帶狀約束，提高模型的正則性。進一步，在非剛性圖像配準問題中，基於微分同胚群上最佳化問題的表征，通過引入雙向對稱相似性度量和基於互逆約束、形狀約束的形變正則條件，建立更為精確和魯棒的兩幅圖像間配準模型與算法。其中，通過深度學習方法研究了圖像特徵點提取（如，紋理特徵等）；其次，為更好地建立圖像的流形表征，從度量形變出發，提出了數據驅動的線性度量學習幾何模型與保結構算法。其中，將線性度量學習問題表述為正定群上的最佳化問題。在此基礎上，結合多核方法和基於局部線性化的光滑粘接方法，建立更為精準和魯棒的非線性度量學習幾何模型與保結構算法。從而，提出符合數據分布描述的最優視角。再次，通過研究變換群上最佳化問題的快速求解算法，設計了圖像流形表征的無偏模板建立（即，圖像標準化）的內蘊共軛梯度算法與配準問題的基於路徑表達的快速魯棒算法，並給出相應的收斂性分析。最終，將獲得的標準化方法套用到大腦MRI影像處理，進一步實現基於醫學影像的大腦多種疾病智慧型輔助診斷。